聚類(lèi)分析—K-meansandK-medoids聚類(lèi)1

1、智能數(shù)據(jù)挖掘智能數(shù)據(jù)挖掘Topic3-聚類(lèi)分析聚類(lèi)分析K-means &K-medoids 聚類(lèi)聚類(lèi)2022-6-26主要內(nèi)容K-means算法Matlab程序?qū)崿F(xiàn)在圖像分割上的簡(jiǎn)單應(yīng)用K-medoids算法k-中心點(diǎn)聚類(lèi)算法中心點(diǎn)聚類(lèi)算法-PAMK-medoids改進(jìn)算法2022-6-26基于劃分的聚類(lèi)方法基于劃分的聚類(lèi)方法n構(gòu)造構(gòu)造n個(gè)對(duì)象數(shù)據(jù)庫(kù)個(gè)對(duì)象數(shù)據(jù)庫(kù)D的劃分的劃分, 將其劃分成將其劃分成k個(gè)聚類(lèi)個(gè)聚類(lèi)n啟發(fā)式方法啟發(fā)式方法: k-平均值平均值(k- means)和和 k-中心點(diǎn)中心點(diǎn)(k- medoids) 算算法法nk-平均值平均值(MacQueen67): 每個(gè)簇用該簇

2、中對(duì)象的平均值來(lái)表示每個(gè)簇用該簇中對(duì)象的平均值來(lái)表示 nk-中心點(diǎn)或中心點(diǎn)或 PAM (Partition around medoids) (Kaufman & Rousseeuw87): 每個(gè)簇用接近聚類(lèi)中心的一個(gè)對(duì)象來(lái)表示每個(gè)簇用接近聚類(lèi)中心的一個(gè)對(duì)象來(lái)表示 n這些啟發(fā)式算法適合發(fā)現(xiàn)中小規(guī)模數(shù)據(jù)庫(kù)中的球狀聚類(lèi)這些啟發(fā)式算法適合發(fā)現(xiàn)中小規(guī)模數(shù)據(jù)庫(kù)中的球狀聚類(lèi)n對(duì)于大規(guī)模數(shù)據(jù)庫(kù)和處理任意形狀的聚類(lèi)對(duì)于大規(guī)模數(shù)據(jù)庫(kù)和處理任意形狀的聚類(lèi),這些算法需要進(jìn)這些算法需要進(jìn)一步擴(kuò)展一步擴(kuò)展2022-6-26K-means聚類(lèi)算法聚類(lèi)算法n算法描述算法描述1. 為中心向量c1, c2, , ck初始

3、化k個(gè)種子2. 分組: 將樣本分配給距離其最近的中心向量 由這些樣本構(gòu)造不相交（ non-overlapping ）的聚類(lèi)3. 確定中心: 用各個(gè)聚類(lèi)的中心向量作為新的中心4. 重復(fù)分組和確定中心的步驟，直至算法收斂2022-6-26K-means聚類(lèi)算法聚類(lèi)算法（續(xù)）（續(xù)）n算法的具體過(guò)程算法的具體過(guò)程1.從數(shù)據(jù)集 中任意選取k個(gè)賦給初始的聚類(lèi)中心c1, c2, , ck；2.對(duì)數(shù)據(jù)集中的每個(gè)樣本點(diǎn)xi，計(jì)算其與各個(gè)聚類(lèi)中心cj的歐氏距離并獲取其類(lèi)別標(biāo)號(hào)： 3.按下式重新計(jì)算k個(gè)聚類(lèi)中心；4.重復(fù)步驟2和步驟3，直到達(dá)到最大迭代次數(shù)、聚類(lèi)目標(biāo)函數(shù)達(dá)到最優(yōu)值或者兩次迭代得到的目標(biāo)函數(shù)變化小于給

4、定的為止。1Nnnx2( )argmin | ,1,.,1,.,ijjlabel iiN jkxc:( ),1,2,.,ss label sjjjcjkNx2022-6-26k-平均聚類(lèi)算法平均聚類(lèi)算法(續(xù)續(xù))n例例012345678910012345678910012345678910012345678910012345678910012345678910012345678910012345678910012345678910012345678910K=2任意選擇任意選擇 K個(gè)對(duì)個(gè)對(duì)象作為初始聚類(lèi)象作為初始聚類(lèi)中心中心將每個(gè)將每個(gè)對(duì)象賦對(duì)象賦給最類(lèi)給最類(lèi)似的中似的中心心更新簇更新簇的平均的平

