kmeans聚類演算法

A. k-means聚類演算法中 相似中心怎麼計算的

每個特徵點都與各個中心點算距離，再比較哪個最近。最簡單就是用歐氏距離。

B. K-means聚類演算法的K怎麼確定啊

你需要分幾類就寫K等於多少啊

C. Kmeans聚類演算法的聚類數目可能小於K嗎

是否可能取決於你的演算法是如何實現的。建議你看看weka和matlab的km演算法實現。聚類數小於k的原因是聚類過程中出現空簇，如果沒有特殊的處理，這個問題是無法在後續的循環中自行解決的。weka的實現是允許輸出聚類數小於k的，出現空簇就直接將空簇刪除；而matlab的km有一個參數用於解決聚類數小於k的問題，例如直接選擇最遠離聚類中心的點作為一個新的簇。

D. K-Means聚類演算法原理是怎麼樣的

問題：
姓名 身高 體重 眼睛
A 180 X 1.2
A X 140 X

A 180 140 X

A 168 120 1.5
姓名一樣，用java演算法，判斷出是兩個人？

E. k-means聚類演算法，雜訊值怎麼處理

從你這情況看來貌似屬於離群點了啊……離群點會影響聚類效果，應該刪掉的
兩個方法，你可以試試
一個是你聚類的數量K設大一些，聚類之後把那些零頭喀嚓掉，就是那些只有一兩個數據點的刪掉
還有一個方法就是層次聚類，定義一個合並熵，每次兩兩合並，合並到一定程度（再合並代價高於一定閾值）之後，把落單的那些刪掉
當然最簡單的辦法，看你這個屬於一維，應該是可以直接定一個閾值把閾值以上的砍掉的，當然如果你說數值比較大的部分也需要聚一個類出來的話，那還是採用上面說的第二種方法吧

F. 急求:k-Means聚類演算法實現

K-MEANS演算法:
k-means 演算法接受輸入量 k ；然後將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個「中心對象」（引力中心）來進行計算的。

k-means 演算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對於所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然後再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標准測度函數開始收斂為止。一般都採用均方差作為標准測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

具體如下：
輸入：k, data[n];
（1） 選擇k個初始中心點，例如c[0]=data[0],…c[k-1]=data[k-1];
（2） 對於data[0]….data[n], 分別與c[0]…c[n-1]比較，假定與c[i]差值最少，就標記為i;
（3） 對於所有標記為i點，重新計算c[i]={ 所有標記為i的data[j]之和}/標記為i的個數；
（4） 重復(2)(3),直到所有c[i]值的變化小於給定閾值。

演算法實現起來應該很容易，就不幫你編寫代碼了。

G. k-means聚類演算法一定要指定聚類個數嗎

其實我猜你想問的是怎麼改進k-means演算法，可以擺脫手工指定k值。實質上通過算距離達到聚類的演算法是必須要手工指定一個值的，也就是說需要一個參照。
不需要制定聚類個數的聚類演算法，例如：DBSCAN