AI 人工智能学习之聚类分析及算法(2)

本文链接：https://blog.csdn.net/li_gf/article/details/127583806

本文深入探讨了聚类分析中的两种重要算法——k-means和DBSCAN。k-means算法因其简单和效率而广泛应用，但依赖于预设的簇数量和对球形簇的假设。DBSCAN算法则基于密度，能发现任意形状的簇且不需要预先设定簇的数量，对异常值和噪声具有较好的处理能力。聚类效果可以通过轮廓系数进行评估，该系数考虑了簇内紧密度和簇间距离。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

聚类

聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。

聚类是指把相似的数据划分到一起，具体划分的时候并不关心这一类的标签，目标就是把相似的数据聚合到一起。

聚类算法
聚类算法，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。另外需要说明的是，聚类是以相似性为基础的。

k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。

kmeans算法

划分聚类（partition based clustering）：给定包含N个点的数据集，划分法将构造K个分组；每个分组代表一个聚类，这里每个分组至少包含一个数据点，每个数据点属于且只属于一个分组；对于给定的K值，算法先给出一个初始化的分组方法，然后通过反复迭代的的方法改变分组，知道准则函数收敛。

K-means算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准的k个聚类。
k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。

算法定义：

给定样本集： $D=\begin{Bmatrix} \vec{x_{1}},&\vec{x_{2}}, & ... & \vec{x_{m}}, \end{Bmatrix}$ ， k均值算法针对聚类所得簇： $C=\begin{Bmatrix} C_{1} ,& C_{2} , & ..., & C_{k} \end{Bmatrix}$

最小化平方差：