本文详细介绍了聚类算法，包括相似度度量、层次聚类（如DIANA和AGNES）、划分聚类（K-Means及其改进K-Means++）以及密度聚类（Mean Shift和DBSCAN）。讨论了各种算法的原理、优缺点及代码实现，帮助读者深入理解不同聚类方法。
注: 两整天的成果,谬误之处勿喷
1 聚类概述
样本
- 没有训练的样本
- 没有标注的样本
1.1 相似度度量
1.1.1 距离相似度度量
- 距离度量 d i s t ( o i , o j ) dist(o_{i},o_{j}) dist(oi,oj)
- 欧式距离
- 距离相似度度量
s i m ( o i , o j ) = 1 1 + d i s t ( o i , o j ) sim(o_{i},o_{j})= \frac{1}{1+dist(o_{i},o_{j})} sim(oi,oj)=1+dist(oi,oj)1
1.1.2 密度相似性
- 体现的内涵:
- (1)数据结构特性
- (2)数据结构特性相似
- 密度: 单位空间内对象的个数
- 密度相似度定义: 设 c i , c j 点 的 密 度 为 d i , d j c_{i},c_{j}点的密度为d_{i},d_{j} ci,cj点的密度为di,dj
d e n s i t y ( c i , c j ) = ∣ d i − d j ∣ density(c_{i},c_{j})=|d_{i}-d_{j}| density(ci,cj)=∣di
最低0.47元/天 解锁文章
9570
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
