K‑均值聚类（K‑means，K‑means Clustering）

本课程经原理推导与sklearn实践，讲解K-means及kmeans++优化，解决初始质心敏感与K值选择，帮助掌握聚类建模方法。

免费 统计学习方法 程序员 · 老孟 程序员 · 老孟 1 篇文章 1 小时 20 分 1563 次播放 已完成
阅读课件 观看视频
K‑均值聚类（K‑means，K‑means Clustering）

你将学会

  • 理解 K-means 基于距离相似度的聚类原理
  • 掌握初始质心优化与距离加速两种思路
  • 能通过肘部法分析确定最优聚类簇数
课程内容 1 篇
附录文章 0 篇
互动留言

1/1 K 均值聚类（K-means）

介绍最经典的基于距离的无监督分组方法，说明它如何通过反复把样本划归最近中心、再移动中心位置，直至收敛出若干簇。文章分析初始中心位置和数据规模对聚类效果与效率的影响，并介绍两种常见优化：加速距离计算，以及更合理地初始化中心。适合初学者建立聚类直觉，读完能理解基本原理、迭代收敛过程与常见改进方向。

📚

该章节暂无关联学习文章
©2026 老孟讲编程 京ICP备2021009384号anbei冀公网安备13050302001966号