2020-10-19 21:18:53

docs/ml/10.md

@@ -1,6 +1,6 @@
 # 第 10 章 K-Means（K-均值）聚类算法
 
-![K-Means（K-均值）聚类算法_首页](http://data.apachecn.org/img/AiLearning/ml/10.KMeans/K-Means_首页.jpg)
+![K-Means（K-均值）聚类算法_首页](img/K-Means_首页.jpg)
 
 ## 聚类
 
@@ -59,7 +59,7 @@ kmeans，如前所述，用于数据集内种类属性不明晰，希望能够
 
 有关 `簇` 和 `质心` 术语更形象的介绍, 请参考下图:
 
-![K-Means 术语图](http://data.apachecn.org/img/AiLearning/ml/10.KMeans/apachecn-k-means-term-1.jpg)
+![K-Means 术语图](img/apachecn-k-means-term-1.jpg)
 
 ### K-Means 工作流程
 1. 首先, 随机确定 K 个初始点作为质心（**不必是数据中的点**）。
@@ -162,7 +162,7 @@ def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
 2. 测试一下 kMeans 函数是否可以如预期运行, 请看: <https://github.com/apachecn/AiLearning/blob/master/src/py2.x/ml/10.kmeans/kMeans.py> 
 
 参考运行结果如下:  
-![K-Means 运行结果1](http://data.apachecn.org/img/AiLearning/ml/10.KMeans/apachecn-k-means-run-result-1.jpg)
+![K-Means 运行结果1](img/apachecn-k-means-run-result-1.jpg)
 
 
 
@@ -170,7 +170,7 @@ def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
 > 在 kMeans 的函数测试中，可能偶尔会陷入局部最小值（局部最优的结果，但不是全局最优的结果）.
 
 局部最小值的的情况如下:  
-![K-Means 局部最小值1](http://data.apachecn.org/img/AiLearning/ml/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg)
+![K-Means 局部最小值1](img/apachecn-kmeans-partial-best-result-1.jpg)
 出现这个问题有很多原因，可能是k值取的不合适，可能是距离函数不合适，可能是最初随机选取的质心靠的太近，也可能是数据本身分布的问题。
 
 为了解决这个问题，我们可以对生成的簇进行后处理，一种方法是将具有最大**SSE**值的簇划分成两个簇。具体实现时可以将最大簇包含的点过滤出来并在这些点上运行K-均值算法，令k设为2。
@@ -239,7 +239,7 @@ def biKMeans(dataSet, k, distMeas=distEclud):
 
 上述函数可以运行多次，聚类会收敛到全局最小值，而原始的 kMeans() 函数偶尔会陷入局部最小值。  
 运行参考结果如下:  
-![二分 K-Means 运行结果1](http://data.apachecn.org/img/AiLearning/ml/10.KMeans/apachecn-bikmeans-run-result-1.jpg)
+![二分 K-Means 运行结果1](img/apachecn-bikmeans-run-result-1.jpg)
 
 * **作者: [那伊抹微笑](http://cwiki.apachecn.org/display/~xuxin),  [清都江水郎](http://cwiki.apachecn.org/display/~xuzhaoqing)** 
 * [GitHub地址](https://github.com/apachecn/AiLearning): <https://github.com/apachecn/AiLearning>