《数学应用模型：聚类分析—K均值算法ppt课件.ppt》由会员分享，可在线阅读，更多相关《数学应用模型：聚类分析—K均值算法ppt课件.ppt（16页珍藏版）》请在三一办公上搜索。
1、聚类分析 K均值算法,聚类分析是一种重要的人类活动，通过自动聚类能够识别对象空间中稠密和稀疏区域，从而发现全局分布模式和数据属性之间有趣的相关。目前已应用于许多方面：数据挖掘和市场研究、模式识别、数据分析和图像处理,聚类是将一批数据依据它们的相似特征归类，使人们能够对数据进行概括性的理解。,簇是数据对象的集合，这些对象与同一个簇中的对象彼此相识，而与其他簇中对象相异。一个数据对象簇可以看做一个组，因此可以看做一种数据压缩形式,聚类算法分类:,划分方法：K均值和K中心方法层次方法基于密度的方法基于网络的方法,其中的k均值聚类算法是最流行和 最受关注的一种聚类分析算法,K均值过程概述：,1. K均
2、值算法：已K为输入参数，把n个对象的集合分为K个簇，使得结果簇内的相似度高，而簇间的相似度低。簇的相似度是关于簇中对象的均值度量，可以看做簇的质心或重心。,2. K均值输入：,K：簇的数目D:包含n个对象的数据集。,3. K均值输出：k个簇的集合。,4. K均值方法,从D中任意选择k个对象作为初始簇中心；repeat根据簇中对象的均值，将每个对象再指派到最相似的簇；更新簇均值，即计算每个簇中对象的均值；until不再发生变化,例题：假设有一个对象集合，分布在图a矩形所表示空间中。令k=3，即用户要求将这些对象划分成三簇。,首先任意选择三个对象作为三个初始的簇中心用“ ”来标注。根据对象与簇中心
3、的距离，每个对象分布于最近的簇，这种分布形成图a中点划线所描绘的轮廓。,图a,下一步，更新簇中心。也就是说，根据簇中的当前对象，重新计算每个簇的均值。使用这些新的簇的中心，将对象重新分布到簇中心最近的簇中，这样的重新分布形成了图b中虚线所描绘的新轮廓。,图b,以上过程的迭代，导致图c的情况。即把对象重新分配到各个簇以改进划分结果的过程称迭代重定位。最终，簇中对象的重新分布不再发生，处理过程结束，聚类过程返回结果簇。,图c,第1个聚簇为：X9#105 , X9#1078 , X9#1081 , X9#1082 , X9#1088 , X9#1090 , X9#110 , X9#1110 , X9
4、#113 , X9#1132 , X9#1133 , X9#1136 , X9#114 , X9#1154 , X9#1191 , X9#1197 , X9#1213 , X9#1229 , X9#1230 , X9#1231 , X9#1234 , X9#1236 , X9#1241 , X9#1242 , X9#1243 , X9#1246 , X9#1249 , X9#1251 , X9#1252 , X9#1253 , X9#1256 , X9#1273 , X9#1280 , X9#1282 , X9#1283 , X9#1284 , X9#1287 , X9#1288 , X9#1
5、290 , X9#1291 , X9#1295 , X9#1297 , X9#1300 , X9#1316 , X9#132 , X9#133 , X9#1348 , X9#1350 , X9#1352 , X9#1353 , X9#1354 , X9#1355 , X9#1356 , X9#1358 , X9#1359 , X9#1360 , X9#138 , X9#1387 , X9#1389 , X9#1390 , X9#1391 , X9#1392 , X9#1417 , X9#144 , X9#1463 , X9#1465 , X9#1466 , X9#147 , 第2个聚簇为：X9
6、#1058 , X9#1089 , X9#1105 , X9#1114 , X9#1144 , X9#1146 , X9#1147 , X9#1152 , X9#1156 , X9#1244 , X9#1272 , X9#1275 , X9#1285 , X9#1289 , X9#1315 , X9#1328 , X9#136 , X9#146 , X9#1460 , X9#1467 , X9#358 , X9#407 , X9#465 , X9#466 , X9#483 , X9#489 , X9#490 , X9#496 , X9#501 , X9#512 , X9#516 , X9#51
7、8 , X9#61 , X9#652 , X9#70 , X9#71 , X9#764 , X9#767 , X9#78 , X9#88 , X9#93 ,第3个聚簇为：X9#1061 , X9#1062 , X9#1069 , X9#1070 , X9#1071 , X9#1076 , X9#1077 , X9#1093 , X9#1096 , X9#1113 , X9#1127 , X9#1138 , X9#1150 , X9#1160 , X9#1161 , X9#1162 , X9#1165 , X9#1203 , X9#1228 , X9#1232 , X9#1235 , X9#12
8、40 , X9#1247 , X9#1254 , X9#1258 , X9#1259 , X9#1260 , X9#1262 , X9#1263 , X9#1264 , X9#1266 , X9#1267 , X9#1269 , X9#127 , X9#1303 , X9#1304 , X9#1309 , X9#1310 , X9#1312 , X9#1317 , X9#1386 , X9#1388 , X9#1393 , X9#1461 , X9#1468 , X9#1472 , X9#1473 , X9#1479 , X9#1480 , X9#1482 , X9#1483 , X9#1485 , X9#1486 ,谢谢！,
