knn
k-means
目的是為了確定乙個點的分類
目的是為了將一系列點集分成k類
knn是分類演算法
k-means是聚類演算法
監督學習，分類目標事先已知
非監督學習，將相似資料歸到一起從而得到分類，沒有外部分類
訓練資料集有label，已經是完全正確的資料
訓練資料集無label，是雜亂無章的，經過聚類後才變得有點順序，先無序，後有序
沒有明顯的前期訓練過程，屬於memory-based learning
有明顯的前期訓練過程
k的含義：「k」是用來計算的相鄰資料數。來了乙個樣本x，要給它分類，即求出它的y，就從資料集中，在x附近找離它最近的k個資料點，這k個資料點，類別c佔的個數最多，就把x的label設為c
k的含義：「k」是類的數目。k是人工固定好的數字，假設資料集合可以分為k個簇，由於是依靠人工定好，需要一點先驗知識
k值確定後每次結果固定
k值確定後每次結果可能不同，從 n個資料物件任意選擇 k 個物件作為初始聚類中心，隨機性對結果影響較大
時間複雜度：o（n）
時間複雜度：o(n*k*t)，t為迭代次數
相似點：都包含這樣的過程，給定乙個點，在資料集中找離它最近的點。即二者都用到了nn(nears neighbor)演算法，一般用kd樹來實現nn。
參考引用：
k-means:
K Means聚類演算法
k means聚類演算法 intergret kmeans演算法的基本思想是初始隨機給定k個簇中心，按照最鄰近原則把待分類樣本點分到各個簇。然後按平均法重新計算各個簇的質心，從而確定新的簇心。一直迭代，直到簇心的移動距離小於某個給定的值。k means聚類演算法主要分為三個步驟 1 第一步是為待聚類...
聚類演算法 K means
演算法接受引數 k 然後將事先輸入的n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中物件的均值所獲得乙個 中心物件 引力中心 來進行計算的。k means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演...
k means聚類演算法
說到聚類，得跟分類區別開來，分類是按人為給定的標準將樣本歸到某個類別中去，在機器學習中多是監督學習，也就是訓練樣本要給標籤 正確的類別資訊 而聚類是在某種規則下自動將樣本歸類，在機器學習中是無監督學習，不需要提前給樣本打標籤。k means聚類演算法，就是在某種度量方式下，將樣本自動劃分到k個類別中...