5、均值值重新賦值重新賦值更新簇更新簇的平均的平均值值重新賦值重新賦值2022-6-26Matlab程序?qū)崿F(xiàn)程序?qū)崿F(xiàn)function M, j, e = kmeans(X, K, Max_Its)N,D=size(X);I=randperm(N);M=X(I(1:K),:);Mo = M;for n=1:Max_Its for k=1:K Dist(:,k) = sum(X - repmat(M(k,:),N,1).2,2); end i, j=min(Dist, , 2); for k=1:K if size(find(j=k)0 M(k, :) = mean(X(find(j=k), :);

6、end end2022-6-26Matlab程序?qū)崿F(xiàn)程序?qū)崿F(xiàn)（續(xù)）（續(xù)） Z = zeros(N,K); for m=1:N Z(m,j(m) = 1; end e = sum(sum(Z.*Dist)./N); fprintf(%d Error = %fn, n, e); Mo = M;end2022-6-26在圖像分割上的簡(jiǎn)單應(yīng)用在圖像分割上的簡(jiǎn)單應(yīng)用例例1：1. 圖片：一只遙望大海的小狗；2. 此圖為100 x 100像素的JPG圖片，每個(gè)像素可以表示為三維向量（分別對(duì)應(yīng)JPEG圖像中的紅色、綠色和藍(lán)色通道） ；3. 將圖片分割為合適的背景區(qū)域（三個(gè)）和前景區(qū)域（小狗）；4. 使用K-m

7、eans算法對(duì)圖像進(jìn)行分割。2022-6-26在圖像分割上的簡(jiǎn)單應(yīng)用在圖像分割上的簡(jiǎn)單應(yīng)用（續(xù)）（續(xù)）分割后的效果注：最大迭代次數(shù)為20次，需運(yùn)行多次才有可能得到較好的效果。2022-6-26在圖像分割上的簡(jiǎn)單應(yīng)用在圖像分割上的簡(jiǎn)單應(yīng)用（續(xù)）（續(xù)）例例2：注：聚類(lèi)中心個(gè)數(shù)為5，最大迭代次數(shù)為10。2022-6-26k-平均聚類(lèi)算法平均聚類(lèi)算法(續(xù)續(xù))n優(yōu)點(diǎn)優(yōu)點(diǎn): 相對(duì)有效性相對(duì)有效性: O(tkn), 其中其中 n 是對(duì)象數(shù)目是對(duì)象數(shù)目, k 是簇?cái)?shù)目是簇?cái)?shù)目, t 是迭代次數(shù)是迭代次數(shù); 通常通常, k, t n.n當(dāng)結(jié)果簇是密集的，而簇與簇之間區(qū)別明顯時(shí)，它的效果當(dāng)結(jié)果簇是密集的，而簇與簇

8、之間區(qū)別明顯時(shí)，它的效果較好較好2022-6-26k-平均聚類(lèi)算法平均聚類(lèi)算法(續(xù)續(xù))n弱點(diǎn)弱點(diǎn)n只有在簇的平均值只有在簇的平均值(mean)被定義的情況下才能使用被定義的情況下才能使用.可能不適用于可能不適用于某些應(yīng)用某些應(yīng)用, 例如涉及有例如涉及有分類(lèi)屬性分類(lèi)屬性的數(shù)據(jù)的數(shù)據(jù)n需要預(yù)先指頂簇的數(shù)目需要預(yù)先指頂簇的數(shù)目k, n不能處理噪音數(shù)據(jù)和孤立點(diǎn)不能處理噪音數(shù)據(jù)和孤立點(diǎn)(outliers)n不適合用來(lái)發(fā)現(xiàn)具有非凸形狀不適合用來(lái)發(fā)現(xiàn)具有非凸形狀(non-convex shapes)的簇的簇2022-6-26k-中心點(diǎn)聚類(lèi)方法中心點(diǎn)聚類(lèi)方法nk-平均值算法對(duì)孤立點(diǎn)很敏感平均值算法對(duì)孤立點(diǎn)很敏

