kmeans算法(算法-數(shù)據(jù)-代碼)課件

K-means聚類算法K-means聚類算法聚類分析概念1K-means算法2K-means實驗-國民健康3K-means實驗-圖像分割4K-means實驗-商戶評級5目錄聚類分析概念1K-means算法2K-means實驗-國民健1.聚類分析概念聚類與分類的不同在于：分類簡單來說，就是根據(jù)文本的特征或?qū)傩?，劃分到已有類別中。也就是說，這些類別是已知的，通過對已知分類的數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)，找到這些不同類的特征，再對未分類的數(shù)據(jù)進行分類。聚類的理解更簡單，就是你壓根不知道數(shù)據(jù)會分為幾類，通過聚類分析將數(shù)據(jù)或者說用戶聚合成幾個群體，那就是聚類了。聚類不需要對數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)。1.聚類分析概念聚類與分類的不同在于：2.K-means算法Q1：K是什么？A1：k是聚類算法當(dāng)中類的個數(shù)。Summary：Kmeans是用均值算法把數(shù)據(jù)分成K個類的算法！Q2：means是什么？A2：means是均值算法。2.K-means算法Q1：K是什么？A1：k是聚類算法當(dāng)中2.K-means算法距離的定義歐式距離：N維空間點或向量的距離曼哈頓距離：城市街區(qū)距離夾角余弦：向量方向的差異相關(guān)系數(shù)：信息熵：

2.K-means算法距離的定義歐式距離：2.K-means算法K-means算法詳解步驟一：取得k個初始中心點從數(shù)據(jù)中隨機抽取k個點作為初始聚類的中心，由這個中心代表各個聚類2.K-means算法K-means算法詳解步驟一：取得k個2.K-means算法K-means算法詳解MinofthreeduetotheEuclidDistance步驟二：把每個點劃分進相應(yīng)的簇根據(jù)歐氏距離最小原則，把每個點劃分進相應(yīng)的簇2.K-means算法K-means算法詳解Minof2.K-means算法K-means算法詳解MinofthreeduetotheEuclidDistance步驟三：重新計算中心點根據(jù)均值等方法，重新計算每個類的中心點2.K-means算法K-means算法詳解Minof2.K-means算法K-means算法詳解步驟四：迭代計算中心點重復(fù)第二步和第三步2.K-means算法K-means算法詳解步驟四：迭代計算2.K-means算法K-means算法詳解步驟五：收斂聚類中心不再發(fā)生移動2.K-means算法K-means算法詳解步驟五：收斂聚類3.K-means實驗-國民健康數(shù)據(jù)示意圖國家和地區(qū)嬰兒死亡率（‰）出生時平均預(yù)期壽命/歲1990年2000年2006年1990年2000年2006年中國36.329.920.168.970.372中國香港77.480.981.6孟加拉國1006651.654.86163.7文萊108874.276.277.1柬埔寨84.57864.854.956.558.9印度806857.459.162.964.5印度尼西亞603626.461.765.868.2伊朗54363064.868.970.7以色列105.64.276.67980日本4.63.22.678.881.182.3哈薩克斯坦50.537.125.868.365.566.2朝鮮42424269.966.867韓國854.571.375.978.5老撾120775954.660.963.9馬來西亞16119.870.372.674蒙古78.547.634.262.765.167.2緬甸917874.45960.161.6巴基斯坦1008577.859.16365.2菲律賓41302465.669.671.4新加坡6.72.92.374.378.179.9斯里蘭卡25.616.111.271.273.675泰國25.711.77.26768.370.2越南382314.664.869.170.8埃及66.74028.962.268.871尼日利亞12010798.647.246.946.8南非45505661.948.550.7加拿大6.84.977.479.280.4墨西哥41.531.629.170.97474.5美國9.46.96.575.27777.8[X,textdata]=xlsread('examp09_04.xls');row=~any(isnan(X),2);X=X(row,:);countryname=textdata(3:end,1);countryname=countryname(row);X=zscore(X);startdata=X([8,27,42],:);idx=kmeans(X,3,'Start',startdata);[S,H]=silhouette(X,idx);代碼3.K-means實驗-國民健康數(shù)據(jù)示意圖國家和地區(qū)嬰兒死亡輪廓圖聚類結(jié)果3.K-means實驗-國民健康輪廓圖聚類結(jié)果3.K-means實驗-國民健康4.K-means實驗-圖像分割灰度圖代碼分割后二值圖像4.K-means實驗-圖像分割灰度圖代碼分割后二值圖像4.K-means實驗-圖像分割真彩圖4.K-means實驗-圖像分割真彩圖4.K-means實驗-商戶評價數(shù)據(jù)示意圖代碼大眾點評網(wǎng)上1000家商戶的評分4.K-means實驗-商戶評價數(shù)據(jù)示意圖代碼大眾點評網(wǎng)上14.K-means實驗-商戶評價聚類結(jié)果MINMAX