meanshift

先贴出我借鉴的博客

1. https://blog.csdn.net/Katherine_hsr/article/details/79382249

       meanshift聚类方法又称为均值漂移聚类。均值漂移聚类是基于滑动窗口的算法，来找到数据点的密集区域。通过将中心点的候选点更新为滑动窗口内点的均值来完成，来定位每个簇的中心点。然后对这些候选窗口进行相似窗口进行去除，最终形成中心点集及相应的分组。

以选取一个簇为例，具体步骤如下：

1. 确定滑动窗口半径r，以随机选取的样本为中心点半径为r的圆形滑动窗口开始滑动。在每一次迭代中向密度更高的区域移动，直到收敛。 
2. 每一次滑动到新的区域，计算滑动窗口内的均值来作为中心点，滑动窗口内的点的数量为窗口内的密度。在每一次移动中，窗口会向密度更高的区域移动。 
3. 移动窗口，计算窗口内的中心点以及窗口内的密度，知道没有方向在窗口内可以容纳更多的点，即一直移动到圆内密度不再增加为止。 
4. 步骤一到三会产生很多个滑动窗口，当多个滑动窗口重叠时，保留包含最多点的窗口，然后根据数据点所在的滑动窗口进行聚类。 

优点：

1. 不同于K-Means算法，均值漂移聚类算法不需要我们知道有多少簇。 
2. 基于密度的算法相比于K-Means受均值影响较小。 

缺点：

1. 窗口半径r的选择可能是不重要的。