9、感!n因?yàn)榫哂刑貏e大的值的對(duì)象可能顯著地影響數(shù)據(jù)的分布因?yàn)榫哂刑貏e大的值的對(duì)象可能顯著地影響數(shù)據(jù)的分布.nk-中心點(diǎn)中心點(diǎn)(k-Medoids): 不采用簇中對(duì)象的平均值作為參照不采用簇中對(duì)象的平均值作為參照點(diǎn)點(diǎn), 而是而是選用簇中位置最中心的對(duì)象選用簇中位置最中心的對(duì)象, 即中心點(diǎn)即中心點(diǎn)(medoid)作作為參照點(diǎn)為參照點(diǎn). 0123456789100123456789100123456789100123456789100123456789100123456789102022-6-26k-中心點(diǎn)聚類(lèi)方法中心點(diǎn)聚類(lèi)方法(續(xù)續(xù))n找聚類(lèi)中的代表對(duì)象找聚類(lèi)中的代表對(duì)象(中心點(diǎn)中心點(diǎn))nPAM (

10、Partitioning Around Medoids, 1987)n首先為每個(gè)簇隨意選擇選擇一個(gè)代表對(duì)象首先為每個(gè)簇隨意選擇選擇一個(gè)代表對(duì)象, 剩余的對(duì)象根據(jù)剩余的對(duì)象根據(jù)其與代表對(duì)象的距離分配給最近的一個(gè)簇其與代表對(duì)象的距離分配給最近的一個(gè)簇; 然后反復(fù)地用然后反復(fù)地用非代表對(duì)象來(lái)替代代表對(duì)象，以改進(jìn)聚類(lèi)的質(zhì)量非代表對(duì)象來(lái)替代代表對(duì)象，以改進(jìn)聚類(lèi)的質(zhì)量 nPAM 對(duì)于較小的數(shù)據(jù)集非常有效對(duì)于較小的數(shù)據(jù)集非常有效, 但不能很好地?cái)U(kuò)展到大但不能很好地?cái)U(kuò)展到大型數(shù)據(jù)集型數(shù)據(jù)集2022-6-26k-中心點(diǎn)聚類(lèi)方法中心點(diǎn)聚類(lèi)方法(續(xù)續(xù))n基本思想：基本思想：n首先為每個(gè)簇隨意選擇選擇一個(gè)代表對(duì)象首先

11、為每個(gè)簇隨意選擇選擇一個(gè)代表對(duì)象; 剩余的對(duì)象剩余的對(duì)象根據(jù)其與代表對(duì)象的距離分配給最近的一個(gè)簇；根據(jù)其與代表對(duì)象的距離分配給最近的一個(gè)簇；n然后反復(fù)地用非代表對(duì)象來(lái)替代代表對(duì)象然后反復(fù)地用非代表對(duì)象來(lái)替代代表對(duì)象, 以改進(jìn)聚類(lèi)以改進(jìn)聚類(lèi)的質(zhì)量；的質(zhì)量；n聚類(lèi)結(jié)果的質(zhì)量用一個(gè)代價(jià)函數(shù)來(lái)估算。聚類(lèi)結(jié)果的質(zhì)量用一個(gè)代價(jià)函數(shù)來(lái)估算。 21|jkijp CEpo2022-6-26k-中心點(diǎn)聚類(lèi)方法中心點(diǎn)聚類(lèi)方法(續(xù)續(xù))n為了判定一個(gè)非代表對(duì)象為了判定一個(gè)非代表對(duì)象Orandom 是否是當(dāng)前一個(gè)代表對(duì)象是否是當(dāng)前一個(gè)代表對(duì)象Oj的好的替代的好的替代, 對(duì)于每一個(gè)非代表對(duì)象對(duì)于每一個(gè)非代表對(duì)象p,考慮下面

12、的四種情況：考慮下面的四種情況： n第一種情況：第一種情況：p當(dāng)前隸屬于代表對(duì)象當(dāng)前隸屬于代表對(duì)象 Oj. 如果如果Oj被被Orandom所代替所代替, 且且p離離Oi最近最近, ij, 那么那么p被重新分配給被重新分配給Oi n第二種情況：第二種情況：p當(dāng)前隸屬于代表對(duì)象當(dāng)前隸屬于代表對(duì)象 Oj. 如果如果Oj 被被Orandom代替代替, 且且p離離Orandom最最近近, 那么那么p被重新分配給被重新分配給Orandom 1.重新分配給重新分配給Oi 2. 重新分配給重新分配給Orandom2022-6-26k-中心點(diǎn)聚類(lèi)方法中心點(diǎn)聚類(lèi)方法(續(xù)續(xù))n第三種情況：第三種情況：p當(dāng)前隸屬于當(dāng)

