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)。

在Python中聚類后，如何知道哪個(gè)樣本屬于哪一類？

首先可以看到聚類后的樣本

如果使用Python sklearn中的K-means聚類算法，算法類本身就有一些屬性可以知道聚類后的情況。

例如，有一些模型屬性，clusterucentersuuuuuux是聚類后得到的聚類中心，標(biāo)簽uuux如上圖所示，樣本[1.4，0.2]對(duì)應(yīng)第三個(gè)類別，聚類結(jié)果還有每個(gè)類別的聚類中心和每個(gè)類別的樣本數(shù)。這種方法可以用來尋找相應(yīng)的標(biāo)簽分類。

當(dāng)然，還有一種預(yù)測(cè)方法，可以直接輸出輸入樣本的類別標(biāo)簽