【Python机器学习】K-Means、DBSCAN、GMM三种聚类的对比演示（附源码）

最新推荐文章于 2025-03-25 09:00:00 发布
最新推荐文章于 2025-03-25 09:00:00 发布
阅读量1.5k 收藏 25
点赞数 19
分类专栏： 机器学习 文章标签： 聚类 python kmeans 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiebaoshayebuhui/article/details/128360208
版权

需要源码和数据集请点赞关注收藏后评论区留言私信~~~

下面给出一个从多方面综合分析划分聚类，密度聚类和模型聚类。以及聚类算法内部评价指标的示例，该示例先生成三种二维平面上的实验数据和一种高维空间中的实验数据，然后分别用kmeans，DBSCAN，GaussianMixture三种算法对它们进行聚类，并计算SC DBI CH ZQ四个指标，展示实验样本点的分布与聚类算法实用性，评价指标值有效性的关系。

三种二维平面上的实验样本图如下，它们分别是圆环，高斯分布和月牙形状的，由datasets模块中响应的函数产生

高维空间中的实验样本通过PCA降维后，在二维平面上的分布如下所示，它是由datasets模块中的make_gaussian_quantiles()函数在四维空间中以原点为中心，按高斯分布随机产生的，由内向外分为9层的类球状分布，随后去掉1-6层和第8层，只保留内核的第0层和外面的第7层，可以将此数据想象成一个带核的空心四维类球体

 

三种聚类算法的结果以及指标值对比如下图所示

 