13、前隸屬于Oi，ij。如果如果Oj被被Orandom代替，而代替，而p仍然離仍然離Oi最近，最近，那么對(duì)象的隸屬不發(fā)生變化那么對(duì)象的隸屬不發(fā)生變化 n第四種情況：第四種情況：p當(dāng)前隸屬于當(dāng)前隸屬于Oi，ij。如果如果Oj被被Orandom代替，且代替，且p離離Orandom最近，最近，那么那么p被重新分配給被重新分配給Orandom 3. 不發(fā)生變化不發(fā)生變化 4.重新分配給重新分配給Orandom2022-6-26k-中心點(diǎn)聚類(lèi)方法中心點(diǎn)聚類(lèi)方法(續(xù)續(xù))n算法算法: k-中心點(diǎn)中心點(diǎn)(1) 隨機(jī)選擇隨機(jī)選擇k個(gè)對(duì)象作為初始的代表對(duì)象；個(gè)對(duì)象作為初始的代表對(duì)象；(2) repeat(3) 指派每

14、個(gè)剩余的對(duì)象給離它最近的代表對(duì)象所代表的簇；指派每個(gè)剩余的對(duì)象給離它最近的代表對(duì)象所代表的簇；(4) 隨意地選擇一個(gè)非代表對(duì)象隨意地選擇一個(gè)非代表對(duì)象Orandom；(5) 計(jì)算用計(jì)算用Orandom代替代替Oj的總距離的總距離E, 如果如果E比取代前下降則則用比取代前下降則則用Orandom替替 換換Oj，形成新的形成新的k個(gè)代表對(duì)象的集合，返回（個(gè)代表對(duì)象的集合，返回（4）；）； (6) until 不發(fā)生變化不發(fā)生變化(7) 如果所有非代表對(duì)象都無(wú)法取代已存在的簇中心，則結(jié)束替代過(guò)程，并輸如果所有非代表對(duì)象都無(wú)法取代已存在的簇中心，則結(jié)束替代過(guò)程，并輸出結(jié)果出結(jié)果2022-6-26PAM

15、(續(xù)續(xù))Total Cost = 20012345678910012345678910K=2Arbitrary choose k object as initial medoidsAssign each remaining object to nearest medoidsRandomly select a nonmedoid object,OramdomCompute total cost of swapping012345678910012345678910Total Cost = 26Swapping O and Oramdom If quality is improved.Do loo

16、pUntil no change0123456789100123456789102022-6-26PAM(續(xù)續(xù))n當(dāng)存在噪音和孤立點(diǎn)時(shí)當(dāng)存在噪音和孤立點(diǎn)時(shí), PAM 比比 k-平均方法更健壯平均方法更健壯. 這是因?yàn)橹行狞c(diǎn)不象平均值那么容易被極端數(shù)據(jù)影這是因?yàn)橹行狞c(diǎn)不象平均值那么容易被極端數(shù)據(jù)影響響 nPAM對(duì)于小數(shù)據(jù)集工作得很好對(duì)于小數(shù)據(jù)集工作得很好, 但不能很好地用于但不能很好地用于大數(shù)據(jù)集大數(shù)據(jù)集 n每次迭代每次迭代O(k(n-k)2 )其中其中 n 是數(shù)據(jù)對(duì)象數(shù)目是數(shù)據(jù)對(duì)象數(shù)目, k 是聚類(lèi)數(shù)是聚類(lèi)數(shù)基于抽樣的方法基于抽樣的方法, CLARA(Clustering LARge Appl

17、ications)2022-6-26CLARA (Clustering Large Applications) (1990)nCLARA (Kaufmann and Rousseeuw in 1990)n不考慮整個(gè)數(shù)據(jù)集不考慮整個(gè)數(shù)據(jù)集, 而是選擇數(shù)據(jù)的一小部分作為樣本而是選擇數(shù)據(jù)的一小部分作為樣本n它從數(shù)據(jù)集中抽取多個(gè)樣本集它從數(shù)據(jù)集中抽取多個(gè)樣本集, 對(duì)每個(gè)樣本集使用對(duì)每個(gè)樣本集使用PAM, 并并以最好的聚類(lèi)作為輸出以最好的聚類(lèi)作為輸出n優(yōu)點(diǎn)優(yōu)點(diǎn): 可以處理的數(shù)據(jù)集比可以處理的數(shù)據(jù)集比 PAM大大n缺點(diǎn)缺點(diǎn):n有效性依賴于樣本集的大小有效性依賴于樣本集的大小n基于樣本的好的聚類(lèi)并不一定是基

