Stanford 机器学习-clustering
2016-05-09 16:27
113 查看
clustering
13.2 K-Means Algorithm
输入K和训练集,K代表聚类后的cluster数目。
μi\mu_{i} 是指第i个聚类中心点,首先随机指定k个聚类的中心。
第一步:对于每个点,选取离这个点最近的中心为该点的分类。
第二步:根据分类后的结果,进行聚类中心μi\mu_{i} 的更新
13.3 Optimization Objective
从公式可以看出优化目标就是最小化所有数据与其聚类中心的欧氏距离和。
13.4 Random Initialization
随机选取k个点作为中心
避免得到局部最优解的办法是:进行多次初始化,多次优化,从中选取最好的结果。
13.5 Choosing the Number of Clusters
可视化,自己选。相关文章推荐
- Oracle alert_sid.log属组变为root不影响数据库正常运行
- 在oracle数据库中删除表后,怎样把占用的磁盘空间释放出来?
- MVC的路由
- 博客学习分类
- Linux中后面带有波浪号的文件
- C语言的组成:32个关键词、9种控制语句、34种运算符
- Java 本地方法
- 解析C++中的5个存储类的作用
- C++文件读写
- 第n+1天
- (不易)POJ-2229 DP,数的分解
- 非递归遍历二叉树
- 反转链表
- 大数据比赛(3)- 模型选择I
- Core Motion框架使用方法
- java.util.Collections 空集合
- 十二、图的算法入门--(4)最短路问题---Dijkstra算法实现
- 算法重头学-归并排序
- js实现点击图片自动提交action
- Web跨浏览器进程通信(Web跨域)