k-means聚類算法的基本思想和步驟 關于k-means聚類算法說法正確的是？

關于k-means聚類算法說法正確的是？K mkmeans聚類屬于距離度量嗎？K-means算法是一種基于距離的聚類算法，通過距離來衡量對象之間的相似性。兩個樣本對象之間的距離越大，相似性越小。關于K

關于k-means聚類算法說法正確的是？

K m

kmeans聚類屬于距離度量嗎？

K-means算法是一種基于距離的聚類算法，通過距離來衡量對象之間的相似性。兩個樣本對象之間的距離越大，相似性越小。關于K-means算法。

K-means算法的思想和上面故事中的牧師選擇原理非常相似，最終目標是最小化所有樣本數據(村民)到聚類中心(牧師)的距離之和。K-means算法的實現步驟如下:

輸入:數據集D{x1，x2，？，xn}D{x1，x2，？，xn}，聚類數kk

輸出:聚類結果聚類

(1)隨機初始化kk個樣本作為聚類中心{μ1，μ2，？，μk}{μ1，μ2，？，μk }；

(2)計算所有樣本西溪到數據集中每個聚類中心的距離dist(xi，μj)dist(xi，μj)，將西溪劃分為距離最小的聚類中心所在的聚類；

(3)對于每個聚類，更新其聚類中心:μ i1 | ci |∈ x ∈ cix μ i1 | ci |∈ x ∈ cix。

(4)重復步驟(2)和(3)，直到聚類中心無明顯變化或滿足迭代次數。

綜上所述，K-means算法的整個過程可以概括為一個優化問題，通過不斷迭代使目標函數收斂。K-means算法的目標函數是:

J∑kj1∑ni1dist(xi，μj)J∑j1k∑i1ndist(xi，μj)

從目標函數可以看出，有兩個因素對聚類結果有至關重要的影響:kk值和距離度量方法。

對于kk值，這是K-means算法不可避免的問題，直接影響最終聚類結果的準確性。在如何確定kk值的問題上，傳統的K-means算法在數據分布未知的情況下，只能通過多次嘗試不同的kk值來探索最優值。值得一提的是，很多專家學者對K-means算法進行了優化和改進，解決了K-means算法中如何確定kk值甚至避免kk值的問題，設計了很多改進的K-means算法，這是另外一個大的話題，本文不贅述。

讓 讓我們談談距離測量的問題。

K-means算法是一種應用廣泛、出現率高的聚類算法。想法簡單，解釋有力。設置kk值后，可以輸出指定數量的簇。但是，在實際應用中，我們也需要注意K-means算法的缺點:

K-means算法的kk值必須在聚類之前確定，這在缺乏數據集分布知識的情況下往往難以估計，只能通過多次嘗試來探索。最好的kk值。

K-means算法第一次迭代中的kk聚類中心對算法的最終結果影響很大，但在K-means算法中，第一次迭代中的kk聚類中心是隨機選取的，這給算法的聚類結果帶來了不確定性。

K-means算法在非球形分布數據集上表現不佳。K-means算法等基于距離的聚類算法的基本假設是，同一個聚類中的對象之間的距離遠小于不同聚類中的對象之間的距離，相當于把聚類看作一個球體，因此K-means算法對于非球形分布的數據集可能表現不佳。

K-means算法在不斷迭代的過程中逐步優化算法。每次迭代都要計算每個對象到聚類中心的距離，所以當數據量非常大的時候，時間開銷比較大。