kmeans算法学习2

kmeans算法：给定样本集D={x1,x2,x3,…,xm}，针对聚类所得簇划分为k个簇，计算每个样本和簇之间的最小化平方误差。
算法过程：选取k个样本作为初始化均值向量，计算每个样本与当前均值向量的距离，选区当前样本与当前均值向量最近的哪一个，把当前样本归于这个均值向量，对所有样本都考察一遍以后，所有样本都归于某一个均值向量当中，然后求出新的均值向量。再计算所有样本与新的均值向量之间的距离，重复以上步骤，直到达到最大运行轮数或者最小调整幅度。

LVQ算法（学习向量量化）：这个算是有监督的学习，每个样本有n和特征，也有对应的标记。首先从样本种选出一些样本作为原型向量，且都有预设的类别标记。
计算某个样本x1与原型向量之间的距离，找出与x1距离最近的原型向量，如果x1的标记和原型向量的预设标记一样，那么令原型向量往x1的方向靠拢；若不一样，则远离x1。这样我们的簇就不断移动，直到达到最大迭代轮数。

高斯混合聚类：计算每个样本被归于某个簇的概率，簇划分是由原型对应的后验概率确定。
密度聚类：DBSCAN算法

领域其实就是某一个半径内，假设半径为5，我们先看P点以半径为5画的圆中包含3个点，而q点以半径为5画7个点 7>5,所以q就叫做核心对象。p不是核心对象。理解就是这么简单，再看看什么叫密度可达，见下图：