18、于樣本的好的聚類(lèi)并不一定是 整個(gè)數(shù)據(jù)集的好的聚類(lèi)整個(gè)數(shù)據(jù)集的好的聚類(lèi), 樣本可能發(fā)生傾斜樣本可能發(fā)生傾斜n 例如例如, Oi是最佳的是最佳的k個(gè)中心點(diǎn)之一個(gè)中心點(diǎn)之一, 但它不包含在樣本中但它不包含在樣本中, CLARA將找不到將找不到最佳聚類(lèi)最佳聚類(lèi)2022-6-26CLARA - 效率n由取樣大小決定nPAM 利用完整資料集CLARA 利用取樣資料集盲點(diǎn)：取樣范圍不包含最佳解 sampledbestTrade-off232022-6-26CLARA 改良n解決：CLARANS (Clustering Large Application based upon RANdomized Searc

19、h)n應(yīng)用 graphn考慮緊鄰節(jié)點(diǎn)n不局限于區(qū)域性n復(fù)雜度：O(n2) 缺點(diǎn)242022-6-26nCLARA的有效性主要取決于樣本的大小。如果任何一個(gè)最佳抽樣中心點(diǎn)不在最佳的K個(gè)中心之中，則CLARA將永遠(yuǎn)不能找到數(shù)據(jù)集合的最佳聚類(lèi)。同時(shí)這也是為了聚類(lèi)效率做付出的代價(jià)。 n CLARANS聚類(lèi)則是將CLARA和PAM有效的結(jié)合起來(lái)，CLARANS在任何時(shí)候都不把自身局限于任何樣本，CLARANS在搜素的每一步都以某種隨機(jī)性選取樣本。算法步驟如下 CLARANS (“Randomized” CLARA) (1994)2022-6-26CLARANS (“Randomized” CLARA)

20、(1994)nCLARANS (A Clustering Algorithm based on Randomized Search) (Ng and Han94)nCLARANS將采樣技術(shù)和將采樣技術(shù)和PAM結(jié)合起來(lái)結(jié)合起來(lái)nCLARA在搜索的每個(gè)階段有一個(gè)固定的樣本在搜索的每個(gè)階段有一個(gè)固定的樣本nCLARANS任何時(shí)候都不局限于固定樣本任何時(shí)候都不局限于固定樣本, 而是在搜索的每一步帶一而是在搜索的每一步帶一定隨機(jī)性地抽取一個(gè)樣本定隨機(jī)性地抽取一個(gè)樣本 n聚類(lèi)過(guò)程可以被描述為聚類(lèi)過(guò)程可以被描述為對(duì)一個(gè)圖的搜索對(duì)一個(gè)圖的搜索, 圖中的每個(gè)節(jié)點(diǎn)圖中的每個(gè)節(jié)點(diǎn)是一個(gè)潛在的解是一個(gè)潛在的解, 也就

21、是說(shuō)也就是說(shuō) k -medoidsn相鄰節(jié)點(diǎn)：代表的集合只有一個(gè)對(duì)象不同相鄰節(jié)點(diǎn)：代表的集合只有一個(gè)對(duì)象不同n在替換了一個(gè)代表對(duì)象后得到的聚類(lèi)結(jié)果被稱為當(dāng)前聚類(lèi)在替換了一個(gè)代表對(duì)象后得到的聚類(lèi)結(jié)果被稱為當(dāng)前聚類(lèi)結(jié)果的鄰居結(jié)果的鄰居 2022-6-26CLARANS(續(xù)續(xù))n如果一個(gè)更好的鄰居被發(fā)現(xiàn)如果一個(gè)更好的鄰居被發(fā)現(xiàn), CLARANS移到該鄰居節(jié)點(diǎn)移到該鄰居節(jié)點(diǎn), 處處理過(guò)程重新開(kāi)始理過(guò)程重新開(kāi)始, 否則當(dāng)前的聚類(lèi)達(dá)到了一個(gè)局部最優(yōu)否則當(dāng)前的聚類(lèi)達(dá)到了一個(gè)局部最優(yōu)n如果找到了一個(gè)局部最優(yōu)如果找到了一個(gè)局部最優(yōu), CLARANS從隨機(jī)選擇的節(jié)點(diǎn)開(kāi)從隨機(jī)選擇的節(jié)點(diǎn)開(kāi)始尋找新的局部最優(yōu)始尋找新的

