机器学习和聚类方法基础（）2020/12/3聚类方法第 9-1 课聚类方法分区方法（），基于原型的聚类（） :K- 均值层次聚类（）基于密度的聚类（）2020/12/3聚类方法第 9-2 课K 均值算法 (K)以中心为基础集群是一组对象，使得集群中的一个对象比任何其他集群的中心更接近（更相似）集群的“中心”星团的中心叫做质心每个点被分配到具有最接近质心的聚类中通常应该指定群集的数量2020/12/3聚类方法第 9-3 课K 均值算法将 {x1 ，…， xn} 划分为 K 个簇（ K 是预定义的）初始化指定初始群集中心（质心）迭代直到没有变化对于每个对象 xi （群集分配）计算 xi 和 K 个质心之间的距离（重新）将 xi 分配给质心最接近 xi 的群集根据当前分配更新群集质心（更新群集质心）2020/12/3聚类方法第 9-4 课K 均值 : 初始化2020/12/3聚类方法第 9-5 课K 均值聚类 : 聚类分配2020/12/3聚类方法第 9-6 课K-means 聚类 : 更新聚类质心2020/12/3聚类方法第 9-7 课误差平方和 (SSE)K- 均值 :假设集群 Ci 的质心是 UI对于 Ci 中的每个对象 x ，计算 x 和质心 UI 之间的平方误差求出所有对象的误差2020/12/3聚类方法第 9-8 课K 均值2020/12/3聚类方法第 9-9 课关于 K- 均值方法的评述力量效率 :O(tkn) ，其中 n 是 # 个对象， k 是 # 个簇， t是 # 个迭代。正常情况下， k ， t<
