![](https://cdn-ak-scissors.b.st-hatena.com/image/square/5da43806ba91c46b8bba0520541330d36e9a89fb/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBpa3VvMCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NDk3MzJmOGYyODA1ODkyZTE3YTMzMDk1ZmE4M2Y2YzM%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D5a87b92f038431311791e6161a9eb1ad)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
ランダムよりはマシな精度で高速なKMEANS初期化処理を作りました - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
ランダムよりはマシな精度で高速なKMEANS初期化処理を作りました - Qiita
k-means++には及びませんでしたがランダムよりは明確に良い結果が出ていると思います、イテレーション回... k-means++には及びませんでしたがランダムよりは明確に良い結果が出ていると思います、イテレーション回数が少なく精度も出ていますし分散も少ないので結果のばらつきも少ないようです。もう少し量があって8クラスタくらいのサンプルがあると良いのですが都合良い物がなかったのでirisとseedsのみの試験としました。 ちなみに実際仕事で使った所当試験よりも高い精度とイテレーション回数の削減が得られたためサンプルによっての相性が激しい手法のようです。 以下ソースコード載せておきます。 初期化処理のソースコード def Kmeans_Predict(means, x): distances = [] for m in means: distances.append(np.linalg.norm(m - x)) predict = np.argmin(distances) return distanc