基于原型的聚类

9.2 基于原型的聚类

基于原型的聚类,簇是对象的集合,其中任何对象离定义该簇的原型比离定义其他簇的原型更加接近。

9.2.1 模糊聚类

1.模糊集合:允许对象以0和1之间的某一个隶属度属于某一个集合
2.模糊簇:权值之和为1,每个簇至少包含一个非零权值点
3.模糊c均值:k均值的模糊版本(fcm)
在这里插入图片描述
计算SSE误差平方和
在这里插入图片描述
初始化:随机初始化
计算质心:最小化SSE来推导出质心:
在这里插入图片描述
更新模糊伪划分,更新点和簇相关联的权值
在这里插入图片描述
p=2:
在这里插入图片描述

9.2.

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
原型聚类是一种基于数据点之间相似度度量的聚类算法。其主要思想是通过计算数据点之间的相似度(或距离),将相似度较高的数据点聚集成一个簇。相似度的计算方式有多种,如欧几里得距离、曼哈顿距离、余弦相似度等。其中,欧几里得距离是最常用的相似度计算方式。 原型聚类算法的核心是原型向量。原型向量是指每个簇中心点的坐标值,可以是任意一个数据点的坐标值。原型向量在聚类过程中不断更新,直到达到一定的收敛条件为止。 原型聚类算法主要分为两类:基于密度的原型聚类和基于距离的原型聚类。基于密度的原型聚类是指将原型向量设置在密度较高的区域,以便更好地捕捉簇的特征;而基于距离的原型聚类是指将原型向量设置在簇的中心位置,以便更好地表示簇的几何形状。 在基于密度的原型聚类算法中,最常用的算法是DBSCAN(Density-Based Spatial Clustering of Applications with Noise)。DBSCAN算法通过设置一个密度阈值,将密度较高的区域划分为一个簇。在这个簇的周围,如果有密度较低的点,则被视为噪声点。这种算法可以有效地处理数据中存在噪声点和数据分布不均匀的情况。 在基于距离的原型聚类算法中,最常用的算法是K-Means算法。K-Means算法是一种迭代算法,通过不断更新每个簇的中心点,直到达到收敛条件为止。具体实现过程中,首先随机初始化簇的中心点,然后将每个数据点分配到距离最近的簇中心点中。接着,根据簇内的数据点重新计算簇中心点,直到簇中心点不再发生变化为止。 原型聚类算法具有以下优点: 1. 算法简单易懂,实现较为容易。 2. 能够识别出数据中存在的噪声点。 3. 可以处理非球形簇和数据分布不均匀的情况。 但原型聚类算法也存在以下缺点: 1. 对于初始原型向量的选择较为敏感,不同的初始选择可能导致不同的聚类结果。 2. 对于数据量较大的情况,计算量较大,时间复杂度较高。 3. 对于数据存在重叠的情况,可能会导致识别出的簇之间存在重叠部分。 综上所述,原型聚类算法是一种简单有效的聚类算法,可以应用于各种领域的数据分析中。在实际应用中,需要根据具体的数据特点和分析目的选择合适的算法和调整参数,以获得更好的聚类效果。

“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
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