K-means的算法優(yōu)點(diǎn)？K-means聚類算法的優(yōu)點(diǎn)如下：1。算法簡單快速。對(duì)于大數(shù)據(jù)集具有較高的效率和可擴(kuò)展性。時(shí)間復(fù)雜度近似線性，適合于挖掘大型數(shù)據(jù)集。K-means聚類算法的時(shí)間復(fù)雜度為O（N

K-means的算法優(yōu)點(diǎn)？

K-means聚類算法的優(yōu)點(diǎn)如下：1。算法簡單快速。對(duì)于大數(shù)據(jù)集具有較高的效率和可擴(kuò)展性。時(shí)間復(fù)雜度近似線性，適合于挖掘大型數(shù)據(jù)集。K-means聚類算法的時(shí)間復(fù)雜度為O（NKT），其中n表示數(shù)據(jù)集中的對(duì)象個(gè)數(shù)，T表示迭代次數(shù)，K表示聚類個(gè)數(shù)。

k均值聚類公式？

西格瑪=[1，0 0，1

]mu1=[1，-1

]x1=mvnrnd（mu1，西格瑪，200）

mu2=[5.5，-4.5

]x2=mvnrnd（mu2，西格瑪，200）

mu3=[1，4

]x3=mvnrnd（mu3，西格瑪，200）

mu4=[6，4.5

]x4=mvnrnd（mu4，西格瑪，200）

mu5=[9，0.0

]x5=mvnrnd（mu5，西格瑪，200）

%獲取要聚集的1000個(gè)數(shù)據(jù)點(diǎn)

X=[x1 x2 x3 x4 x5

]%顯示數(shù)據(jù)點(diǎn)

繪圖（x1（：，1），x1（：，2），“r.”）按住

繪圖（x2（：，1），x2（：，2），“b.”）

繪圖（x3（：，1），x3（：，2），“k.”）

繪圖（x4（：，1），x4（：，2），“g.”）

繪圖（x5（：，1），x5（：，2），“m.”）

保存myX%存儲(chǔ)X在文件中加載到其他文件中

因?yàn)榫垲愃惴〞?huì)在開始時(shí)隨機(jī)設(shè)置聚類中心，然后迭代直到分類成功，所以樣本的輸入順序會(huì)影響聚類算法初始聚類中心的選擇，進(jìn)而影響整個(gè)聚類算法模型。

該算法的原理如下：

選擇k個(gè)類別

隨機(jī)初始化k個(gè)聚類中心

計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到中心點(diǎn)的距離，哪個(gè)數(shù)據(jù)集的中心接近哪個(gè)數(shù)據(jù)集的中心

計(jì)算每個(gè)聚類中心作為一個(gè)新的聚類中心

重復(fù)上述步驟，直到每個(gè)聚類中心聚類中心在每次迭代后變化很小或幾乎沒有變化

這個(gè)問題實(shí)際上是沒有問題的分類效果和算法的實(shí)際運(yùn)行時(shí)間因數(shù)據(jù)的不同而不同。在計(jì)算速度方面，K-means比hierarchy快。其原因是K-means算法是先找到中心，然后計(jì)算距離；層次是將樣本逐個(gè)合并，層次算法的復(fù)雜度較高。更重要的是，在很多情況下，K-means算法和層次聚類算法的分類效果只能用不同的觀點(diǎn)來描述。