{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":186,"pdf_page":202,"physical_index":202,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"033431698c3c33735cd5e239eeaa0990480c4d87fe5b9e1e4c6da169f93e23b7"},"chapter":"第6章","content":"现。请看图6-29的例子。\n\nK-Means的工作原理为：对于将含有n个样本组成的样本集分成k类的任务，按照如下步骤进行：\n\n（1）从n个样本中随机选取k个点作为初始聚类中心。\n\n(2)计算每个样本到各个聚类中心的相似度，并划分到相似度最高的聚类中心。\n\n(3)重新计算每个聚类的均值，将其作为新的聚类中心。\n\n(4）重复步骤（2）和（3），直到所有聚类中心不再改变为止。\n\n可以看到，K-Means算法是一个反复迭代求解的过程。K是需要预先设定好的超参数。K-Means的优势在于速度快，因为我们真正做的是计算点和组中心之间的距离，只需要非常少的计算。因此，它具有线性复杂度O(n)。另一方面，K-Means有一些缺点。首先，你必须选择有多少组/类。理想情况下，我们希望聚类算法能够解决分多少类的问题。K-Means也从随机选择的聚类中心开始，所以它可能在不同的算法中产生不同的聚类结果。因此，结果可能不可重复并缺乏一致性。其他聚类方法更加一致。K-Medians是与K-Means有关的另一个聚类算法，除了不是用均值而是用组的中值向量来重新计算组中心。这种方法对异常值不敏感(因为使用中值），但对于较大的数据集要慢得多，因为在计算中值向量时，每次迭代都需要进行排序。\n\n6.7.2 均值漂移聚类\n\n均值漂移聚类是基于滑动窗口的算法，它试图找到数据点的密集区域。这是一个基于质心的算法，意味着它的目标是定位每个组/类的中心点，通过将中心点的候选点更新为滑动窗口内点的均值来完成。然后，在后处理阶段对这些候选窗口进行过滤以消除近似重复，形成最终的中心点集及其相应的组。请看图6-30的例子。\n\n人工智能与大数据技术导论\n\n186","previous_page":185,"next_page":187}