数据挖掘-聚类算法

一、聚类算法思想

即物以类聚，将相似的物品聚为一类。

二、聚类算法

k-means、k-medoids、clarans、密度聚类、层次聚类等等

三、聚类算法详解

3.1 k-means

基本思想:将n个数据样本聚类，因为除了样本信息外，无法获知应该将数据样本聚类为几个簇。因此，假设将样本分为k个簇，而这也是k-means聚类算法的缺点。衡量聚类算法的评价指标：簇内样本相似度高、簇间样本相似度低。如果用聚类度量相似度，则可以理解为簇内样本距离小，簇间样本距离大。

工作过程：（1）从n个样本中任意选择k个样本作为初始簇中心，采用簇中心代表一个簇。

（2）根据样本集合中其他样本与簇中心样本的相似度，将样本聚类到与簇中心最相似的簇。

（3）重新计算簇中心，即每个簇中所有样本的均值。

（4）不断重复步骤（2）、（3），直至标准测度函数（如均方差）收敛。

（5）评价：簇内样本相似度，和簇间样本相似度。对于簇内样本相似度计算方法：如果采用距离度量，则可计算簇中心到簇内样本的距离的均值；也可以计算簇内样本间两两样本距离的均值；如果采用密度度量，则每个簇可抽象为一个以簇中心为圆心，以簇中心到与距离其最远的样本的距离为半径的圆。再以簇中心为圆心，从零逐渐增加半径的单位量，计算每个环形区域内数据点的个数除以圆环面积，计算的所有结果取平均值作为密度。

对于簇间样本相似度计算方法：计算簇中心距离。

算法缺点：对脏数据敏感

3.2 k-medoids

和 k-means不同，其将每个簇中样本距离簇内其他样本距离最小的样本作为簇中心。

工作过程：

（1）从n个样本中任意选择k个样本作为初始簇中心，采用簇中心代表一个簇。

（2）根据样本集合中其他样本与簇中心样本的相似度，将样本聚类到与簇中心最相似的簇。

（3）重新计算簇中心，即每个簇中样本距离簇内其他样本距离最小的样本作为簇中心。

（4）不断重复步骤（2）、（3），直至簇中心固定不变。

缺点：在选择簇中心时增加了计算量

3.3 密度聚类

之后补上，曾经做数学建模时，有一块用到密度聚类思想。

---

转载请注明出处：https://blog.csdn.net/catchingSun/article/details/104851899

小女不才，尚有小群，有意请加：

翻转世界IT：386707638

硕博交流群（仅限硕博）：774547075