聚类算法概念复习

聚类算法

无监督,无label

基于划分的方法 

K-means 、K-Medoids、CLANRANS

基于层次的算法

BIRCH(平均迭代规约和聚类)、CURE(代表点聚类)、CHAMELEON(动态模型)

基于密度的方法

DBSCAN(高密度链接区域)、DENCLUE(密度分布函数)、OPTICS(对象排序识别)

基于网络的方法

STING(统计信息网络)、SLIOUE(聚类高维空间)、WAVE-GMM(高斯混合模型)、NN(神经网络)


K-means  K事先给定聚类个数 最小化所有数据点与聚类中心的距离的总和。使得平方误差最小

算法步骤

1 为每个聚类随机选择一个初始聚类中心
2.将样本集按照最小距离原则分配到最近邻聚类
3.使用每个聚类的样本均值更新聚类中心
4.重复2,3步骤,直到聚类中心变化幅度小鱼阈值e
5.输出最终聚类中心和K簇划分


缺点
1.当样本集规模大时,收敛速度会变慢
2.当孤立点数据敏感,少量噪声就会对平均值造车较大影响
3.K的取值十分关键,对不同数据集,需要大量实验

解决方案:

MinBatchKmeans 小样本划分


DBSCAN:
基本概念
邻域参数Eps 邻域的半径
密度:邻域内样本个数
最少点参数MinPts 定义核心点的阈值
核心点:密度大鱼MinPts的点
边界点:非核心点且在某个核心点的邻域内
噪声点:非核心点且不在任何核心点的邻域内


密度直达 :核心点邻域内的点与其密度直达
密度可达
密度相连

DBSCAN算法思想:从某个核心点出发,不断向密度可达的区域扩张,从而得到一个包含核心点和边界点的最大化区域,区域内的任意俩个密度相连

算法步骤
1.初始化未访问核心点集合为空集,未访问样本点集合为全部样本点
2.计算各样本密度并确定核心点加入核心点集合
3.若无核心点算法结束否则进入4
4.未访问核心点集合中随机选出一个核心点,在未访问样本点集合中找到所有密度相连的样本点
5更新未访问核心点集合和未访问样本点集合并进入3
6给出聚类C

优点
1.无需指定类的数量
2.可以分辨噪声点且对噪声点不敏感
3.聚类结果与遍历数据的顺序无感

缺点
对参数敏感需要多次尝试Eps及MinPts参数
密度相差较大的类难以达到较好的效果

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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