机器学习 | 密度聚类和层次聚类

密度聚类和层次聚类

密度聚类

在这里插入图片描述
在这里插入图片描述

背景知识

如果 S 中任两点的连线内的点都在集合 S 内,那么集合 S称为凸集。反之,为非凸集。

DBSCAN

算法介绍

与划分和层次聚类方法不同,DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
密度:空间中任意一点的密度是以该点为圆心,以扫描半径构成的圆区域内包含的点数目。

两个超参数
扫描半径(eps)和最小包含点数(minPts)来获得簇的数量,而不是猜测簇的数目

扫描半径 (eps):
用于定位点/检查任何点附近密度的距离度量
最小包含点数(minPts):
聚集在一起的最小点数(闯值),该区域被认为是稠密的

DBSCAN算法将数据点分为三类

  • 核心点: 在半径Eps内含有超过MinPts数目的点。
  • 边界点:在半径Eps内点的数量小于MinPts。但是落在核心点的邻域内的点。
  • 噪音点:既不是核心点也不是边界点的点。

在这里插入图片描述

DBSCAN密度聚类的算法流程

1.将所有点标记为核心点、边界点或噪声点
2.如果选择的点是核心点,则找出所有从该点出发的密度可达对象形成簇3.如果该点是非核心点,将其指派到一个与之关联的核心点的簇中4.重复以上步骤,直到所点都被处理过
举例: 有如下13个样本点,使用DBSCAN进行聚类。

层次聚类

  • 层次聚类假设簇之间存在层次结构,将样本聚到层次化的簇中。
  • 层次聚类又有聚合聚类 (自下而上) 、分裂聚类(自上而下) 两种方法
  • 因为每个样本只属于一个簇,所以层次聚类属于硬聚类

背景知识

如果一个聚类方法假定一个样本只能属于一个簇,或族的交集为空集,那么该方法称为硬聚类方法。如果个样木可以属干多个簇,成簇的交集不为空集,那么该方法称为软聚类方法

在这里插入图片描述

聚合聚类

  • 开始将每个样本各自分到一个簇;
  • 之后将相距最近的两簇合并,建立一个新的簇
  • 重复此此操作直到满足停止条件:
  • 得到层次化的类别。
    在这里插入图片描述
  • 5
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小小程序○

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值