您好,欢迎访问三七文档
当前位置:首页 > 商业/管理/HR > 信息化管理 > k-means算法实验报告
哈尔滨工业大学数据挖掘理论与算法实验报告(2014年度秋季学期)课程编码S1300019C授课教师高宏学生姓名赵天意学号14S101018学院电气工程及自动化学院一、实验内容设计实现k均值聚类算法。二、实验设计随机生成2维坐标点,对点进行聚类,进行k=2聚类,k=3聚类,多次k=4聚类,分析比较实验结果。三、实验环境及测试数据实验环境:Windows7操作系统,Python2.7IDLE测试数据:随机生成3个点集,点到中心点距离服从高斯分布:集合大小中心坐标半径11005,52210010,6231008,102四、实验过程编写程序随机生成测试点集,分别聚成2,3,4类,观察实验结果多次4聚类,观察实验结果五、实验结果初始随机点:2聚类迭代-平方误差1234561337677639634633633聚类中心与类中点数9.06,8.291915.05,5.011093聚类123456789101112810692690688686681565385369.4369.83703704.99,5.05108,7.92,10.489310.15,6.16994聚类迭代27次,平方误差344.8972912737.95,,10.56904.89,5.001038.41,6.313810.75,6.1,469多次4聚类迭代27次平方误差352.194.95,5.031069.79,6.03937.85,10.509012.71,8.1611迭代8次平方误差356.1910.15,6.16997.92,10.48935.54,5.01674.09,5.1041迭代7次平方误差352.3510.39,6.04874.91,4.981038.00,10.79797.71,7.6931六、遇到的困难及解决方法、心得体会K-Means初值对最终的聚类结果有影响,不同初值,可能会有不同的聚类结果,也就是说,K-Means收敛于局部最优点K-Means趋向于收敛到球形,每类样本数相近K-Means随着k的增加,平方误差会降低,但聚类效果未必变好该例子,2聚类误差633,3聚类370,4聚类350,可以发现2聚类到3聚类误差下降较快,3到4聚类误差下降较慢,所以3是最佳聚类个数。
本文标题:k-means算法实验报告
链接地址:https://www.777doc.com/doc-7366769 .html