K-means算法概述

2021-12-18 20:38:34宋庆兰
计算机与网络 2021年20期

宋庆兰

随着经济、科技的发展产生了大量的数据和爆炸的信息,传统的处理方法已不能高效快速地对这庞大的数据进行分析,云计算和大数据应运而生。当前大数据已经渗透到了人们生活的各个领域,比如:金融行业,医学行业和管理行业等,其中以IT行业最为明显,大数据分析最常用的分析方法就是聚类分析。聚类分析的方法大部分可以应用于所有对象,簇内的对象相似度越高,聚类的效果就越好,聚类算法为了得到改进,试图将相似的对象归入同一簇,不相似的对象归到不同簇。很明显,我们需要一种合适的相似度计算方法,目前已经知道的相似度的计算方法有欧氏距离、余弦距离以及汉明距离等,在应用中要根据实际情况选择合适的相似度计算方法。当然,任何一种算法都存在一定的缺陷,K-means算法也有它的不足之处,但是可以通过一些方法处理后得到更好的聚类结果。

K-means算法

随机从样本数据中输入聚类个数,还有数据库,此数据库包含个数据对象,然后输出满足方差最小标准个聚类,就是K-means算法。K-means算法接受输入量;为了满足所获得的聚类,将个数据对象划分为个聚类:相似度较高的为同一聚类中的对象;而不同聚类中的对象相似度较小。

K-means聚类算法的具体流程:

(1)任意选取个对象作为初始聚类中心;

(2)计算各个对象与中心对象的距离;并根据最小距离对这些对象重新进行划分;

(3)计算那些重新划分的对象;

(4)计算标准测度函数,当满足一定条件时算法终止;……

登录APP查看全文