聚类（下）

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