K-means的算法優(yōu)點？K-means聚類算法的優(yōu)點如下：1。算法簡單快速。對于大數(shù)據(jù)集具有較高的效率和可擴展性。時間復雜度近似線性，適合于挖掘大型數(shù)據(jù)集。K-means聚類算法的時間復雜度為O（N

K-means的算法優(yōu)點？

K-means聚類算法的優(yōu)點如下：1。算法簡單快速。對于大數(shù)據(jù)集具有較高的效率和可擴展性。時間復雜度近似線性，適合于挖掘大型數(shù)據(jù)集。K-means聚類算法的時間復雜度為O（NKT），其中n表示數(shù)據(jù)集中的對象個數(shù)，T表示迭代次數(shù)，K表示聚類個數(shù)。

29歲想學python，有哪些建議？

學習Python與年齡無關。去年，我33歲的時候在openstack上學習Python。在我的職業(yè)生涯中，我學過幾種語言，包括C、C、PHP和python。

就學習內容而言，我認為學習一門語言主要包括兩個方面：

1）語言本身的語法，其實內容很少

2）與語言相關的系統(tǒng)庫和第三方庫，內容多，難度大

另外，我的經驗是如何學好一門語言的實踐，實踐包括兩個方面：

1）閱讀更多的代碼，你可以看到更好的開源項目，如openstack或Django等。

2）編寫更多的代碼。如果你的工作中有項目，如果沒有，你可以寫一些小項目。例如，開發(fā)一個python版本的redis。

如何運用k-means聚類進行圖像識別、色彩壓縮？

圖像識別和顏色壓縮是兩個不同的任務。就圖像識別而言，“識別”本身應該是一項分類任務。它需要建立相應的圖像和標簽的訓練集，然后利用機器學習算法（或流行的深度學習方法）建立模型并對圖像進行識別。聚類方法只能對未標記的數(shù)據(jù)進行初步聚類。我想知道你能否更具體地描述一下這個問題。

在Python中聚類后，如何知道哪個樣本屬于哪一類？

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，標簽uuux如上圖所示，樣本[1.4，0.2]對應第三個類別，聚類結果還有每個類別的聚類中心和每個類別的樣本數(shù)。這種方法可以用來尋找相應的標簽分類。

當然，還有一種預測方法，可以直接輸出輸入樣本的類標簽

因為聚類算法會在一開始就隨機設置聚類中心，然后迭代直到分類成功，所以樣本的輸入順序會影響初始分類的選擇聚類算法的聚類中心，進而影響整個聚類算法的模型。

該算法的原理一般如下：

選擇k個類別

隨機初始化k個聚類中心

計算每個數(shù)據(jù)點到中心點的距離，數(shù)據(jù)集的哪個中心靠近哪個類

計算每個中心點作為一個新的聚類中心

重復上述步驟，直到每個類的每個中心在每次迭代后幾乎沒有變化

我已經使用Python 7年多了，現(xiàn)在從事視頻對象識別算法的開發(fā)，使用的是tensorflow，也是基于Python語言的。Python是一種解決所有問題的語言，值得擁有

！我從2012年開始學習機器學習，因為沒有指導，我走了很多彎路，浪費了很多時間和精力。一開始，我讀了《機器學習實踐》一書。雖然我不懂，但我還是把書中所有的例子都跑了一遍，漸漸發(fā)現(xiàn)自己不懂算法也能達到預期的效果。然后，我會直接開發(fā)我想要的程序。當我遇到需要機器學習的部分時，我會直接復制它。一周后，演示會出來。在這個時候，你會發(fā)現(xiàn)你已經開始了。剩下的就是理解每種算法的范圍和局限性。

不要掉進無休止的書堆里，練習和做項目

！呃，地鐵到了。我要去工作了。我還沒做完呢。有機會我會繼續(xù)討論的