kmeans聚类算法

A. k-means聚类算法中 相似中心怎么计算的

每个特征点都与各个中心点算距离，再比较哪个最近。最简单就是用欧氏距离。

B. K-means聚类算法的K怎么确定啊

你需要分几类就写K等于多少啊

C. Kmeans聚类算法的聚类数目可能小于K吗

是否可能取决于你的算法是如何实现的。建议你看看weka和matlab的km算法实现。聚类数小于k的原因是聚类过程中出现空簇，如果没有特殊的处理，这个问题是无法在后续的循环中自行解决的。weka的实现是允许输出聚类数小于k的，出现空簇就直接将空簇删除；而matlab的km有一个参数用于解决聚类数小于k的问题，例如直接选择最远离聚类中心的点作为一个新的簇。

D. K-Means聚类算法原理是怎么样的

问题：
姓名 身高 体重 眼睛
A 180 X 1.2
A X 140 X

A 180 140 X

A 168 120 1.5
姓名一样，用java算法，判断出是两个人？

E. k-means聚类算法，噪声值怎么处理

从你这情况看来貌似属于离群点了啊……离群点会影响聚类效果，应该删掉的
两个方法，你可以试试
一个是你聚类的数量K设大一些，聚类之后把那些零头喀嚓掉，就是那些只有一两个数据点的删掉
还有一个方法就是层次聚类，定义一个合并熵，每次两两合并，合并到一定程度（再合并代价高于一定阈值）之后，把落单的那些删掉
当然最简单的办法，看你这个属于一维，应该是可以直接定一个阈值把阈值以上的砍掉的，当然如果你说数值比较大的部分也需要聚一个类出来的话，那还是采用上面说的第二种方法吧

F. 急求:k-Means聚类算法实现

K-MEANS算法:
k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。

k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

具体如下：
输入：k, data[n];
（1） 选择k个初始中心点，例如c[0]=data[0],…c[k-1]=data[k-1];
（2） 对于data[0]….data[n], 分别与c[0]…c[n-1]比较，假定与c[i]差值最少，就标记为i;
（3） 对于所有标记为i点，重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数；
（4） 重复(2)(3),直到所有c[i]值的变化小于给定阈值。

算法实现起来应该很容易，就不帮你编写代码了。

G. k-means聚类算法一定要指定聚类个数吗

其实我猜你想问的是怎么改进k-means算法，可以摆脱手工指定k值。实质上通过算距离达到聚类的算法是必须要手工指定一个值的，也就是说需要一个参照。
不需要制定聚类个数的聚类算法，例如：DBSCAN