k-means算法的Java实现

最新推荐文章于 2023-12-18 23:45:33 发布

jjwwwww

最新推荐文章于 2023-12-18 23:45:33 发布

阅读量2.7k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签： kmeans 算法聚类算法机器学习

本文链接：https://blog.csdn.net/jjwwwww/article/details/83512785

本文介绍了k-means算法的基本原理和在非监督学习中的应用。首先阐述了算法的步骤，包括随机选择初始聚类中心，计算数据点与聚类中心的距离并进行分类，然后更新聚类中心直至收敛。接着展示了Matlab的仿真结果，通过随机撒点和k=4的设置，数据成功被分为四组。最后，文章提到了Java实现该算法的可能性，指出可以根据需求调整返回结果，如聚类中心或分类数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

k-means算法的Java实现

前言

k-means算法是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法。通过指定k值将数据自动迭代分成k组，实现数据分类，可对分类的数据进行进一步的研究。

算法原理

1.在数据中随机选取k个数据作为聚类中心
2.计算其他数据到k个聚类中心的距离（这个距离可以是欧氏距离或者其他距离）
3.根据到聚类中心的最小距离将数据分为k类
4.更新聚类中心的坐标（对分类好的数据求均值）
5.回到2重新进行分类，（进行多次迭代更新，使聚类中心趋于稳定，迭代次数可根据需要自由设定）

Matlab仿真图

来看看matlab仿真结果，先随机撒点

kmeans算法进行分类，k=4
k=4算法分类
数据成功分为4组，由于这里用的均匀分布的随机数，数据也均匀被分为k组。

算法实现

    //Kmeans算法
    //k:聚类数量
    //points:坐标数据
    //iteration:迭代计算次数
    //返回：聚类中心
    public static Point[] Kmeans(int k, ArrayList<Point> points,int iteration){
   
   
        if (points.size()<k) return null;

        //聚类中心
        Point[] centre=new Point[k];
        for(int i=0;i<centre.length;i++){
   <