k均值算法
‘壹’ k均值聚类算法聚类个数怎么确定
算法：
第一步：选K个初始聚类中心，z1(1)，z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初始聚类中心。
‘贰’ K平均算法的介绍
k平均聚类发明于1956年，是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。假设有k个群组Si, i=1,2,...,k。μi是群组Si内所有元素xj的重心，或叫中心点。
‘叁’ kmean算法是干什么的
聚类分析是一种静态数据分析方法，常被用于机器学习，模式识别，数据挖掘等领域。通常认为，聚类是一种无监督式的机器学习方法，它的过程是这样的：在未知样本类别的情况下，通过计算样本彼此间的距离（欧式距离,马式距离，汉明距离，余弦距离等）来估计样本所属类别。从结构性来划分，聚类方法分为自上而下和自下而上两种方法，前者的算法是先把所有样本视为一类，然后不断从这个大类中分离出小类，直到不能再分为止；后者则相反，首先所有样本自成一类，然后不断两两合并，直到最终形成几个大类。
常用的聚类方法主要有以下四种： //照搬的wiki，比较懒...
Connectivity based clustering（如hierarchical clustering 层次聚类法)
Centroid-based clustering(如kmeans)
Distribution-based clustering
Density-based clustering
Kmeans聚类是一种自下而上的聚类方法，它的优点是简单、速度快；缺点是聚类结果与初始中心的选择有关系，且必须提供聚类的数目。Kmeans的第二个缺点是致命的，因为在有些时候，我们不知道样本集将要聚成多少个类别，这种时候kmeans是不适合的，推荐使用hierarchical 或meanshift来聚类。第一个缺点可以通过多次聚类取最佳结果来解决。
Kmeans的计算过程大概表示如下
随机选择k个聚类中心. 最终的类别个数<= k
计算每个样本到各个中心的距离
每个样本聚类到离它最近的中心
重新计算每个新类的中心
重复以上步骤直到满足收敛要求。(通常就是中心点不再改变或满足一定迭代次数).
‘肆’ 数据挖掘题目，K—均值算法应用
这种问题明显是取巧的题目，是不是老师布置的作业呀。建议你还是自己认真做做吧，如果有具体的问题我想会有很多人帮你的。但不是帮你偷懒。
帮你修改好了，从你所犯错误看，你的编程水平还处于初级阶段。希望我花费的时间对你编程有帮助，我是一个大学老师，经常发现我的学生对改过的作业根本不看。希望你不是如此。建议你把我改过的地方，以及为什么这样改给我回个帖。
x1=1.2*randn(10,1)+3
y1=1.1*randn(10,1)+6
a=[x1,y1]
x2=1.2*randn(10,1)+5
y2=1.1*randn(10,1)+8
b=[x2,y2]
x3=1.2*randn(10,1)+1
y3=1.1*randn(10,1)+4
c=[x3,y3]
x=[a;b;c]
[idx,c]=kmeans(x,
3,
'dist','city',
'rep',5,
'disp','final')
plot(x(idx==1,1),x(idx==1,2),'r.','markersize',12)
hold
on
plot(x(idx==2,1),x(idx==2,2),'b.','markersize',12)
hold
on
plot(x(idx==3,1),x(idx==3,2),'g.','markersize',12)
‘伍’ K均值算法和块匹配算法有什么区别
聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。
k均值聚类是最着名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。
‘陆’ K-Means聚类算法原理是怎么样的
问题：
姓名 身高 体重 眼睛
A 180 X 1.2
A X 140 X
A 180 140 X
A 168 120 1.5
姓名一样，用java算法，判断出是两个人？
‘柒’ 系统聚类和k均值聚类区别和联系
摘要 你好k_means均值聚类，采用欧式距离做为相似度指标，将相似度高的数据对象划分为一类，通过反复迭代计算新质心，并且样本观测所属的类会不断的调整，使得新质心与所有数据对象的平方误差总和最小的一种迭代型快速聚类算法，变量类型为连续型变量，需要主动设定分类数。
‘捌’ K-means的算法优点
K-Means聚类算法的优点主要集中在:
1.算法快速、简单;
2.对大数据集有较高的效率并且是可伸缩性的;
3.时间复杂度近于线性，而且适合挖掘大规模数据集。K-Means聚类算法的时间复杂度是O(nkt) ,其中n代表数据集中对象的数量，t代表着算法迭代的次数，k代表着簇的数目。