k均值聚類算法原理？第1步：選擇k個初始聚類中心，Z1（1）、Z2（1）、ZK（1），其中括號中的序列號是找到聚類中心的迭代操作的第二序列號。聚類中心的向量值可以任意設(shè)置。例如，可以選擇初始K個模式樣

k均值聚類算法原理？

第1步：選擇k個初始聚類中心，Z1（1）、Z2（1）、ZK（1），其中括號中的序列號是找到聚類中心的迭代操作的第二序列號。聚類中心的向量值可以任意設(shè)置。例如，可以選擇初始K個模式樣本的向量值作為初始聚類中心。

第二步是根據(jù)最小距離準(zhǔn)則將模式樣本{x}分配給K個聚類中心之一。

假設(shè)I=J，則K為迭代運算的次序列號，第一次迭代K=1，SJ為第J個簇，其簇中心為ZJ。

第3步：計算每個聚類中心的新向量值ZJ（k1），j=1，2，K

找到每個聚類域中樣本的平均向量：

其中NJ是第j個聚類域中的樣本數(shù)SJ。以均值向量作為新的聚類中心，可以最小化以下聚類準(zhǔn)則函數(shù)：

在這一步中，我們需要分別計算K個聚類的樣本均值向量，因此稱為K-means算法。

第4步：如果J=1，2，K，則返回第二步，逐個重新分類模式樣本，并重復(fù)迭代操作；

如果J=1，2，則算法收斂，計算結(jié)束。

K-means的算法優(yōu)點？

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

在大數(shù)據(jù)量時，K-means算法和層次聚類算法誰更有優(yōu)勢？

事實上，這個問題沒有解決辦法。該算法的分類效果和實際運行時間因數(shù)據(jù)的不同而不同。在計算速度方面，K-means比hierarchy快。其原因是K-means算法是先找到中心，然后計算距離；層次是將樣本逐個合并，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來描述。