關于kmeans算法報告總結
一、 背景知識簡介：
Kmeans算法是一種經典的聚類算法，在模式識別中得到了廣泛的應用，基于Kmeans的變種算法也有很多，模糊Kmeans、分層Kmeans等。
Kmeans和應用于混合高斯模型的受限EM算法是一致的。高斯混合模型廣泛用于數據挖掘、模式識別、機器學習、統計分析。Kmeans的迭代步驟可以看成E步和M步，E：固定參數類別中心向量重新標記樣本，M：固定標記樣本調整類別中心向量。K均值只考慮（估計）了均值，而沒有估計類別的方差，所以聚類的結構比較適合于特征協方差相等的類別。
二、 k-means聚類算法
k-means 算法接受參數 k ；然后將事先輸入的n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。
K-means算法是最為經典的基于劃分的聚類方法，是十大經典數據挖掘算法之一。K-means算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的'值，直至得到最好的聚類結果。
（1）算法思路：
首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然 后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。
該算法的最大優勢在于簡潔和快速。算法的關鍵在于初始中心的選擇和距離公式。
（2）算法步驟：
step.1---初始化距離K個聚類的質心（隨機產生）
step.2---計算所有數據樣本與每個質心的歐氏距離，將數據樣本加入與其歐氏距離最短的那個質心的簇中（記錄其數據樣本的編號）
step.3---計算現在每個簇的質心，進行更新，判斷新質心是否與原質心相等，若相等，則迭代結束，若不相等，回到step2繼續迭代。
【關于kmeans算法報告總結】相關文章：
算法類論文開題報告11-11
績效工資的算法10-13
失業保險的算法06-10
年假加班工資的算法10-10
辭退員工補償扣稅算法05-17
辭退員工補償的算法05-10
工齡的四種算法12-03
常見的算法面試題解法09-21
個人所得稅計算法09-07