剛剛寫了篇分級聚類的，趁著餘熱，再寫一下關於k-均值聚類的。
為了突出k-均值聚類的特點，先黑一下分級聚類。跟k-均值聚模擬起來，分級聚類演算法有一下缺點：第一，的那個沒有額外投入的時候，樹形試圖是不會真正將資料拆分成不同組的。第二，分級聚類的計算演算法計算量相當大。當兩個節點合併之後，節點之間的距離需要重新計算，當資料量較大時，計算量急速上公升，不利於聚類分析。
接著，開始介紹k-均值聚類。k-均值聚類演算法開始時，先隨即生成k個中心位置，然後根據一下演算法執行：
1，計算各個節點到各個中心點的距離
2，對於每個節點，找到與之最近的中心點，將其歸為該類。
3，對步驟二劃分好的的每一類中的節點取均值，作為新的中心點。
4，重複執行第一步、第二步、第三步。
k均值聚類
k均值聚類就是利用歐氏距離的度量將距離相近的樣本分為k類 a.假設有m個樣本，首先隨機選擇k個樣本作為聚類的質心 要分成k類 b.然後對於每個樣本，計算它到每個質心的距離，將它歸類於距離最小的那個質心 c.接著對初步分類的k個類別重新計算該類的質心，也就是對每個類別的樣本座標求平均 d.重複 b 步...
k均值聚類演算法
輸入 簇的數目k和包含n個物件的資料庫。輸出 k個簇，使平方誤差準則最小。演算法步驟 1.為每個聚類確定乙個初始聚類中心，這樣就有k 個初始聚類中心。2.將樣本集中的樣本按照最小距離原則分配到最鄰近聚類 3.使用每個聚類中的樣本均值作為新的聚類中心。4.重複步驟2.3直到聚類中心不再變化。5.結束，...
k均值聚類 K means
分類作為一種監督學習方法，要求必須事先明確知道各個類別的資訊，並且斷言所有待分類項都有乙個類別與之對應。但是很多時候上述條件得不到滿足，尤其是在處理海量資料的時候，如果通過預處理使得資料滿足分類演算法的要求，則代價非常大，這時候可以考慮使用聚類演算法。聚類屬於無監督學習，相比於分類，聚類不依賴預定義...