????對于大型的推薦系統，直接上協同過濾或者矩陣分解的話可能存在計算復雜度過高的問題，這個時候可以考慮用聚類做處理，其實聚類本身在機器學習中也常用，屬于是非監督學習的應用，我們有的只是一組組數據，最終我們要把它們分組，但是前期沒有任何的先驗知識告訴我們那個點是屬于那個組的。

????當我們有足夠的數據的時候可以考慮先用聚類做第一步處理，來縮減協同過濾的選擇范圍，從而降低復雜度。

????對了還想起來機器學習里面也經常用聚類的方式進行降維。這個在機器學習筆記部分后期我會整理。

????最終，每個聚類中的用戶，都會收到為這個聚類計算出的推薦內容。聚類的話也有很多種方法時間，今天是整理最簡單的那個姿勢：K-MEANS

????K-MEANS聚類算法是非常常用的聚類算法。它出現在很多介紹性的數據科學和機器學習課程中。在代碼中很容易理解和實現！

首先，選擇一些類/組來使用并隨機地初始化它們各自的中心點。要想知道要使用的類的數量，最好快速地查看一下數據，并嘗試識別任何不同的分組。中心點是與每個數據點向量相同長度的向量，在上面的圖形中是“X”。

每個數據點通過計算點可每個組中心之間的距離進行分類，然后將這個點分類為最接近它的組。

基于這些分類點，我們通過去組中所有向量的均值來重新計算中心。

對一組迭代重復這些步驟。你還可以選擇隨機初始化組中心幾次，然后選擇那些看起來對他提供好結果的來運行。

????K-MEANS聚類算法的優勢在于它的速度非常快，因為我們所有的只是計算點和集群中心之間的距離，它有一個線性復雜度O(n)[注意不是整體的時間復雜度]。

另一方面，K-MEANS也有幾個缺點。首先，你必須選擇有多少組/類。這并不是不重要的事，理想情況下，我們希望它能幫我門解決這些問題，因為他的關鍵在于從數據中國的一些啟示，K-MEANS也從隨機的聚類中心開始，因此在不同的算法運行中可能產生不同的聚類結果。因此，結果可能是不可重復的，并且缺乏一致性。其他聚類方法更加一致。

????K-Medians是另一種與K-MEANS有關的聚類算法，除了使用均值的中間值來重新計算數組中心點以外，這種方法對于離散值的民高度較低（因為使用中值），但對于較大的數據集來說，它要慢得多，因為在計算中值向量時，每次迭代都需要進行排序。

?

?

總結

以上是生活随笔為你收集整理的推荐算法-聚类-K-MEANS的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。