1.原型聚类
原型聚类亦称“基于原型的聚类”(prototype-based clustering),此类算法假设聚类结构能通过一组原型刻画,在现实聚类任务中常用。通常,算法先对原型进行初始化,然后对原型进行迭代更新求解。
1)K-Means算法 (距离平方和最小聚类法)
给定样本集D={x1,x2,…,xm},“k均值”算法针对聚类所得簇划分C={C1,C2,…,Ck}最小化均方误差:
直观来看,上式在一定程度上刻画了簇内样本均值向量的紧密程度,E值越小则簇内相似度越高。
2)学习向量量化
3)高斯混合聚类
2.密度聚类
以空间中的一点为中心,单位体积内点的个数称为该点的密度。密度聚类只要邻近区域的密度(对象或数据点的数目)超过某个阈值,就能够继续聚类。
也就是说,对给定类中的每个数据点,在一个给定的区域内必须至少包含某个数目的点。这样,密度聚类方法就可以用来过滤“噪声”异常点数据,发现任意形状的簇。
在密度聚类算法中,有基于高密度连接区域的DBSCAN(Density-based Spatial Clustedng of Application with Noise)算法、通过对象排序识别聚类结构的OPTICS(Ordering Points To Identify the Cl