K-means 是我们最常用的基于 欧式距离 的聚类算法，其认为两个目标的距离越近，相似度越大。 本文大致思路为：先介绍经典的牧师-村名模型来引入 K-means 算法，然后介绍算法步骤和时间复杂度，通过介绍其优缺点来引入算法的调优与改进，最后我们利用之前学的 EM 算法，对其进行收敛证明。 1. 算法. K-means 有一个著名的解释：牧师—村民模型： 有四个牧师去郊区布道，一开始牧师们随意选了几个布道点，并且把这几个布道点的情况公告给了郊区所有的村民，于是每 …

2024年10月29日 · K-means算法是一种迭代求解的聚类分析算法，其核心思想是将数据集中的n个对象划分为K个聚类，使得每个对象到其所属聚类的中心（或称为均值点、质心）的距离之和最小。 这里所说的距离通常指的是欧氏距离，但也可以是其他类型的距离度量。 K-means算法通过迭代的方式不断优化聚类结果，使得每个聚类内的对象尽可能紧密，而不同聚类间的对象则尽可能分开。 这种优化过程通常基于某种目标函数，如误差平方和（Sum of Squared Errors, SSE）， …

K-means（k-均值，也记为kmeans）是聚类算法中的一种，由于其原理简单，可解释强，实现方便，收敛速度快，在数据挖掘、数据分析、异常检测、模式识别、金融风控、数据科学、智能营销和数据运营等领域有着广泛的应用。 最后，对K-means进行总结，指出K-means的优缺点， K-means 的 改进办及聚类和分类的区别。 1. K-means基础. 1.1. 聚类. 1.2. 聚类分类. 1.3. 基于划分的聚类算法. 1.3.1. 相似度. 1.3.2. 距离. 2. K-means原理. 2.1. K-means原理. 2.2. K-means算法. …

k-means clustering is a method of vector quantization, originally from signal processing, that aims to partition n observations into k clusters in which each observation belongs to the cluster with the nearest mean (cluster centers or cluster centroid), serving as a prototype of the cluster.

如今，K-Means聚类被提出已经超过50年，但仍然是 应用最广泛、地位最核心的空间数据划分聚类方法之一。 作为一种 无监督算法，尽管无法判断结果对错，但是它将为我们研究对象群体的内部结构提供一些很好的切入点。 有无监督学习的一大区别在于 定性时机先后的不同。 事先无法对样本进行准确的判定，需要建立和总结一定的规则模式后再定性的，属于 无监督学习。 相反，样本一开始就拥有“目标”标签的话，我们所进行的从特征到目标的建模，则是 有监督的学习。

在scikit-learn中，包括两个K-Means的 算法，一个是传统的K-Means算法，对应的类是 KMeans。 另一个是基于采样的Mini Batch K-Means算法，对应的类是MiniBatchKMeans。 一般来说，使用K-Means的算法调参是比较简单的。 用KMeans类的话，一般要注意的仅仅就是k值的选择，即参数n_clusters；如果是用MiniBatchKMeans的话，也仅仅多了需要注意调参的参数batch_size，即我们的Mini Batch的大小。 当然KMeans类和MiniBatchKMeans类可以选择的参数还有不少，但是 …

‘k-means++’ : selects initial cluster centroids using sampling based on an empirical probability distribution of the points’ contribution to the overall inertia. This technique speeds up convergence. The algorithm implemented is “greedy k-means++”.

2023年9月27日 · 本文将介绍 K-Means算法 的基本概念和原理。 K-Means算法的基本原理是：通过迭代的方式，将 数据点 划分到 最接近的类簇中心点 所代表的类簇中，然后根据每个类簇内的所有点重新 计算该类簇的中心点（取平均值），再不断重复此过程，直至类簇中心点的变化很小或达到指定的迭代次数。 聚类数目（K）的选择： K-Means算法的第一步是确定要将数据划分成多少个簇。 这个选择通常基于领域知识或使用Elbow方法等统计技巧来确定。 K的选择对于聚类结果 …

k-均值算法 （英文： k -means clustering）源于 信号处理 中的一种 向量量化 方法，现在则更多地作为一种聚类分析方法流行于 数据挖掘 领域。 k -平均 聚类 的目的是：把 个点（可以是样本的一次观察或一个实例）划分到 k 个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。 这个问题将归结为一个把数据空间划分为Voronoi cells的问题。 这个问题在计算上是 NP困难 的，不过存在高效的 启发式算法。 一般情况下，都使用效率比较 …

2025年1月15日 · K-Means Clustering is an Unsupervised Machine Learning algorithm which groups the unlabeled dataset into different clusters. The article aims to explore the fundamentals and working of k means clustering along with its implementation. K-means clustering is a technique used to organize data into groups based on their similarity.