目錄

一、K-means

1、概念?

2、過程

3、API（K-means）

二、K-means性能評估

1、輪廓系數

2、API（輪廓系數）

---

一、K-means

1、概念?

無監督學習：沒有目標值（沒有標簽）。

（聚類一般在分類之前，沒有目標值的時候使用聚類）

采用迭代式的算法，直觀易懂且實用。

缺點：容易受到局部最優解（避免：多次聚類，取多次聚類中心）。

最優解：k個中心點擠在一起。

?

例：對這些人物的分類，沒有目標值，就是無監督學習。?

?

2、過程

例：對該無規則點圖片進行分類，無監督學習分成3個區域（無目標值）：?

?

?

1、先選擇K個特征點作為特征中心；（這里分成3堆，3個特征點）

2、分別計算每個點到K個聚類中心的距離，選擇最近的一個中心，標記類別與其一致；

3、接著對著標記的聚類中心之后，重新計算出每個聚類的新中心點（平均值)；

4、如果計算得出的新中心點與原中心點一樣，那么結束，否則重新進行第2步過程。

求解中心點：?

?

3、API（K-means）

?

?

二、K-means性能評估

1、輪廓系數

ai：內部距離；

bi：外部距離。?

輪廓系數分析：?

?

?效果好的指標：高內聚，低耦合。（內部聚合，外部分開）

可以看出：

輪廓系數Sc =1時，聚類效果最好（bi>>ai，即外部距離遠大于內部距離）；

輪廓系數Sc=-1時，聚類效果最差（bi<<ai，即外部距離遠小于內部距離）。

2、API（輪廓系數）

?

總結

以上是生活随笔為你收集整理的机器学习（17）无监督学习 -- K-means算法与性能评估的全部內容，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。