K-means通過迭代優(yōu)化簇中心實(shí)現(xiàn)聚類：1.隨機(jī)初始化K個(gè)質(zhì)心；2.將樣本分配至最近簇；3.更新質(zhì)心為簇均值；4.判斷收斂，否則重復(fù)2-3步。

K-means 是一種常用的無(wú)監(jiān)督聚類算法，用于將數(shù)據(jù)劃分為 K 個(gè)簇。其核心思想是通過迭代優(yōu)化簇中心，使每個(gè)樣本到所屬簇中心的距離平方和最小。以下是 Python 中實(shí)現(xiàn) K-means 算法的具體計(jì)算步驟。

1. 初始化簇中心

隨機(jī)選擇 K 個(gè)樣本點(diǎn)作為初始的簇中心（質(zhì)心）。這一步對(duì)最終聚類結(jié)果有一定影響，因此在實(shí)際應(yīng)用中可采用 K-means++ 方法優(yōu)化初始化過程，以提高收斂速度和聚類質(zhì)量。

2. 分配樣本到最近的簇

對(duì)于每一個(gè)樣本，計(jì)算它與 K 個(gè)簇中心之間的歐氏距離，將其分配給距離最近的簇。公式如下：

假設(shè)樣本為 xi，第 j 個(gè)簇中心為 cj，則距離為：

立即學(xué)習(xí)“Python免費(fèi)學(xué)習(xí)筆記（深入）”；

d(xi, cj) = ||xi - cj||2

算家云

高效、便捷的人工智能算力服務(wù)平臺(tái)

37

查看詳情

將 xi 歸入使該距離最小的簇。

3. 更新簇中心

重新計(jì)算每個(gè)簇的質(zhì)心，即取該簇中所有樣本的均值作為新的中心點(diǎn)：

• 對(duì)每個(gè)簇 j，收集所有被分配到該簇的樣本
• 計(jì)算這些樣本在各個(gè)特征上的平均值
• 用這個(gè)均值向量更新簇中心 cj

4. 判斷是否收斂

檢查算法是否滿足停止條件，常見的包括：

• 簇中心不再發(fā)生顯著變化（變化小于預(yù)設(shè)閾值）
• 樣本的簇標(biāo)簽不再改變
• 達(dá)到最大迭代次數(shù)

如果不滿足，則返回第 2 步繼續(xù)迭代；否則結(jié)束算法。

基本上就這些。整個(gè)過程簡(jiǎn)單高效，適合處理大規(guī)模數(shù)值型數(shù)據(jù)。在 Python 中可通過 scikit-learn 快速調(diào)用，也可手動(dòng)實(shí)現(xiàn)以加深理解。

以上就是Python K-means算法的計(jì)算步驟的詳細(xì)內(nèi)容，更多請(qǐng)關(guān)注php中文網(wǎng)其它相關(guān)文章！