zoukankan      html  css  js  c++  java
  • 【机器学习】K均值算法(II)

    k聚类算法中如何选择初始化聚类中心所在的位置。

    在选择聚类中心时候,如果选择初始化位置不合适,可能不能得出我们想要的局部最优解。

    而是会出现一下情况:

    为了解决这个问题,我们通常的做法是:

    我们选取K<m个聚类中心。

    然后随机选择K个训练样本的实例,之后令k个聚类中心分别与k个训练实例相等。

    之后我们通常需要多次运行均值算法。每一次都重新初始化,然后在比较多次运行的k均值的结果,选择代价函数较小的结果。这种方法在k较小的时候可能会有效果,但是在K数量较多的时候不会有明显改善。

    如何选取聚类数量

    当我们研究聚类数量与畸变函数J的关系时候,发现“肘部法则”,也就是当k的数量逐渐增加时候,存在某一点成为J函数下降过程呢中的拐点。

    这个点之前,他的畸变的值迅速下降,在这个点之后,它的畸变值下变慢,那么看起来这个拐点通常会成为最合适的值。不过在实际情况中,我们会选择K值的数量取决于用聚类算法所需要解决的实际问题的目的出发。根据实际情况的需要选择K值的数量。

  • 相关阅读:
    动态规划突破
    日志如何进行处理
    多线程相关问题
    Activity工作流框架
    修改模块
    spring多模块搭建Eureka服务器端
    springcould多模块搭建Eureka的服务器端口
    java操作elecsearch
    在elementui和MyBatis中前后端分离中使用shiro
    elementui的和前后端分离的微信登陆功能
  • 原文地址:https://www.cnblogs.com/KID-XiaoYuan/p/7371777.html
Copyright © 2011-2022 走看看