二、k-means聚类算法的收敛性证明 定理二、对于任意给定的迭代聚类中心初值(或者任意给定的一种划分方式),k-means算法的目标函数一定会收敛。 证明、将目标函数记为f(T),其中T是对给定数据集的一种划分方式,例如划分T_1是将数据集划分成\left\{ \omega_1,\omega_2...\omega_k\right\}这k个互不相交的集...
E步骤:计算隐变量的期望 M步骤:最大化 下图为流程示意图 K均值算法收敛的证明 首先,需要知道的是K均值聚类的迭代算法实际上是一种最大期望算法(Expectation-Maximization algorithm,EM算法),剩下的事情就是说明K均值算法与EM算法的关系了。K均值算法等价于用EM算法求解以下含隐变量的最大似然问题: 其中z∈{1,2,...
摘要: 用Zangwill收敛性定理对多视角核K-means(MVKKM)的收敛性进行了分析.结果表明,当满足一定的条件时,MVKKM生成的迭代序列收敛或至少存在一个子序列收敛于算法目标函数的局部极小值或鞍点,并在Matlab环境下,通过实验验证了算法在不同视角和不同的权重指数下的收敛性.关键词:...