数据技术应用概论
第一章 绪论
数据素质培养意义
数据技术
数据科学应用体系框架
第二章 计算机信息系统
计算机信息系统的构成
计算机信息系统技术路线
第三章 抽样技术
抽样技术概述
网络调查和社会调查
抽样学习
抽样技术的基本概念
第四章 网络爬虫与文本数据生成
网络爬虫概述
网络爬虫技术操作
文本数据生成
第五章 数据库技术
数据库技术概述
数据库系统开发
关系数据库
数据仓库
第六章 SQL语言
SQL概述
SQL关系定义
SQL查询基本结构
数据库修改
视图
第七章 数据预处理技术
数据预处理概述
数据清理
数据集成
数据规约
数据变换
第八章 回归模型
回归模型的基础知识
最小二乘法
其他常用回归模型
第九章 Logistic建模技术
基础知识
梯度上升算法
第十章 关联规则挖掘
关联规则挖掘的基础知识
关联规则挖掘的 Apriori 算法
其它常用关联规则挖掘算法
第十一章 决策树分类规则
决策树分类规则的基础知识
决策树分类规则挖掘的ID3算法
几种常用的决策树
第十二章 K-平均聚类
基础知识
基于划分的K‐平均聚类算法
其他常用的聚类
第十三章 神经网络模型
神经网络模型的基础知识
误差逆传播算法
其他常用的神经网络算法
第十四章 支持向量机
支持向量机的基础知识
支持向量机的SMO算法
其他常用的支持向量机算法
第十五章 集成学习算法
集成学习算法的基础知识
随机森林算法
其他常用的集成学习算法
第十六章 数据可视化
数据可视化的基础知识
可视化设计基础
数据可视化工具
-
+
首页
第十二章 K-平均聚类
```mindmap # K-平均聚类 ### 基础知识 ### 基于划分的K‐平均聚类算法 ### 其他常用的聚类 ``` ------------ ### 基础知识 - **定义：**`K-平均聚类（K-means）`是一种将数据分为K个簇的算法，使得每个簇内的数据点围绕簇中心（质心）紧密聚集。 - **目的：**聚类分析的目的是探索`数据的内在结构`，发现数据中的`模式`或`分组`。 ### 基于划分的K-平均聚类算法 - **初始化：**算法开始时随机选择K个数据点作为`初始质心`。 - **分配：**将每个数据点分配到最近的质心，形成K个簇。 - **更新：**重新计算每个簇的质心，通常为簇内所有点的`均值`。 - **迭代：**重复分配和更新步骤，直到质心不再显著变化或达到预设的`迭代次数`。 ### 其他常用的聚类 - **层次聚类：**与K-平均聚类不同，层次聚类不需要预先指定簇的数量。它通过逐步合并或分裂操作构建一个层次嵌套的簇树。 - **DBSCAN（Density-Based Spatial Clustering of Applications with Noise）：**基于密度的聚类算法，能够识别任意形状的簇，并对噪声点具有较好的鲁棒性。 - **高斯混合模型（GMM）：**一种概率模型，将数据分布视为多个高斯分布的混合，每个高斯分布对应一个簇。 - **谱聚类：**基于数据的相似性矩阵，使用图论中的谱理论进行聚类，特别适合于发现复杂形状的簇。
张龙
2024年8月14日 16:31
转发文档
收藏文档
上一篇
下一篇
手机扫码
复制链接
手机扫一扫转发分享
复制链接
Markdown文件
分享
链接
类型
密码
更新密码