描述k-means聚类算法的工作流程

K-means是最常用、最简单的一种聚类算法。k-means聚类，就是将原始数据所含的类数事先给出来，然后将含有相似特征的数据聚为一个类中。一、K-means聚类分析常用的有系统聚类和K-means聚类，主要介绍了两类方法的作步骤及结果分析，播放量140266、弹幕量53、点赞数1541、投硬币枚数520、

kmeans算法基本步骤如下： 1、从数据中选择k个对象作为初始聚类中心。2、计算每个聚类对象到聚类中心的距离来划分。3、再次计算每个聚类中心。4、计算标准测度函数，之道达到最大迭代次数，则停止，否则，继续作。k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象重新计算。这个过程将不断重复直到满足某个终止条件

k-means算法（k-均值聚类算法）是⼀种基本的已知聚类类别数的划分算法。它是很典型的基于距离的算法，采⽤距离作为相似性的评价指标，即认为两个对象的距离越近，其相似kmeans聚类算法可化展示：无监督学习三大聚类算法应用实战_机器学习算法|K均值聚类|kmeans|DBSCAN聚类算法139.8万8000 5.4万50 展开