4种聚类（kmeans, kmeans++，层次聚类，DBSCAN密度聚类）

最新推荐文章于 2024-04-08 20:57:40 发布
最新推荐文章于 2024-04-08 20:57:40 发布
阅读量3.5k 收藏 36
点赞数 6
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36607894/article/details/100884332
版权

文章目录

聚类的方法和结果是多种多样的，你可以使用多种方法，只要你的结果解释的合理就行，解释不好就换种方法试试

聚类数目一般不要分为太多类了，一般K小于等于5吧，看你实际情况分为几类好解释了

在这里插入图片描述

聚类之前首先标准化处理数据以消除量纲的影响

标准化处理很简单，直接在spss中描述统计就好啦

因为聚类中计算距离使用欧氏距离

除非所有指标的单位都一样，比如数据是各种消费指标，单位都是元，那就不需要标准化
在这里插入图片描述

聚类也是可以对指标分类的，只是用的很少

一般都是对样本进行聚类的

1 k-means

简单
计算效率很高
聚类结果依赖初值
在这里插入图片描述在这里插入图片描述在这里插入图片描述

2 k-means++

spss默认使用的就是kmeans++

他可以保证不同的类之间的距离可以尽量的大，这不就是聚类的初衷嘛，所以他会成功

最大的不同在于聚类初始中心的选择

轮盘法
轮盘法
轮盘法

但是，并不是说低概率的点就不会被选作聚类中心了，概率嘛，小概率也是可能发生的
在这里插入图片描述

3 系统聚类/层次聚类

解决k均值需要自己确定簇数的问题

最后生成一个谱系图

根据距离不断合并

在这里插入图片描述在这里插入图片描述在这里插入图片描述

样品与样品之间的距离

在这里插入图片描述

示例
在这里插入图片描述
最常用的是前面两个，后面三个都用很少的

指标和指标的距离（用得少）

在这里插入图片描述

相关系数是一个线性距离

示例
在这里插入图片描述

类和类之间的距离

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

即聚类中心之间的距离

在这里插入图片描述在这里插入图片描述

帮助确定类别数目k的图形方法（肘部法则）

在这里插入图片描述
k最大是n-1哈，为n还算个啥畸变程度

spss中系统聚类给出的结果中的系数，就是上图的聚合系数

在这里插入图片描述

画出聚合系数和类别数的图像，由聚合系数的定义知道，一定是随着k增大，系数减小的，递减的趋势
在这里插入图片描述在这里插入图片描述

用spss画出的聚类可视化图像（只适用于指标为2和3的可视化，实际情况一般指标多于3，是不可以这样可视化的）
在这里插入图片描述

4 DBSCAN聚类算法

这个聚类还是用得少，除非你的数据真的是很"dbscan",你懂吧，木就是挨着一坨一坨的很密集的那种

上面的k均值和层次聚类都是基于距离的

在这里插入图片描述
上图的这种数据，是只能用基于密度的聚类的，基于距离的聚类怎么着都聚不好

非常重要的参数——半径

聚类完成后，有的点不在任何类中，则为本次聚类的异常点

在这里插入图片描述

在这里插入图片描述

还是系统聚类好使啊，非常经典，能写的东西有肘部法则，谱系图,系统聚类算法流程图啥的，比k均值聚类能写的东西多得多

doubleslow;
关注
  • 6
    点赞
  • 踩
  • 36
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
单链聚类算法_初识聚类算法:K均值、凝聚层次聚类和DBSCAN
weixin_39971435的博客
12-20 1317
聚类分析就仅根据在数据中发现的描述对象及其关系的信息，将数据对象分组(簇)。其目标是，组内的对象相互之间是相似的，而不同组中的对象是不同的。组内相似性越大，组间差别越大，聚类就越好。先介绍下聚类的不同类型，通常有以下几种：(1)层次的与划分的：如果允许簇具有子簇，则我们得到一个层次聚类。层次聚类是嵌套簇的集族，组织成一棵树。划分聚类简单地将数据对象划分成不重叠的子集(簇)，使得每个数据对象恰在一个...
聚类算法 ： Kmeans、Kmeans++、肘方法 - DBSCAN
04-05
接下来是DBSCAN（Density-Based Spatial Clustering of Applications with Noise），这是一种基于密度的聚类算法，不依赖于预先设定的聚类数量。DBSCAN通过定义邻域半径（epsilon，ε）和最少邻居数（minimum points...
python中dbscan和kmeans_Python机器学习笔记：K-Means算法，DBSCAN算法
weixin_39999532的博客
12-03 572
完整代码及其数据，请移步小编的GitHub传送门：请点击我如果点击有误：https://github.com/LeBron-Jian/MachineLearningNoteK-Means算法K-Means 算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。K-Means 算法有大量的变体，本文就从最传统的K-Means算法学起，在其基础上学习K-Means的优化变体方法。...
【详解算法流程+程序】DBSCAN基于密度的聚类算法+源码-用K-means和DBSCAN算法对银行数据进行聚类并完成用户画像数据分析课设源码资料包
热门推荐
阿齐Archie
04-08 2万+
【详解算法流程+程序源码】DBSCAN聚类算法详解+用K-means和DBSCAN算法对银行数据进行聚类并完成用户画像+数据分析课设源码包-本资源包含本文聚类算法代码实现的源码，此外，还有数据分析综合课程设计，包含：SIR过程模拟与节点排序、用k-means和DBSCAN算法对银行数据进行聚类并完成用户画像、决策树与随机森林、基于奇异值分解的评分预测算法实现
