聚类算法整体总结

聚类方法归类：划分法、基于模型、基于密度、层次法、基于网格

模型参数：需要求出来的目标

隐含参数：不需要求，但如果知道会有利于求出目标

基于分割的聚类

一、K-Means

算法步骤

1.随机初始化几个点(可随意设置)

2.将其余各点根据到初始点的距离，分配到这些点上，形成初始分类

3.找到每个类的中心点(到类内其它点距离均值最小的点)，作为新的初始点

4.重复2、3步，直到中心点不再变化(或变化很小)

算法复杂度：O(tkn)，t为迭代次数(一般5、6次)，k为初始选取的点数(即分类数)，n为数据集的规模

缺点：K-Means对只能处理分布简单的数据，对数据分布有要求；对噪声和outliner(离群点)敏感；对初始中心点敏感；

优点：收敛速度快

二、Sequential Leader Clustering

只处理一遍，不需要设置K值

1.设置一个阈值

2.来一个点，计算它与已有点的距离，小于阈值即归为一类。否则自立门户，形成新的一类

基于模型的聚类、基于密度的聚类

一、EM算法（期望最大化算法ExpectationMaximuzation），基于模型

基于模型的