Clustering：Model-Based Algorithm

Clustering：Model-Based Algorithm

 

我们在前面学习过的Clustering算法模型有：

基于划分(Partitioning)：K-Means及其扩展算法

基于层次(Hierarchical)：Hierarchical Cluster算法

这两类算法能够在大多数常规数据空间中运行良好，但是其缺点也是比较明显。数据本身的特性，如欧式空间限制、初始值限制等，这些可以通过各种思路进行解决。现在有这么一些数据，其数据特性如下：

1：数据点在空间的密度不一致：

 

2：数据点在空间的分布形状不规则-非球形(Non-Globalar)

 

3：噪声影响

基于Partitioning、Hierarchical的Clustering算法在这些数据特征上表现不理想，如果认为通过增加簇的数目能解决这些问题的话请忽略这句话。对于这种情况，我们需要一种能够发现Density、Size、Outliar值的算法来解决这些问题，我们本次来学习基于空间数据Density来进行分簇的算法，这个实际上是基于Density-Model来进行分簇。