知识卡片
簇内平方和随簇数下降
簇内平方和衡量样本离各自中心有多远。固定 K 时,可在多次初始化中比较该值。增大 K 允许用更多中心逼近样本,通常会降低平方和,因此还需看改进幅度、分组稳定性和业务可解释性。
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。
在整书笔记中的位置
原书出处 · 1 处
- K-means聚类算法 6.3.1 · 查看原书依据
r,误差平方和)其实就是每一个点到其簇内质心的距离的平方值的总和,这个数值对应kmeans函数中clusterAssment矩阵的第一列之和。SSE值越小表示数据点越接近于它们的质心,聚类效果也越好。因为对误差取了平
参考来源
- 位置:《AI制胜:机器学习极简入门》第6章 K-means聚类算法 §6.3.1(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter6.xhtml#isbn9787302555513_6_1_3_1)
- 结论依据:原文定义 SSE,并将重复运行与选择 K 都放入实际建模。
- 原始内容:r,误差平方和)其实就是每一个点到其簇内质心的距离的平方值的总和,这个数值对应kmeans函数中clusterAssment矩阵的第一列之和。SSE值越小表示数据点越接近于它们的质心,聚类效果也越好。因为对误差取了平