聚类算法举例

最新推荐文章于 2023-12-12 20:27:06 发布

SWORD_CUTTING

最新推荐文章于 2023-12-12 20:27:06 发布

阅读量102

点赞数

文章标签：算法聚类机器学习

本文链接：https://blog.csdn.net/LIJIAN_A1/article/details/134205452

版权

本文介绍了多种常见的聚类算法，包括层次聚类、DBSCAN、OPTICS、谱聚类、BIRCH、CLARA、PAM和CURE，以及GMM、K-Means++和MiniBatchKMeans，展示了基于距离、密度和图论等不同方法的聚类策略。

摘要由CSDN通过智能技术生成

除了K-means算法，还有许多其他的聚类算法。以下是一些常见的聚类算法：

层次聚类算法：这是一种基于距离的聚类算法，它将数据集划分成一棵树形结构，每个节点代表一个簇，树的根节点代表整个数据集，叶子节点代表单个数据点。
DBSCAN算法：这是一种基于密度的聚类算法，它将数据集划分成若干个密度相似的簇，每个簇由密度相连的数据点组成。
3.OPTICS算法：它也是一种基于密度的聚类算法，但与DBSCAN算法不同，它能够识别出异常值并建立一个高质量的聚类结果。
谱聚类算法：这种算法将数据看作是图中的节点，通过图论的方法将数据集划分成不同的簇。
BIRCH算法：这是一种基于分治思想的聚类算法，它将数据分成若干个子集，然后对每个子集进行聚类。
CLARA算法：这是一种基于划分的聚类算法，它能够从大型数据集中快速地抽取样本并进行聚类。
PAM算法：这是一种基于划分思想的聚类算法，它通过迭代的方式将数据集划分成不同的簇，每个簇的中心点称为质心，然后根据数据点与质心之间的距离将数据点划分到不同的簇中。
CURE算法：这是一种基于密度的聚类算法，它通过随机采样数据点并计算它们之间的距离来进行聚类。

以上是几种常见的聚类算法，但实际上还有许多其他的聚类算法，如Gaussian Mixture Model(GMM)、K-Means++、MiniBatchKMeans等。

关注