聚类,k-mean方法,基于密度的方法:DBSCAN,孤立点检测——数据分析与R语言 Lecture 10

这篇博客探讨了数据分析中的聚类方法,包括使用R语言实现的K-means算法及其优缺点,如对初始值的不敏感性和对非球形簇的处理能力不足。此外,还介绍了基于密度的DBSCAN方法,其核心思想是通过密度可达性来形成簇,但参数选择需要经验。最后,文章提到了孤立点检测的几种方法,如统计方法和基于聚类的检测。
摘要由CSDN通过智能技术生成

聚类

在这里插入图片描述
在这里插入图片描述

dist( )函数

x1=c(1,2,3,4,5)
x2=c(3,2,1,4,6)
x3=c(5,3,5,6,2)
x=data.frame(x1,x2,x3)

在这里插入图片描述

各种类与类之间距离计算的方法

薛毅书P476
最短距离法
最长距离法
中间距离法
类平均法
重心法
离差平方和法

动态聚类:K-means方法

算法:
1 选择K个点作为初始质心
2 将每个点指派到最近的质心,形成K个簇(聚类)
3 重新计算每个簇的质心
4 重复2-3直至质心不发生变化

kmeans( )函数

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