机器学习算法之Kmeans算法(K均值算法)
Kmeans算法(K均值算法)
KMeans算法是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。
如何定义两个样本的相似:
两个样本在欧式空间中的距离
引入新概念:
Cluster: 表示一个簇
centroid: 表示当前簇的中心
算法步骤 :
1.随机从数据集中选取k个样本当做centroid
2.对于数据集中的每个点,计算它距离每个centroid的距离,并把它归为距离最近打那个cluster
3.更新新的centroid位置
4.重复2和2,直到centroid的位置不再改变
KMEANS 的优缺点
Pros:
1. 非监督类的算法不需要样本的标注信息
CONS:
1. 不能利用到数据的标注信息,意味着模型的性能不如其他监督学习
2. 对于K的取值,也就是你认为数据集中的样本应该分为几类,这个参数的设置极为敏感!
不同的K值,导致完全不同的分类结果!
3. 对于数据集本身样本的分布也很敏感
和KNN的区别:
KNN:
1.只关注待测样本的局部分布
2.K:K个最近邻
3.监督类模型
KMeans:
1.关注样本的全局分布
2.k:K个簇