最低0.47元/天 解锁文章
KMeans 算法与其他聚类算法的比较
AI天才研究院
01-13 257
1.背景介绍 K-Means 算法是一种常用的无监督学习算法，主要用于聚类分析。聚类分析是一种无监督学习方法，用于根据数据的相似性将数据划分为不同的类别。K-Means 算法的核心思想是将数据集划分为 K 个子集，使得每个子集内部的数据点相似性较高，而不同子集之间的数据点相似性较低。 K-Means 算法的发展历程可以追溯到 1960 年
客户分群算法比较：K均值聚类与高斯混合模型（GMM），Python实现
ByteHackerX的博客
09-13 214
然后，我们使用fit()方法对数据进行拟合，并使用predict()方法获取每个数据点所属的簇，使用means_和covariances_属性获取每个簇的参数。然后，我们使用fit()方法对数据进行聚类，并使用labels_属性获取每个数据点所属的簇，使用cluster_centers_属性获取每个簇的质心。K均值聚类是一种基于距离的聚类算法，其目标是将数据集划分为K个不同的簇，使得每个数据点与其所属簇的质心的距离最小化。需要注意的是，K均值聚类和GMM都需要事先指定簇的数量K，并且对初始参数敏感。
深入理解K均值算法：Python中的应用与实践
theskylife的博客
01-31 2278
聚类算法是数据科学中的重要工具，而K均值算法则是其中的一颗璀璨明珠。本篇博客将带您深入了解K均值算法的原理、实现步骤，并通过Python实例展示其在实际项目中的应用与调优技巧。
聚类算法解析系列03】经典聚类算法（下）——DBSCAN与高斯混合模型
最新发布
Is code
03-25 1021
本文将深入这两种算法的数学本质，通过工业级案例与前沿应用，揭示它们如何破解非凸分布、重叠簇、动态噪声等世纪难题。
基于密度聚类的DBSCAN和kmeans算法比较
weixin_30590285的博客
07-04 1049
根据各行业特性，人们提出了多种聚类算法，简单分为：基于层次、划分、密度、图论、网格和模型的几大类。 其中，基于密度的聚类算法以DBSCAN最具有代表性。 场景 一 假设有如下图的一组数据， 生成数据的R代码如下 x1 <- seq(0,pi,length.out=100) y1 <- sin(x1) + 0.1*rnorm(100) x2 <- 1.5+ ...
k-means、DBSCAN、层次聚类等常用5中聚类方法
YJ语
07-29 2239
文章目录1 K-Means聚类2 均值漂移聚类3 具噪声基于密度的空间聚类算法4 高斯混合模型的期望最大化聚类5 凝聚层次聚类 1 K-Means聚类 基本K-Means算法的思想很简单，事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，接着，重新计算每个类的质心(即为类中心)，重复这样的过程，直到质心不再改变，最终就确定了每个样本所属的类别以及每个类的质心。由于每次都要计算所有的样本与每一个质心之间的
k-means与GMM优劣对比
m0_57491181的博客
03-26 633
GMM比K-Means在处理数据形状方面更灵活（数据集可以是任何椭球形状，而不是限于球形。），所以如图，GMM的聚类效果刚好。同时，GMM使用概率，每个数据点可能会被划分成多个簇，尤其是数据点位于两个重叠的簇中间。
简单易学的机器学习算法——基于密度的聚类算法DBSCAN
热门推荐
null的专栏
07-10 5万+
一、基于密度的聚类算法的概述 二、
三种聚类方法(K-means、GMM、DBSCAN聚类)
03-29
本篇文章将详细讲解三种聚类方法：K-means、GMM（高斯混合模型）以及DBSCAN（基于密度的空间聚类）。我们将探讨它们的基本原理、优缺点，并提供代码实现概述。 首先，K-means是最简单的聚类方法之一，它通过迭代...
K-Means、DBSCAN、GMM聚类原理及使用
instance12的博客
10-24 1079
目的：对于样本空间中的不同样本希望在经过聚类后得到分类的效果例：一个坐标轴中有多个点，每个点都有对应的坐标，样本空间表示为[[x1,y1],[x2,y2],[x3,y3]]一个二维向量过程：样本空间 -->f()函数中(可以指定分成几类) -->聚类结果#产生样本点 ：5000样本点，内外圆环间的比例，噪声系数#其中 x是生成的样本点，y是样本点的标注如array([0, 1, 1, ..., 0, 1, 0])
机器学习-python-实验-DBSCAN-BIRCH-对比k-means model & 高斯混合模型
12-01
在众多的聚类算法中，DBSCAN、BIRCH以及k-means和高斯混合模型（Gaussian Mixture Model, GMM）是常用的几种方法，各自拥有独特的应用场景和优劣。 DBSCAN（Density-Based Spatial Clustering of Applications with...
机器学习—K-means聚类、密度聚类、层次聚类理论与实战
柳杰的博客
05-27 3185
文章目录引言一、K-means聚类1.算法原理2.算法模型常用参数、属性、方法介绍3.算法实战二、密度聚类—DBSCAN1.算法原理2. 算法参数、属性、方法介绍3.算法实战三、层次聚类1.算法原理2.算法参数、属性、方法介绍3.算法实战四、总结 引言   聚类是机器学习算法中“新算法”出现最多、最快的领域。一个重要的原因是聚类不存在客观标准。下面我们分别介绍K-means聚类、DBSCAN算法（密度聚类）、AgglomerativeClustering算法（层次聚类），GMM算法（高斯混合模型）。 一、K
用python演示dbscan算法如何实现.rar
07-10
python演示dbscan算法如何实现，老外的Python代码，有些看不懂啊，文件不多，源码包中包括了测试数据，想对dbscan算法有一个大致了解的可下载本源码。
DBSCAN聚类的演示程序
01-20
--------------------同标题------------------
聚类算法 距离矩阵_聚类算法的评估指标
weixin_39746869的博客
11-22 2093
在学习聚类算法得时候并没有涉及到评估指标，主要原因是聚类算法属于非监督学习，并不像分类算法那样可以使用训练集或测试集中得数据计算准确率、召回率等。那么如何评估聚类算法得好坏呢？好的聚类算法,一般要求类簇具有：高的类内 (intra-cluster) 相似度低的类间 (inter-cluster) 相似度对于聚类算法大致可分为 2类度量标准：内部评估的方法：通过一个单一的量化得分来评估算法好坏；该类...
机器学习—Kmeans与GMM
cy925777075的博客
08-16 1397
说到无监督学习，在上一篇文章中，我们提到了PCA，这里我们再简单的说一下聚类算法：Kmeans与混合高斯模型（GMM） K-means K-means算法算是机器学习中最简单的算法之一了，但他却是应用最广泛、最普遍、最经典的聚类算法。原因在于实现简单，可理解性强。 先说一下K-means的工作步骤： 随机初始化K个类中心。 计算所有样本点到K个中心的欧式距离，并根据每个样本点到达聚类中心的最小欧氏距离对样本点进行类别划分。 然后更新计算每一类的聚类中心 重复2-3步骤直到算法收敛。 K-means算法
二维 均值方差高斯分布图 python_图像分割实战 - K均值算法（K-Means）和高斯混合模型（GMM）
weixin_39956036的博客
11-23 1434
1. K均值算法(K-Means)是一种无监督的聚类学习算法，它尝试找到样本数据的自然类别，分类K是由用户自己定义的，它在不需要任何其它先验知识的情况下，依据算法的迭代规则，把样本划分为K类，通过不断跌代和移动质心来完成分类。是一种硬分类的方法：即以距离为依据，离哪个点距离越近，它就应该标记为哪个编号，计算两个点之间的距离，有可能是向量(x，y)或(x，y，z)。不断的迭代，中心点不断的变换，使得...
人工智能 | K-MEANS聚类算法、均值偏移聚类算法、DBSCAN聚类算法、使用高斯混合模型（GMM）的期望最大化（EM）聚类、合成聚类
王博（Kings）的博客
11-23 3909
5种流行的聚类算法以及它们的优缺点。 本文参考AiTechYun K-MEANS聚类算法 K-Means聚类算法可能是大家最熟悉的聚类算法。它出现在很多介绍性的数据科学和机器学习课程中。在代码中很容易理解和实现！请看下面的图表。 K-Means聚类 1.首先，我们选择一些类/组来使用并随机地初始化它们各自的中心点。要想知道要使用的类的数量，最好快速地查看一下数据，并尝试识别任何不同的分组。中心点是与每个数据点向量相同长度的向量，在上面的图形中是“X”。 2.每个数据点通过计算点和每个组中
机器学习笔记之密度聚类——DBSCAN方法(Python代码实现)
静静的学习就好
04-24 1068
本节将介绍密度聚类——DBSCAN方法，并基于Python进行实现。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

showswoller

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值