シンプル、粗理解、機械学習クラスタリングアルゴリズム（III）の実装：工程、ケースをクラスタリングアルゴリズム実装プロセス、k平均クラスタリング

クラスタリングアルゴリズム

学習目標

• マスタークラスタリングアルゴリズムの実装プロセス
• 私たちは、理論、アルゴリズムK-手段を知っています
• 私たちは、評価モデルのクラスタリングアルゴリズムを知っています
• K-手段の長所と短所
• 道クラスタリングアルゴリズムの最適化を理解します
• アプリケーション関数kmeansクラスタリングタスクを達成
  

6.3クラスタリングアルゴリズムの実装工程

K-手段は、実際には2つの要素が含まれています。

K：最初の中心点の数（クラスタの平面数）

手段：の平均値からの他のデータ点の中心点を見つけます

1 k平均クラスタリングステップ

• 1、K初期クラスタ中心として特徴空間のランダムなセットポイント
• 図2は、Kは、他の中心点のそれぞれについて算出された距離、未知点は、マーカカテゴリとして、最も近いクラスタ中心を選択します
• 3、次にタグに対するクラスタ中心の後、各クラスタの中心点の再計算（平均）
• 4、次に中心点として、元の新しい中心点と計算結果（重心はもはや動く）、終了、そうでなければ再びステッププロセスであれば

図は、以下の方法により達成説明しました：

Kクラスタリング図の動的効果

2ケース演習

• ケース：

• K初期クラスタ中心として特徴空間における1、ランダムセットポイント（この場合、P1とP2を提供）

図2は、Kは、他の中心点のそれぞれについて算出された距離、未知点は、マーカカテゴリとして、最も近いクラスタ中心を選択します

3、次にタグに対するクラスタ中心の後、各クラスタの中心点の再計算（平均）

[判定、反復の新しいラウンドを開始するために、上記の手順を繰り返す必要後] 4、元の中心点（重心はもはや動く）、終了として算出された新たな中心点であれば、そうでなければ再ステッププロセス

同じ結果が収束し、クラスタリングが完了したことを、各反復が、5、K-手段が停止され、選択プロセスに分類することができないが、質量の中心となっています。

3まとめ

プロセス：

• 事前に定数Kを決定し、Kはクラスタのカテゴリの定数最終的な数を意味します。
• 最初のランダム重心の初期点として選択され、各サンプルと重心（ここで、ユークリッド距離）との類似度を計算することによって、最も類似クラスに正規化サンプル点、
• 次に、再計算された各クラスタの重心（すなわち、クラスタ中心）まで、このプロセスを繰り返す重心もはや変化、
• 最終的には、各サンプルのカテゴリ属しており、各クラスの重心を決定します。

注意：

• 毎回ため試料とそれぞれの重心間の類似性の計算、その結果、K平均アルゴリズムの収束速度より遅い大規模なデータセットに。