知识卡片
K均值交替分配和更新
初始选 K 个中心。对每个样本找最近中心,完成一次分配。随后对每簇取均值,更新中心。重复这两步,每步都不会提高平方误差目标,最终可能收敛到依赖初值的局部解。
[[质心是簇内逐维均值]]。质心均值在交替优化时充当中心更新步骤。
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
- 9.2 K-means聚类的算法原理 · 查看原书依据
第二步是关键。对于聚成的K个簇,需要重新选取质心。这里运用了多数表决原则,根据一个簇内所有样本点各自的维度值来求均值,得到该簇的新的坐标值。
参考来源
- 位置:《机器学习算法的数学解析与Python实现》9.2 K-means聚类的算法原理(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00097.html`)
- 结论依据:本节明确把聚类拆成最近质心分配及重新求均值。
- 原始内容:第二步是关键。对于聚成的K个簇,需要重新选取质心。这里运用了多数表决原则,根据一个簇内所有样本点各自的维度值来求均值,得到该簇的新的坐标值。