聚类算法相关学习链接

聚类是什么

 聚类，就是将相似的事物聚集在一 起，而将不相似的事物划分到不同的类别的过程

在数据分析的术语之中，聚类和分类是两种技术。分类是指我们已经知道了事物的类别，需要从样品中学习分类的规则，是一种有指导学习；而聚类则是由我们来给定简单的规则，从而得到分类，是一种无指导学习。

聚类的直观理解

聚类的目标

使同一类对象的相似度尽可能地大；不同类对象之间的相似度尽可能地小。

聚类的本质

聚类本质上是集合划分问题。因为没有人工定义的类别标准，聚类并没有统一的对样本进行划分的标准。因此算法要解决的核心问题是如何定义簇，唯一的要求是簇内的样本尽可能相似。通常的做法是根据簇内样本之间的距离，或是样本点在数据空间中的密度来确定。对簇的不同定义可以得到各种不同的聚类算法。

聚类算法的分类

 

 

常见的聚类算法

K-均值聚类

模糊聚类算法

DBSCAN

DBSCAN聚类算法-白话版

DBSCAN密度聚类算法-刘建平

层次聚类

Matlab提供的两种聚类分析方法

层次聚类的Matlab实现代码

MATLAB层次聚类分析法

X=[11978 12.5 93.5 31908; 57500 67.6 238.0 15900];
%T=clusterdata(X,0.9) %一次聚类法
%%层次聚类法
%Step1  寻找变量之间的相似性
%用pdist函数计算相似矩阵，有多种方法可以计算距离，进行计算之前最好先将数据用zscore函数进行标准化。
X2=zscore(X);  %标准化数据
Y2=pdist(X2);  %计算距离(默认欧式距离)
%Step2   定义变量之间的连接
Z2=linkage(Y2);
%Step3  评价聚类信息
C2=cophenet(Z2,Y2);       %//0.94698
%Step4 创建聚类，并作出谱系图
T=cluster(Z2,6);
H=dendrogram(Z2);