原型聚类算法综述(原型聚类算法开篇)

原型聚类算法综述

第十六次写博客,本人数学基础不是太好,如果有幸能得到读者指正,感激不尽,希望能借此机会向大家学习。这一篇作为该类算法族的开篇,主要介绍了基于原型聚类的最终模型和优化目标。

  基于原型的聚类最终产生的模型包含以下两部分:
  (1) 聚类簇 { C l ∣ l = 1 , 2 , . . . , k } \{C_l|l=1,2,...,k\} { Cll=1,2,...,k}
  (2) 聚类中心 { μ l ∣ l = 1 , 2 , . . . , k } \{\mu_l|l=1,2,...,k\} { μ<

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
原型聚类算法和密度聚类算法是两种不同的聚类算法原型聚类算法是一种基于距离的聚类算法,它将数据点分为k个聚类,每个聚类由一个原型代表。常用的原型聚类算法有k-means和k-medoids。 k-means算法是一种迭代算法,它的核心思想是通过不断迭代来找到k个聚类中心,使得所有数据点到其所属的聚类中心的距离最小。优点是算法简单易懂、计算速度较快,但需要预先确定聚类数量k,且对初始聚类中心的选择敏感。 k-medoids算法也是一种迭代算法,它的核心思想是通过不断迭代来找到k个聚类中心,使得所有数据点到其所属的聚类中心的距离最小。与k-means不同的是,k-medoids选择的聚类中心必须是数据点中的一个,而不是任意一点。因此,k-medoids更加鲁棒,但计算复杂度较高。 密度聚类算法是一种基于密度的聚类算法,它将数据点分为若干个聚类,每个聚类由密度较大的区域代表。常用的密度聚类算法有DBSCAN和OPTICS。 DBSCAN算法通过定义邻域半径和最小点数来确定核心点、边界点和噪声点,并将核心点和其可达的点分为一个聚类。优点是不需要预先确定聚类数量,且对噪声点有较好的处理能力,但对参数的选择敏感。 OPTICS算法是DBSCAN的一个改进算法,它通过计算可达距离来确定聚类边界,避免了DBSCAN对邻域半径和最小点数的敏感性。但计算复杂度较高,且对于不同密度的数据分布效果不一定好。 综上所述,原型聚类算法和密度聚类算法各有优缺点,应根据实际情况选择适合的算法。

“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
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