自组织神经网络和K-means聚类算法的比较分析，徐步云，倪禾，本文主要是研究自组织神经网络作为一种具有拓扑限制的，以特征提取为主要手段的聚类算法，并与传统的K-means算法进行比较分析，并��

之前硕士做了一丢改进，部分有注释，数据集是UCI数据集，可运行

学校人工智能课程的一个小实验，实验要求实现k-means并探究：1)不同初始点，2)不同k值对实验结果的影响。文件中包含我的实现代码及报告和原始数据。

总结评述了K-means 聚类算法的研究现状，指出K-means 聚类算法是一个NP难优化问题，无法获得全局最优。介绍了K-means 聚类算法的目标函数、算法流程，并列举了一个实例，指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法，指出了K-means聚类的进一步研究方向。

本文为大家分享了Python机器学习之K-Means聚类的实现代码，供大家参考，具体内容如下 1.K-Means聚类原理 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。其基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 算法大致流程为：（1）随机选取k个点作为种子点(这k个点不一定属于数据集)；（2）分别计算每个数据点到k个种子点的距离，离哪个种子点最近，就属于哪类；（3）重新计算k个种子

主要为大家详细介绍了Python机器学习之K-Means聚类的实现，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分解为较低维数空间 n_components： ·小数：表示保留百分之多少的信息 ·整数：减少到多少特

k-means 聚类算法思想先随机选择k个聚类中心，把集合里的元素与最近的聚类中心聚为一类，得到一次聚类，再把每一个类的均值作为新的聚类中心重新聚类，迭代n次得到最终结果分步解析 一、初始化聚类中心 首先随机选择集合里的一个元素作为第一个聚类中心放入容器，选择距离第一个聚类中心最远的一个元素作为第二个聚类中心放入容器，第三、四、、、N个同理，为了优化可以选择距离开方做为评判标准 二、迭代聚类 依次把集合里的元素与距离最近的聚类中心分为一类，放到对应该聚类中心的新的容器，一次聚类完成后求出新容器里个类的均值，对该类对应的聚类中心进行更新，再次进行聚类操作，迭代n次得到理想的结果 三、可视化展

完整代码，可直接运行

数字半色调是在二值设备或多色二值设备上实现图像再现的一门技术，提出将K-means聚类法应用在 数字半色调技术中。算法中应用人类视觉系统模型（HVS）和印刷模型最大限度减少原始灰度连续调图像和半 色调图像之间的视觉误差；利用K-means聚类法将灰度图像划分成聚类分区，在每个聚类分区应用最小平方法 （least-squares）最小化二值半色调图像和原始灰度级图像之间的平方误差，所构造的半色调算法与基于模型的最小平方法（LSMB）算法相比，随着聚类分区的增加，图像平滑且边缘清晰度增加，尤其是在图像细节部位。与 LSMB算法比较，该算法的均方误差值有所降低，而权重信噪比和峰值信噪比提高了0.2～2dB，模拟实验结果 验证了算法的有效性。