聚类模型的简单介绍

目录

1.定义

2.算法分类

1.K-means聚类（K均值聚类）以及K-means++

算法流程

K-means++

spss实现

注意的点 

2.系统聚类

算法流程

spss实现

3.DBSCAN算法

3.总结

---

1.定义

所谓的聚类，就是将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测； 也可以探究不同类之间的相关性和主要差异。

聚类与分类不同，分类是已经知道了类别，聚类不知道类别。

2.算法分类

1.K-means聚类（K均值聚类）以及K-means++

算法流程

1.指定需要划分的簇[cù]的个数K值（类的个数）;

2.随机地选择K个数据对象作为初始的聚类中心（不一定要是我们的样本点）;

3.计算其余的各个数据对象到这K个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所处在的簇类中;

4.调整新类并且重新计算出新类的中心;

5.循环步骤三和四，看中心是否收敛（不变），如果收敛或达到迭代次数则停止循环;

6.结束。

K-means++

优化的点：初始化K个聚类中心。

1.随机选取一个样本作为第一个聚类中心；

2.计算每个样本与当前已有聚类中心的最短距离（即与最近一个聚类中心的距离），这个值越大，表示被选取作为聚类中心的概率较大；最后，用轮盘法（依据概率大小来进行抽选）选出下一个聚类中心；

3.重复步骤二，直到选出K个聚类中心。选出初始点后，就继续使用标准的K-means算法了。

spss实现

注意的点 

1.K值的决定

2.如果单位不统一，记得均值化消除量纲的影响。

2.系统聚类

系统聚类的合并算法通过计算两类数据点间的距离，对最为接近的两类数据点进行组合，并反复迭代这一过程，直到将所有数据点合成一类，并生成聚类谱系图。

算法流程

1.将每个对象看作一类，计算两两之间的最小距离；

2.将距离最小的两个类合并成一个新类；

3.重新计算新类与所有类之间的距离；

4.重复二三两步，直到所有类最后合并成一类；

5.结束。

spss实现

3.DBSCAN算法

DBSCAN(Density-based spatial clustering of applications with noise)是Martin Ester, Hans-PeterKriegel等人于1996年提出的一种基于密度的聚类方法，聚类前不需要预先指定聚类的个数，生成的簇的个数不定（和数据有关）。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据。

3.总结

今天的聚类就到这里，好像机器学习里面K均值聚类这些都可以通过python来实现，感兴趣的小伙伴可以用python的机器学习的库去实现以下。