系统聚类（层次聚类）
zkq_1986的博客
08-02 6089
1 概述系统聚类，又称层次聚类，其大体步骤： 1）先将每个样本自成一类； 2）将所有类中距离最小的两个类合并为一类； 3）重复步骤2），直至最终仅剩一个类。 这样一种连续的过程可用一种类似于树状结构的类型即聚类谱系图（俗称树状图）来表示。 按类之间的距离计算方法划分，我们可将系统聚类分为6 离差平方和（Ward’s）
数学建模 --- K-means、系统聚类 与 DBSCAN
lxin690的博客
08-26 2157
1. K-means、系统聚类 与 DBSCAN 2. 重点：SPSS求系统聚类
多元统计分析——聚类分析——鸢尾花数据集在K-均值、层次、DBSCAN上的比较
huangguohui_123的博客
08-23 5939
鸢尾花数据集是非常经典的数据集，常被用来数据挖掘初学者进行数据探索，本文基于鸢尾花数据集分别进行K-均值聚类、层次聚类、DBSCAN（密度聚类），比较这三类算法的区别。 一、K-均值聚类 关于K-均值聚类算法的详细介绍可见《多元统计分析——聚类分析——K-均值聚类（K-中值、K-众数）》。 二、层次聚类 关于层次聚类算法的详细介绍可见《多元统计分析——聚类分析——层次聚类》。 三、DBSCAN（密度聚类） 关于DBSCAN（密度聚类）聚类算法的详细介绍可见《多元统计分析——聚类分析——DBSCA
机器学习（3）：聚类算法之K均值算法、层次聚类和密度聚类
zuzhiang的博客
11-16 1305
最近自己会把自己个人博客中的文章陆陆续续的复制到CSDN上来，欢迎大家关注我的个人博客zuzhiang.cn，以及我的github。 本文主要讲解有关聚类的相关算法，包括K均值聚类、层次聚类以及密度聚类等，除此之外，还会讲解聚类算法中的一些基本概念，以及聚类算法效果评判的一个标准——轮廓系数。 <!--more--> 本文主要是依据李航老师的《统计学习方法》和邹博老师的机器学习...
实验二 聚类算法_Kmeans_DBSCAN_matlab_聚类算法
09-11
在本实验中，我们将深入探讨两种常用的聚类算法——K-Means和...在本实验的“新建文件夹”中，可能包含有MATLAB代码示例和数据文件，通过阅读和运行这些文件，你可以更深入地理解这两种聚类算法的实现细节和效果。
KMeans聚类算法+代码
05-14
KMeans聚类算法是机器学习领域中广泛应用的一种无监督学习方法，主要用于发现数据中的自然群体或类别。在没有预先标记的情况下，它通过计算样本之间的距离并迭代调整簇中心来将数据点分配到不同的簇中。KMeans算法的...
基于密度的聚类方法
04-13
程序代码只需修改输入数据，即可使用。
聚类算法Python实现（KMeans、DBSCAN）
11-24
本文将深入探讨两种广泛使用的聚类算法——KMeans和DBSCAN，并通过Python语言来阐述其实现。 首先，KMeans算法是基于原型的聚类方法，它的核心思想是将数据分为K个不同的簇，每个簇由一个中心点或原型表示。以下为...
聚类算法 实现Kmeans，DBSCAN以及谱聚类.zip
最新发布
05-08
聚类 主要思想： 聚类算法要把M个数据点按照分布分成K类（很多算法的K是人为提前设定的）。我们希望通过聚类算法得到 K个中心点，以及每个数据点属于哪个中心点的划分。 中心点可以通过迭代算法来找到，满足条件：...
三种聚类方法(K-means、GMM、DBSCAN聚类)
03-29
本篇文章将详细讲解三种聚类方法：K-means、GMM（高斯混合模型）以及DBSCAN（基于密度的空间聚类）。我们将探讨它们的基本原理、优缺点，并提供代码实现概述。 首先，K-means是最简单的聚类方法之一，它通过迭代...
Matlab和Python聚类算法代码包含dbscan和kmeans算法
04-21
Matlab作为数学和科学计算的强大工具，提供了内置的`kmeans`函数，可以直接调用进行KMeans聚类。对于DBSCAN，虽然Matlab没有内置函数，但可以通过自定义函数或者利用开源库如`MatlabBGL`实现。 4. **Python实现**...
R语言 层次聚类（系统聚类）
zxy_clover的博客
03-20 4875
层次聚类试图在不同层次对数据集进行划分 library(NbClust) data(nutrient, package = 'flexclust') row.names(nutrient) <- tolower(row.names(nutrient)) nutrient.scale <- scale(nutrient) d <- dist(nutrient.scale)
数据挖掘学习——聚类分析(k-均值聚类、DBSCAN、AGNES)、python代码
weixin_52135595的博客
09-25 4846
聚类分析的结果是将相似的样本划分在同一个簇中，差别较大的样本划分到不同的簇。对样本进行聚类的依据是样本之间的相似度，样本之间的相似度通常使用样本距离来衡量。使用不同的距离定义对聚类结果有很大影响。1.闵可夫斯基距离2.曼哈顿距离3.欧几里得距离4.加权闵可夫斯基距离5.余弦距离。
dbscan聚类和kmeans聚类的区别？
04-18
Dbscan聚类和kmeans聚类的区别在于它们的算法实现和适用场景不同。Kmeans聚类是一种基于划分的聚类方法，它将数据划分为k个簇，其中每个簇的中心点被称为质心。Dbscan聚类是一种基于密度的聚类方法，它通过寻找高密度区域并在这些区域中不断扩展簇的形状来实现聚类。相比之下，DBSCAN聚类更适合非球形数据集，而Kmeans聚类则更适合具有清晰分界线和紧凑性的数据集。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值