聚类算法（二）—— 优缺点对比

聚类算法（一）——DBSCAN

聚类算法（二）—— 优缺点对比

聚类算法（三）—— 评测方法1

聚类算法（三）—— 评测方法2

聚类算法（三）—— 评测方法3(代码）

聚类算法（四）—— 基于词语相似度的聚类算法（含代码）

聚类算法（五）——层次聚类 linkage （含代码）

聚类算法（六）——谱聚类 （含代码）

 聚类算法（七）—— Kmeans

 

各种聚类算法优缺点：

总结下：

Kmeans

优点：

• 简单快速
• 可处理大数据集，高效可伸缩，复杂度O(nkt)，经常以局部最优结束
• 尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，而簇与簇之间区别明显时，它的聚类效果很好

缺点：

对 K 值敏感

• 对离群点和噪声点敏感
• 初始聚类中心的选择
• 只能聚凸的数据集， 即聚类的形状一般只能是球状的，不能推广到任意的形状

 

DBSCAN

优点

• 自适应的聚类，不需要提前设定K值大小
• 对噪声不敏感。
• 能发现任意形状的簇。
• 聚类结果没有偏倚，相对的，K-Means之类的聚类算法初始值对聚类结果有很大影响

缺点

• 对两个参数的设置敏感，即圈的半径 eps 、阈值 MinPts
• 数据密度不均匀时，很难使用该算法
• 数据样本集越大，收敛时间越长。此时可以使用 KD 树优化

凝聚式层次聚类

优点

• 距离和规则的相似度容易定义，限制少
• 需要预先制定聚类数
• 可以发现类的层次关系

缺点

• 计算复杂度太高；
• 奇异值也能产生很大影响；
• 算法很可能聚类成链状

谱聚类

优点

• 当聚类的类别个数较小的时候，谱聚类的效果会很好，但是当聚类的类别个数较大的时候，则不建议使用谱聚类；
• 谱聚类算法使用了降维的技术，所以更加适用于高维数据的聚类；
• 谱聚类只需要数据之间的相似度矩阵，因此对于处理稀疏数据的聚类很有效。这点传统聚类算法（比如K-Means）很难做到
• 谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解

 缺点

• 谱聚类对相似度图的改变和聚类参数的选择非常的敏感；
• 谱聚类适用于均衡分类问题，即各簇之间点的个数相差不大，对于簇之间点个数相差悬殊的聚类问题，谱聚类则不适用；

 

参考链接：

聚类算法总结 - 优缺点对比 

谱聚类（Spectral Clustering）算法介绍

 

文本聚类相关链接， 后续整理：

https://www.csdn.net/gather_23/MtTaggysMzU2Mi1ibG9n.html

https://blog.csdn.net/lovoslbdy/article/details/104927365

https://blog.csdn.net/xiaoquantouer/article/details/53521581

https://blog.csdn.net/weixin_47143210/article/details/106219013

常见的六大聚类算法  包含均值漂移、高斯、 图团体检测等聚类方法

各种聚类算法（原理+代码+对比分析）最全总结  包含 DBSCAN KMeans AHC 算法代码

 

 

----------------------

附上一篇层次聚类的介绍文章  http://blog.sciencenet.cn/blog-1271266-858703.html