資源簡介

(共19張PPT)
K 均值聚類
贛科學技術版五年級下冊
第12課
K 均值聚類
了解并掌握K 均值聚類的含義
能運用K 均值聚類解決實際問題
任務卡
一
說一說
班主任老師決定為全班的學生安排校車，來接送同學們上學、放學。 一開始，老師隨機宣布了2個候車點，并且把這2個候車點的情況告訴了班上的同學，于是每個同學可以選擇到離自己家最近的候車點等校車。
老師隨機選擇候車點的方式合適嗎
一
說一說
假如你是負責安排候車點的老師，你會如何安排候車點
隨機設置候車點一段時間后，有部分同學反饋，候車點離自己的家太遠了，不方便候車，于是學校對全校同學的家庭住址重新進行了統計。
一
說一說
請你根據同學們的家庭住址如圖12-1所示，將2個候車點設置的位置畫在你覺得合適的位置上。
二
想一想
你在選取候車點位置的時候，最主要考慮的因素是什么 你是如何確保自己選擇的候車點能夠滿足這個因素的
請在書本50頁寫下你的想法。
三
學一學
校車候車點到每個同學家之間的距離是我們做選擇時的關 鍵的因素。然而，在我們人為選擇候車點時，如果沒有確定候車點的位置，我們就無法計 算候車點與同學們家之間的距離，因此也就無法比較距離是否合適，進而也就無法確定候 車點的選擇，這似乎成了一個死循環。
有沒有什么方法可以幫助我們解決這個問 題
K 均值聚類算法
一種迭代求解的聚類分析算法，其步驟是：將所有數據分為 K 組，隨機選取K 個對象作為初始的聚類中心，這個聚類中心成為種子聚類中心。然后依 次計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類 中心。每個聚類中心以及分配給它們的對象就代表一個聚類。每次分配一個樣本，聚類 的聚類中心就會根據聚類中的現有對象進行重新計算，直到滿足某個終止條件。
三
學一學
如果我們在計算機中用K 均值聚類算法進行分析，那么計算機將進 行的運算是：已知要將所有同學的家庭住址分成2組(K=2), 讓到候車點1近的同學去“候車點1”組，到候車點2近的同學去“候車點2”組。
為了完成這個分組，計算機會先隨機選擇2個同學的家庭住址作為初始的“候車點 位置”。再依次計算每個同學家到2個初始候車點位置的距離，將同學們的家分到距離更近的一組。
小明同學家到候車點1的距離為500米，到候車點2的距離為800米，則小明的 家被分到“候車點1”組。小華同學家到候車點1的距離為600米，到候車點2的距離為 200米，則小華同學家被分到“候車點2”組。
三
學一學
每次分配一個同學的家，候車點的位置就會自動移動。然后再重新計算每個同學的 家到新的候車點位置的距離，重新進行分組……直到達到某個預設的終止條件(譬如沒 有同學的家被重新分配給另一個候車點，所有同學應該去哪個候車點都不再變化時)。
最終，K 均值聚類算法不僅可以為每個同學的家分配最合適的候車點，還可以計算出候車點最合適的位置!
三
學一學
從圖中我們可以看到，紫色的坐標點是“候車點1”的地理位置，而被紫色虛線 圈出的6個同學的家，被分在了“候車點1”這一類中；而綠色的坐標點是“候車點2”的地 理位置，被綠色虛線圈出的5個同學的家，被分在了“候車點2”中。
通過這種方法，老師選取的候車點就可以滿足所有同學的要求。
三
學一學
三
學一學
由于這類問題的決策流程類似一顆倒立的樹，能夠幫助我們記錄決策過程的樹狀結 構，因此這種決策方法一般稱為“決策樹”,其中影響決策結果的因素叫做“特征”。決策樹 是機器學習的一種典型算法，可以幫助我們訓練計算機來解決現實生活中的分類的問題。
因此，我們就可以運用多層決策樹來畫出進入校園的決策過程啦。
在畫決策樹時，我們需要先分析一下數據的各個特征，從而確定特征的先后順序。
周末，小藍想要去春游，因此它想通過判斷天氣情況，得出是否春游的決策。決策流程是：先判斷天氣情況，對于“天氣”這個特征，有兩種取值，分別為雨和晴；如果是雨天則不春游，否則需要再判斷晴天陽光的強弱，從而進行最終的決策。你能幫小藍畫出該過程的決策樹嗎
練一練
謝謝聆聽！
謝謝
21世紀教育網（www.21cnjy.com)
中小學教育資源網站
兼職招聘：
https://www.21cnjy.com/recruitment/home/admin

展開更多......

收起↑