【聚类算法】Mean-shift 算法

转自here

基本思想

在数据集中选定一个点，然后以这个点为圆心，r为半径，画一个圆，求出这个点到所有点的向量的平均值，而圆心与向量均值的和为新的圆心，然后迭代此过程，直到满足一点的条件结束。后来加了权重系数和核函数，目前在聚类，图像平滑，分割，跟踪等方面有着广泛的应用。

不断找新的圆心，直到密码最大的区域。

算法函数

a) 核心函数：sklearn.cluster.MeanShift(核函数：RBF核函数)
圆心的确定和半径的选择，是影响算法效率的两个主要因素，所以在sklearn.cluster.MeanShift中重点说明了这两个参数的设定问题。
b) 主要参数
bandwidth : 半径，float型，如果没有给出，使用sklearn.cluster.estimate_bandwidth计算出半径。
seeds : 圆心，数组类型，即初始化的圆心。
bin_seeding ：布尔值。如果为真，初始内核位置不是所有点的位置，而是点的离散版本的位置，其中点被分类到其粗糙度对应于带宽的网格上。将此选项设置为True将加速算法，因为较少的种子将被初始化。默认值：False.如果种子参数(seeds)不为None则忽略。
c）主要属性
cluster_centers_ : 数组类型。计算出的聚类中心的坐标。

代码过程详解