KMEANSK均值聚类算法C均值算法学习教案.pptx

会计学
1
KMEANSK均值(jūn zhí)聚类算法C均值(jūn zhí)算法
第一页，共35页。
主讲(zhǔjiǎng)内容
算法性能(xìngnéng)分析
算法(suàn fǎ)改进
算法简介
算法应用
算法要点
算法描述
算法实例
ISODATA算法
gapstatistics
第1页/共34页
第二页，共35页。
算法(suàn fǎ)简介
k-means算法，也被称为k-平均或k-均值，是一种得到最广泛(guǎngfàn)使用的聚类算法。 它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。这一算法不适合处理离散型属性，但是对于连续型具有较好的聚类效果。
第2页/共34页
第三页，共35页。
算法描述
为中心向量c1, c2, …, ck初始化k个种子
分组:
将样本分配(fēnpèi)给距离其最近的中心向量
由这些样本构造不相交（ non-overlapping ）的聚类
确定中心:
用各个聚类的中心向量作为新的中心
重复分组和确定中心的步骤，直至算法收敛
第3页/共34页
第四页，共35页。
算法 k-means算法
输入：簇的数目k和包含n个对象的数据库。
输出：k个簇，使平方(píngfāng)误差准则最小。
算法步骤：
，这样就有K 个初始聚类中心。

。
。
，得到K个聚类
第4页/共34页
第五页，共35页。
2021/10/12
将样本分配给距离它们(tā men)最近的中心向量，并使目标函数值减小
更新(gēngxīn)簇平均值
计算(jì suàn)准则函数E
第5页/共34页
第六页，共35页。
K-means聚类算法(suàn fǎ)
第6页/共34页
第七页，共35页。
划分聚类方法(fāngfǎ)对数据集进行聚类时包括如下
三个要点：
（1）选定某种距离作为数据样本间的相似性度量
上面讲到，k-means聚类算法不适合处理离散型 属性，对连续型属性比较适合。因此在计算数据样本之间的距离时，可以根据实际需要选择欧式距离、曼哈顿距离或者明考斯距离中的一种来作为算法的相似性度量，其中最常用的是欧式距离。下面我给大家具体介绍一下欧式距离。
第7页/共34页
第八页，共35页。
假设给定的数据集 ，X中的样本用d个描述属性A1,A2…Ad来表示，并且d个描述属性都是连续型属性。数据样本xi=(xi1,xi2,…xid), xj=(xj1,xj2,…xjd)其中， xi1,xi2,…xid和xj1,xj2,…xjd分别是样本xi和xj对应d个描述属性A1,A2,…Ad的具体取值。样本xi和xj之间的相似(xiānɡ sì)度通常用它们之间的距离d(xi,xj)来表示，距离越小，样本xi和xj越相似(xiānɡ sì)，差异度越小；距离越大，样本xi和xj越不相似(xiānɡ sì)，差异度越大。
欧式距离公式如下：
第8页/共34页
第九页，共35页。
（2）选择评价聚类性能的准则函数
k-means聚类算法使用误差平方和准则函数来 评价聚类性能。给定数据集X，其中只包含描述属性，不包含类别属性。假设X包含k个聚类子集X1,X2,…XK；各个聚类子集中的样本数量分别为n1，n2,…,nk;各个聚类子集的均值代表点（也称聚类中心(zhōngxīn)）分别为m1，m2,…,mk。则误差平方和准则函数公式为：
第9页/共34页
第十页，共35页。