知识卡片
K均值关键在初值
K-means 先选 k 个初始中心,把每个对象分到最近的中心,再用各类均值更新中心,反复迭代直到收敛,使类内尽量紧凑、类间尽量分开。它最大的优势是简洁、快速,关键在于初始中心的选择和距离公式,而且必须事先指定 K。不想硬性指定 K 时,可先用 Canopy 粗聚类确定类别数,再交给 K-means,或改用 MeanShift。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
原书出处
参考来源
- 位置:《分布式机器学习实战》第5章《Mahout分布式机器学习平台》(源文件:_epub-src/OEBPS/Text/chapter5.xhtml)
- 结论依据:原文说明K-means以k个点为中心聚类,迭代更新各聚类中心直至最好结果;最大优势是简洁和快速,关键在于初始中心的选择和距离公式;需要指定K值;Canopy常与K-means一起使用,优势是不用自己指定K值;MeanShift也不需要指定K。
- 原始内容:该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。……和K-means相比的优势是不用自己制定K值