kmeans算法简单例题
@从饰6648：matlab 自带kmeans怎么用 求一个简单例子 急!!! -
冶建17289381017…… matlab 自带kmeans是k-均值聚类函数.例如: rng default; X = [randn(100,2)*0.75+ones(100,2); randn(100,2)*0.5-ones(100,2)]; opts = statset('Display','final'); [idx,C,sumd,D] = kmeans(X,2,'Distance','cityblock','Replicates',5,'Options',opts)
@从饰6648：求解: 用k - means算法将下列5个数据聚类成2个簇: -
冶建17289381017…… 第一次迭代下,除了a4点,其他点都归为一类c1:(a1 a2 a3 a5);c2:(a4) 聚类中心:c1:(2,2);c2(5,4)(聚类中心的计算方式是平均类中所有点) 第二次迭代下,c1(a1 a2 a5);c2(a3 a4) 聚类中心c1:(4/3,5/3);c2(9/2 7/2) 第三次迭代下,c1(a1 a2 a5);c2(a3 a4) 聚类中心c1:(4/3,5/3);c2(9/2 7/2)结果已经稳定跳出循环
@从饰6648：Kmeans - 作业帮
冶建17289381017…… [答案] k-means是一种数据聚类算法,质心(centroid)是指各个类别的中心位置,质心的维数等同于单条数据的维数. 比如说,你有1000条数据,每条数据100维. 你使用k-means算法将这1000条数据聚为10个类别,那么你就会得到10个质心. 每个类别的质...
@从饰6648：简述K - means算法的基本过程及其不足.《数据挖掘》作业题追分100 -
冶建17289381017…… 过程:1、 从 n个数据对象任意选择 k 个对象作为初始聚类中心;2、 根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;3、 重新计算每个(有变化)聚类的均值(中心对象)4、循环步骤2和3,直到每个聚类不再发生变化为止 缺点:1、聚类个数K需要自己决定,因此在不知道具体有多少类时需要从2开始多次尝试,选择最好的2、当k确定时,聚类效果和初始中心选择有关,所以算法很不稳定3、算法在维数较多时,由于需要多次迭代,花费时间较长
@从饰6648：关于k - means算法的聚类分析 -
冶建17289381017…… 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.该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标. k个初始类聚类中心点的选...
@从饰6648：matlab的kmeans算法的问题 -
冶建17289381017…… 没有问题!I = imread(('1.bmp)); [nrows,ncols]=size(I); I2 = double(I); II = I2(:); [idx, ctx]=kmeans(II,4); iidx = reshape(idx,nrows,ncols); imshow(I) figure,imshow(iidx,[]);
@从饰6648：2、使用R中的iris数据集,利用Kmeans算法对其进行聚类,选择聚类簇数...
冶建17289381017…… 一,K-Means聚类算法原理 k-means 算法接受参数 k ;然后将百事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小.聚类相似度是利用各聚类中对象的均值所获...
@从饰6648：急求:k - Means聚类算法实现 -
冶建17289381017…… K-MEANS算法: k-means 算法接受输入量 k ;然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小.聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”...
冶建17289381017…… matlab 自带kmeans是k-均值聚类函数.例如: rng default; X = [randn(100,2)*0.75+ones(100,2); randn(100,2)*0.5-ones(100,2)]; opts = statset('Display','final'); [idx,C,sumd,D] = kmeans(X,2,'Distance','cityblock','Replicates',5,'Options',opts)
@从饰6648：求解: 用k - means算法将下列5个数据聚类成2个簇: -
冶建17289381017…… 第一次迭代下,除了a4点,其他点都归为一类c1:(a1 a2 a3 a5);c2:(a4) 聚类中心:c1:(2,2);c2(5,4)(聚类中心的计算方式是平均类中所有点) 第二次迭代下,c1(a1 a2 a5);c2(a3 a4) 聚类中心c1:(4/3,5/3);c2(9/2 7/2) 第三次迭代下,c1(a1 a2 a5);c2(a3 a4) 聚类中心c1:(4/3,5/3);c2(9/2 7/2)结果已经稳定跳出循环
@从饰6648：Kmeans - 作业帮
冶建17289381017…… [答案] k-means是一种数据聚类算法,质心(centroid)是指各个类别的中心位置,质心的维数等同于单条数据的维数. 比如说,你有1000条数据,每条数据100维. 你使用k-means算法将这1000条数据聚为10个类别,那么你就会得到10个质心. 每个类别的质...
@从饰6648：简述K - means算法的基本过程及其不足.《数据挖掘》作业题追分100 -
冶建17289381017…… 过程:1、 从 n个数据对象任意选择 k 个对象作为初始聚类中心;2、 根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;3、 重新计算每个(有变化)聚类的均值(中心对象)4、循环步骤2和3,直到每个聚类不再发生变化为止 缺点:1、聚类个数K需要自己决定,因此在不知道具体有多少类时需要从2开始多次尝试,选择最好的2、当k确定时,聚类效果和初始中心选择有关,所以算法很不稳定3、算法在维数较多时,由于需要多次迭代,花费时间较长
@从饰6648：关于k - means算法的聚类分析 -
冶建17289381017…… 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.该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标. k个初始类聚类中心点的选...
@从饰6648：matlab的kmeans算法的问题 -
冶建17289381017…… 没有问题!I = imread(('1.bmp)); [nrows,ncols]=size(I); I2 = double(I); II = I2(:); [idx, ctx]=kmeans(II,4); iidx = reshape(idx,nrows,ncols); imshow(I) figure,imshow(iidx,[]);
@从饰6648：2、使用R中的iris数据集,利用Kmeans算法对其进行聚类,选择聚类簇数...
冶建17289381017…… 一,K-Means聚类算法原理 k-means 算法接受参数 k ;然后将百事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小.聚类相似度是利用各聚类中对象的均值所获...
@从饰6648：急求:k - Means聚类算法实现 -
冶建17289381017…… K-MEANS算法: k-means 算法接受输入量 k ;然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小.聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”...
