K-means的算法優(yōu)點(diǎn)？K-means聚類算法的優(yōu)點(diǎn)如下：1。算法簡(jiǎn)單快速。對(duì)于大數(shù)據(jù)集具有較高的效率和可擴(kuò)展性。時(shí)間復(fù)雜度近似線性，適合于挖掘大型數(shù)據(jù)集。K-means聚類算法的時(shí)間復(fù)雜度為O（N

K-means的算法優(yōu)點(diǎn)？

K-means聚類算法的優(yōu)點(diǎn)如下：1。算法簡(jiǎn)單快速。對(duì)于大數(shù)據(jù)集具有較高的效率和可擴(kuò)展性。時(shí)間復(fù)雜度近似線性，適合于挖掘大型數(shù)據(jù)集。K-means聚類算法的時(shí)間復(fù)雜度為O（NKT），其中n表示數(shù)據(jù)集中的對(duì)象個(gè)數(shù)，T表示迭代次數(shù)，K表示聚類個(gè)數(shù)。

k-means聚類算法為什么會(huì)受到樣本輸入順序的影響？

由于聚類算法會(huì)在一開始就隨機(jī)設(shè)置聚類中心，然后迭代直到分類成功，因此樣本的輸入順序會(huì)影響聚類算法初始聚類中心的選擇，進(jìn)而影響整個(gè)聚類算法模型。

該算法的原理如下：

選擇k個(gè)類別

隨機(jī)初始化k個(gè)聚類中心

計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到中心點(diǎn)的距離，哪個(gè)數(shù)據(jù)集的中心接近哪個(gè)數(shù)據(jù)集的中心

計(jì)算每個(gè)聚類中心作為一個(gè)新的聚類中心

重復(fù)上述步驟，直到每個(gè)聚類中心聚類中心在每次迭代后變化很小或幾乎沒有變化

這個(gè)問題實(shí)際上是沒有問題的分類效果和算法的實(shí)際運(yùn)行時(shí)間因數(shù)據(jù)的不同而不同。在計(jì)算速度方面，K-means比hierarchy快。其原因是K-means算法是先找到中心，然后計(jì)算距離；層次是將樣本逐個(gè)合并，層次算法的復(fù)雜度較高。更重要的是，在很多情況下，K-means算法和層次聚類算法的分類效果只能用不同的觀點(diǎn)來描述。