<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"> <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path> </svg> <p>关于K聚类,我曾经在一篇博客中提到过,这里简单的做个回顾。</p>
讯享网
KMeans的步骤以及其他的聚类算法
K-均值是因为它可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算
其他聚类算法:二分K-均值
讲解一下步骤,其实就是说明一下伪代码
讯享网
OpenCV中使用cv2.kmeans()对数据进行分类
1. data:应该是np.float32类型的数据,每个特征应该放在一列。
2. K:聚类的最终数目
3. criteria:终止迭代的条件。当条件满足,算法的迭代终止。它应该是一个含有3个成员的元组,它们是(type,max_iter, epsilon):
type终止的类型:有如下三种选择:
- cv2.TERM_CRITERIA_EPS 只有精确度epslion满足时停止迭代
- cv2.TERM_CRITERIA_MAX_ITER 当迭代次数超过阈值时停止迭代
– cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER 上面的任何一个条件满足时停止迭代
max_iter:最大迭代次数
epsilon:精确度阈值
4. attempts:使用不同的起始标记来执行算法的次数。算法会返回紧密度最好的标记。紧密度也会作为输出被返回
5. flags:用来设置如何选择起始中心。通常我们有两个选择:cv2.KMEANS_PP_CENTERS和 cv2.KMEANS_RANDOM_CENTERS。
输出参数:
1. compactness:紧密度返回每个点到相应中心的距离的平方和
2. labels:标志数组,每个成员被标记为0,1等

3. centers:有聚类的中心组成的数组

我们使用KMeans函数。先设置好终止条件。10次迭代或者精确度epsilon=1.0
讯享网



分别取K=2、4、8
讯享网


版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/155401.html