聚类
文章平均质量分 73
jty7
这个作者很懒,什么都没留下…
展开
-
聚类算法
什么是聚类? 将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。 本人暂时掌握的聚类算法有如下几种: k-means(k均值) k-medoids meanshift(均值漂移聚类) Hierarchical Clustering(层次聚类) DBSCAN ...原创 2018-07-23 16:59:17 · 270 阅读 · 0 评论 -
Graph Community Detection
先贴出我借鉴的博客https://blog.csdn.net/gaofeipaopaotang/article/details/80094656Graph Community Detection(图团体检测) 当我们的样本以及样本之间的关系可以被表示为一个网络或图(graph)时,可能存在这样的需求:我们想找出来网络中联系比较”紧密”的样本。举个例子,在社交网站中,用户以及用...原创 2018-07-23 13:36:58 · 2936 阅读 · 1 评论 -
Spectral Clustering
目录什么是Spectral Clustering?Spectral Clustering的分割方法 第一步构建一个相似度矩阵 第二步构建一个度矩阵 第三步构建拉普拉斯矩阵L 第四步归一化矩阵L 第五步计算矩阵L的特征值和特征向量关于如何计算特征值和特征向量先贴出我借鉴的博客http://blog.p...原创 2018-07-23 16:55:50 · 3694 阅读 · 7 评论 -
k-means
目录k-means的原理是k值的选取(手肘法)关于初始质心的选取:k-means的优点:k-means的缺点:先贴出我借鉴的博客https://blog.csdn.net/Katherine_hsr/article/details/79382249 https://blog.csdn.net/qq_15738501/article/details/79036255 ...原创 2018-07-22 14:13:04 · 593 阅读 · 0 评论 -
k-medoids
k-medoids与k-means,唯一的区别是,k-mediods每次选取的质心,必须是样本点,而k-means每次选取的质心可以是样本点之外的,就好比中位数和平均值的区别,其余步骤完全一样。 这里是对应的k-means聚类方法...原创 2018-07-22 19:27:41 · 2367 阅读 · 0 评论 -
meanshift
先贴出我借鉴的博客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...原创 2018-07-22 21:18:40 · 776 阅读 · 0 评论 -
Hierarchical Clustering
先贴出我借鉴的博客https://blog.csdn.net/Katherine_hsr/article/details/79382249Hierarchical Clustering(层次聚类),层次聚类分为两种,分别是分裂法和凝聚法。分裂法不常用,在这里重要介绍的是凝聚法。分裂法: 分裂法指的是初始时将所有的样本归为一个类簇,然后依据某种准则进行逐渐的分裂,直到达到某...原创 2018-07-22 21:53:54 · 324 阅读 · 0 评论 -
DBSCAN
先贴出我借鉴的博客https://blog.csdn.net/Katherine_hsr/article/details/79382249 https://blog.csdn.net/zhouxianen1987/article/details/68945844DBSCAN是基于密度的聚类算法,和meanshift同是基于密度的算法以下定义需要了解:核心点:在半径内含有超过minP...原创 2018-07-22 23:19:13 · 1288 阅读 · 0 评论 -
Birch
目录什么是BIRCH?聚类特征CF:CF Tree的生成:BIRCH优点:BIRCH缺点:先贴出我借鉴的博客https://www.cnblogs.com/pinard/p/6179132.html https://blog.csdn.net/congnaahahei/article/details/78881128什么是BIRCH? BIRCH的全...原创 2018-07-23 11:08:04 · 1401 阅读 · 0 评论