一 算法思想 K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。 基本步骤 （1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心； （2） 根据每个聚类对象的均值（中心对象），

聚类 1. KNN（K-Nearest Neighbor）1.1 基本思想1.2 算法步骤 2. 聚类（Clustering）3. K-means3.1 本质和概要本质前提算法思路 3.2 损失/目标函数3.3 优化算法：期望最大化（EM） 4. 缺点5. 代码DBSCAN 有监督学习和无监督学习，是机器学习两个大的类别。 聚类算法属于无监督学习：训练数据只有输入变量 x 而没

聚类 1. KNN（K-Nearest Neighbor）1.1 基本思想1.2 算法步骤 2. 聚类（Clustering）3. K-means3.1 本质和概要本质前提算法思路 3.2 损失/目标函数3.3 优化算法：期望最大化（EM） 4. 缺点5. 代码DBSCAN 有监督学习和无监督学习，是机器学习两个大的类别。 聚类算法属于无监督学习：训练数据只有输入变量 x 而没