1樓：張豪
歐式距離是向量的2-範數:║x║2=(│x1│2+│x2│2+…+│xn│2)^1/2；
KMeans是每次迭代時，劃分向量到最近的中心，
顯然，你的資料向量的維度為1，對應於一維座標，
歐式距離就是直線上兩點的距離，一維座標上兩點的距離即是數值直接相減的絕對值。
比如你隨機選擇的初始聚類中心是 5、12，各個點（2,4,10,12,15,3,21）到5的距離是（5-2,5-4,10-5,12-5,15-5,5-3,21-5）,到12的距離是（12-2,12-4,12-10,12-12,15-12,12-3,21-12）
那麼第一次劃分情況是：2->5、4->5、10->12、12->12、15->12、3->5、21->12，
其等價於：把一維資料按照數值大小排列 2,3,4,10,12,15,21，選取乙個劃分數值，大於該數值的被劃分到一類，小於該數值的劃分到另一類，且保證目標函式區域性最優。
資料探勘 K means聚類
Blacard 陰曆中每月的天數，是根據月亮運動週期來確立的，實際上每月的平均天數是29.5306日，如果乘以12，一年只有354.3672天 而地球繞著太陽公轉乙個週期 回歸年 陽曆年 是365.2422天，這樣陰曆年1年的實際天數比陽曆年少了10.875天，差不多是11天，19年就少了209天。...
K means聚類演算法的優化？
奔跑中的小新 k means改進的乙個路線就是盡可能加快收斂速度，這個方向有幾個思路 1.質心初始化 選擇初始質心之間有一些策略比如盡量遠離，有助於反應資料的分布，加快收斂。2.改進k means的迭代過程，有幾個方向，乙個改進複雜度，比如資料的訪問用KD樹來索引，乙個是改進目標函式 原始目標函式就...
K means聚類演算法中的K如何確定？
桔了個仔 常用的方法是elbow method 手肘法則 1 選不同的k值，例如從1 9，然後畫出每乙個k值的 距離之和 和k的關係圖。左軸可以是distortion 或者Inertia distortion和inertia挺接近，都是衡量每個資料和最近中心點的距離之和，只是計算距離的方式不一樣而已...