本文介绍了机器学习中的聚类方法，包括划分方法如K-means，层次方法如DIANA，基于密度的方法如DBSCAN，模糊聚类如EM算法，以及基于模型的方法。此外，还探讨了聚类效果的评价指标，如轮廓系数、Rand Index和between_ss / total_ss，这些指标用于衡量聚类的质量。
机器学习之聚类
聚类
1、聚类方法有哪些（常用）
划分方法：
描述：分裂法构造K个分组。
K-means算法
层次方法：
描述：对给定的数据集进行层次似的分解，直到某种条件满足为止。
DIANA、BIRCH、Chameleon
基于密度的方法：
描述：基于密度的方法与其它方法的一个根本区别是：它不是基于各种各样的距离的，而是基于密度的。只要一个区域中的点的密度大过某个阈值，就把它加到与之相近的聚类中去。
DBSCAN算法、OPTICS算法
模糊聚类：
EM算法
基于模型的方法：
描述：基于模型的方法给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据集。
2、聚类方法的评价指标
Silhouette Coefficient（轮廓系数）
- 对象与其自身簇（内聚力）相比与其他簇（分离）相似程度的度量。
- 值从-1到+1，其中高值表示对象与其自己的簇很好地匹配并且与相邻
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
