聚類方法

• K-means

K-means

參考鏈接
說到聚類，應先理解聚類和分類的區別，很多業務人員在日常分析時候不是很嚴謹，混為一談，其實二者有本質的區別。

**分類：**分類其實是從特定的數據中挖掘模式，作出判斷的過程。比如Gmail郵箱里有垃圾郵件分類器，一開始的時候可能什么都不過濾，在日常使用過程中，我人工對于每一封郵件點選“垃圾”或“不是垃圾”，過一段時間，Gmail就體現出一定的智能，能夠自動過濾掉一些垃圾郵件了。這是因為在點選的過程中，其實是給每一條郵件打了一個“標簽”，這個標簽只有兩個值，要么是“垃圾”，要么“不是垃圾”，Gmail就會不斷研究哪些特點的郵件是垃圾，哪些特點的不是垃圾，形成一些判別的模式，這樣當一封信的郵件到來，就可以自動把郵件分到“垃圾”和“不是垃圾”這兩個我們人工設定的分類的其中一個。

**聚類：**聚類的目的也是把數據分類，但是事先我是不知道如何去分的，完全是算法自己來判斷各條數據之間的相似性，相似的就放在一起。在聚類的結論出來之前，我完全不知道每一類有什么特點，一定要根據聚類的結果通過人的經驗來分析，看看聚成的這一類大概有什么特點。

聚類和分類最大的不同在于：分類的目標是事先已知的，而聚類則不一樣，聚類事先不知道目標變量是什么，類別沒有像分類那樣被預先定義出來。

K-Means
聚類算法有很多種（幾十種），K-Means是聚類算法中的最常用的一種，算法最大的特點是簡單，好理解，運算速度快，但是只能應用于連續型的數據，并且一定要在聚類前需要手工指定要分成幾類。

下面，我們描述一下K-means算法的過程，為了盡量不用數學符號，所以描述的不是很嚴謹，大概就是這個意思，“物以類聚、人以群分”：

首先輸入k的值，即我們希望將數據集經過聚類得到k個分組。

從數據集中隨機選擇k個數據點作為初始大哥（質心，Centroid）

對集合中每一個小弟，計算與每一個大哥的距離（距離的含義后面會講），離哪個大哥距離近，就跟定哪個大哥。

這時每一個大哥手下都聚集了一票小弟，這時候召開人民代表大會，每一群選出新的大哥（其實是通過算法選出新的質心）。

如果新大哥和老大哥之間的距離小于某一個設置的閾值（表示重新計算的質心的位置變化不大，趨于穩定，或者說收斂），可以認為我們進行的聚類已經達到期望的結果，算法終止。

如果新大哥和老大哥距離變化很大，需要迭代3~5步驟。
【ps】dpi是指單位面積內像素的多少，也就是掃描精度，目前國際上都是計算一英寸面積內像素的多少。

總結

以上是生活随笔為你收集整理的图像处理：聚类方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。