《表4 K-means算法聚类结果及其类内离差平方和》
提示：宽带有限、当前游客访问压缩模式
假设有16组观测数据如表3所示，并从表中选取x（3）、x（4）、x（15）为初始种子，采用K-means无监督机器学习算法进行聚类，得到结果如表4所示。
| 图表编号 | XD007460900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2018.11.15 |
| 作者 | 肖枝洪、于浩、王一超 |
| 绘制单位 | 重庆理工大学理学院、重庆理工大学理学院、重庆理工大学理学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 使用k-means++算法聚类得到的聚类结果》2021.01.01
- 《表2 改进的K-Means算法聚类结果》2021.01.15
- 《表1 K-Means算法聚类结果》2021.01.15
- 《表1 实验数据信息：基于距离与误差平方和的差分隐私K-means聚类算法》2020.10.10
- 《表3 改进的K-means聚类算法的聚类结果》2021.02.10
- 《表2 传统K-means聚类算法的聚类结果》2021.02.10
- 《表1 1 正常林分生长量离差平方和计算结果汇总》2020.06.15
- 《表7 平均生长量离差平方和计算结果汇总》2020.06.15
- 《表4 本文方法与传统k-means算法聚类的结果》2020.04.01
- 《表4 聚类成员：基于蒙特卡洛k-means聚类算法的舰船器材分类研究》2020.04.25
- 《表3 改进算法聚类结果：大数据K-means聚类算法的研究与应用》2019.11.25
- 《表2 传统K-means算法聚类结果》2019.11.25
- 《表3 4种算法的NMI：基于密度峰值的改进K-Means文本聚类算法及其并行化》2019.10.24
- 《表2 4种算法的ARI：基于密度峰值的改进K-Means文本聚类算法及其并行化》2019.10.24
- 《表2 K-Means算法在K=4时的聚类结果》2019.01.15
- 《表2 4 个算法聚类误差平方和对比 (%)》2019.02.15
- 《表4 K-means算法下聚类前、后的簇》2019.02.10
- 《表3 茶园施肥类别的欧氏距离—离差平方和法系统聚类分析Table 3 System cluster analysis by Euclidean distance-sum of squares of deviations method for》2018.09.01
- 《表5 DSSD聚类结果及其类内离差平方和》2018.11.15
- 《表2 效应函数的系数及其离差平方和》2019.11.25