22、局部最優(yōu)n實(shí)驗(yàn)顯示實(shí)驗(yàn)顯示CLARANS比比PAM和和CLARA更有效更有效 nCLARANS能夠探測(cè)孤立點(diǎn)能夠探測(cè)孤立點(diǎn) n聚焦技術(shù)和空間存取結(jié)構(gòu)可以進(jìn)一步改進(jìn)它的性能聚焦技術(shù)和空間存取結(jié)構(gòu)可以進(jìn)一步改進(jìn)它的性能 (Ester et al.95)2022-6-26n1、輸入?yún)?shù)numlocal和maxneighbor。numlocal 表示抽樣的次數(shù)， maxneighbor 表示一個(gè)節(jié)點(diǎn)可以與任意特定鄰居進(jìn)行比較的數(shù)目。 令：i=1，i用來(lái)表示已經(jīng)選樣的次數(shù) mincost為最小代價(jià)，初始時(shí)設(shè)為大數(shù)。 n2、設(shè)置當(dāng)前節(jié)點(diǎn)current為Gn中的任意一個(gè)節(jié)點(diǎn)。 n3、令j =1。（j用來(lái)表示

23、已經(jīng)與current進(jìn)行比較的鄰居的個(gè)數(shù)） n4、考慮當(dāng)前點(diǎn)的一個(gè)隨機(jī)的鄰居S，并計(jì)算兩個(gè)節(jié)點(diǎn)的代價(jià)差。n5、如果S的代價(jià)較低，則current:=S，轉(zhuǎn)到步驟3。 n6、否則，令j=j+1。如果jmaxneighbor，當(dāng)前節(jié)點(diǎn)為本次選樣最小代價(jià)節(jié)點(diǎn). 如果其代價(jià)小于mincost,令mincost為當(dāng)前節(jié)點(diǎn)的代價(jià)，bestnode為當(dāng)前的節(jié)點(diǎn)。 n8、令 i= i+1，如果inumlocal,輸出bestnode，運(yùn)算中止.否則，轉(zhuǎn)到步驟2。 CLARANS (“Randomized” CLARA) (1994)2022-6-26n1）代價(jià)值，主要描述一個(gè)對(duì)象被分到一個(gè)類(lèi)別中的代價(jià)值，該代

24、價(jià)值由每個(gè)對(duì)象與其簇中心點(diǎn)間的相異度（距離或者相似度）的總和來(lái)定義。代價(jià)差則是兩次隨機(jī)領(lǐng)域的代價(jià)差值。 n （2）更新鄰接點(diǎn)，CLARANS不會(huì)把搜索限制在局部區(qū)域，如果發(fā)現(xiàn)一個(gè)更好的近鄰，CLARANS就移到該近鄰節(jié)點(diǎn)，處理過(guò)程從新開(kāi)始；否則，當(dāng)前的聚類(lèi)則產(chǎn)生了一個(gè)局部最小。如果找到一個(gè)局部最小，CLARANS從隨機(jī)選擇的新節(jié)點(diǎn)開(kāi)始，搜索新的局部最小。當(dāng)搜索的局部最小解達(dá)到用戶指定的數(shù)目時(shí)，最好的局部最小作為算法的輸出。從上面的算法步驟也可以看出這一思想。在第5步中更新節(jié)點(diǎn)current。CLARANS (“Randomized” CLARA) (1994)2022-6-26綜合比較K meansK medoidsCLARACLARANS優(yōu)點(diǎn)優(yōu)點(diǎn)簡(jiǎn)單簡(jiǎn)單不受不受極值影響極值影響可可處理大數(shù)據(jù)處理大數(shù)據(jù)找到最佳解找到最佳解缺缺點(diǎn)點(diǎn)受極值影響受極值影響無(wú)法處理大數(shù)據(jù)無(wú)法處理大數(shù)據(jù)不一定不一定是是最佳解最佳解速度慢速度慢復(fù)雜復(fù)雜度度O(nkt)O(k(n-k)2)O(ks2+k(n-k)O(n2)精確度精確度速度速度302022-6-26作業(yè)作業(yè)n編程實(shí)現(xiàn)編程實(shí)現(xiàn)K-means算法針對(duì)算法針對(duì)UCI的的waveform數(shù)數(shù)據(jù)集中每類(lèi)數(shù)據(jù)取據(jù)集中每類(lèi)數(shù)據(jù)取100個(gè)；對(duì)一副無(wú)噪圖像進(jìn)行個(gè)；對(duì)一副無(wú)