基于图的聚类算法综述（基于图的聚类算法开篇）

最新推荐文章于 2024-08-30 08:33:56 发布
最新推荐文章于 2024-08-30 08:33:56 发布
阅读量1.2w 收藏 34
点赞数 5
分类专栏： 机器学习 文章标签： 基于图的聚类算法 Figure-based Clustering
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_40793975/article/details/84746283
版权
本文是基于图的聚类算法系列的开篇，介绍了如何稀疏化邻近度图，以及SNN相似性度量。讨论了基于SNN的类DBSCAN算法，并阐述了何时应合并两个簇的条件，如Chameleon层次聚类算法。
摘要由CSDN通过智能技术生成

基于图的聚类算法综述

第三十二次写博客，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。这一篇文章作为基于图的聚类（Figure-based Clustering）算法的开篇，简要介绍了该类算法的相关内容，并为之后的算法详解做铺垫。

如何稀疏化邻近度图

  稀疏化邻近度图，即只保留对象与其最近邻之间的连接，采用这种处理方法有利于处理离群点和噪声，还可以基于稀疏化后的邻近度图上执行专为其开发的聚类算法。因此，这一部分主要是介绍如何进行稀疏化，然后介绍两种专门为稀疏化邻近度图开发的聚类算法：MST和Opossum。

相似性度量的新定义——SNN

  SNN是一种基于共享的近邻个数来定义两个对象之间相似度的方法，该方法基于这样一个事实，即对象和他的最近邻通常属于同一个类中，他可以有效的克服高维和变密度簇的问题。因此，这一部分主要介绍SNN是如何定义的，并介绍一种使用这种相似性度量的聚类算法：Jarvis-Patrick。

基于SNN度量的类DBSCAN算

  这一部分将会介绍一种与DBSCAN类似的算法，他同样通过定义核心对象并构建环绕他们的簇，由于该算法是一种基于图的聚类算法，因此需要引入近邻度图或稀疏化后的近邻度图的基于密度概念（SNN密度）。

何时应该合并两个簇

  两个簇合并的条件是，合并后生成的簇具有类似于这两个簇的特性，这就要求我们使用邻近度图中的信息&

最低0.47元/天 解锁文章
Leon1895
关注
专栏目录
图像分割—基于图的图像分割（Graph-Based Image Segmentation）
Note of Transposition
07-21 4万+
Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图的贪心聚类算法，实现简单，速度比较快，精度也还行。不过，目前直接用它做分割的应该比较少，毕竟是99年的跨世纪元老，但是很多算法用它作垫脚石，比如Object Propose的开山之作《Segmentation as Selective Search for Object Recognition》就用它来产生过分割（oversegmentation）。还有的语义分割(se
基于连通图的分裂聚类算法
走在前往架构师的路上
03-19 6122
参考文献：基于连通图动态分裂的聚类算法.作者：邓健爽 郑启伦 彭宏 邓维维(华南理工大学计算机科学与工程学院，广东广州510640) 我的算法库：https://github.com/linyiqun/lyq-algorithms-lib  算法介绍 从文章的标题可以看出，今天我所介绍的算法又是一个聚类算法，不过他比较特殊，用到了图方面的知识，而且是一种动态的算法，与BIRCH算法一样，他也
基于图的聚类之-Affinity Propagation（AP）聚类
weixin_41521681的博客
05-24 1万+
基于图的聚类之-Affinity Propagation（AP）聚类 谱聚类和AP聚类是基于图的两种聚类，在这里我写介绍一下AP聚类，下一篇文章介绍谱聚类。 Affinity Propagation Clustering（简称AP算法）是2007提出的，当时发表在Science上《single-exemplar-based》。特别适合高维、多类数据快速聚类，相比传统的聚类算法，该算法算是...
第六章：图像聚类
最新发布
qq_63029071的博客
08-30 932
该算法首先将特征向量距离最近的两个样本归并为一组，并在树中创建一个“平均”节点，将这两个距离最近的样本作为该“平均”节点的下的儿子节点。然后在剩下的包含任意平均节点的样本中寻找下一个最近的对，重复进行前面的操作。K-means的输入是一个有steps*steps行的数组，数组的每一行有3列，各列分别为区域块R、G、B三个通道的像素平均值。不足之处是，对于实际需要的聚类簇需要给出一个合适的阈值。为了可视化聚类树，可以画出树状图，这样在判定给出的描述子向量好坏以及在特征场合考虑什么是相似的时候提供有用的信息。
图聚类
wangqianqianya的博客
12-12 1万+
图聚类 基于图的聚类。注意这里的图指的不是图片，而是顶点+边构成的图。 将样例用图表示，则通过对图中顶点的划分完成聚类。 图的表示 顶点：样本点 聚类：顶点的划分 边：样本点的相似度 表示无向图，为点的集合，E为边集，W为权重，表示节点、之间相似度 图的划分 图的划分是将图完全划分成若干个子图，个子图无交集。 划分要求 同子图内的点相似度高 不同子图间的点相似...
基于图像的聚类算法
weixin_43271137的博客
04-13 1633
最后，对于新的图像，可以先对其进行特征提取，然后使用K-means算法将图像中的像素点聚类，并将同一组中的像素点的特征向量平均作为该组的特征向量。然后，可以将新图像的特征向量与已经聚类好的图像的特征向量进行比较，将新图像分到与其特征向量最相似的组中，从而实现图像分类。图像分类是图像处理中的重要任务之一，基于图像的聚类算法为图像分类提供了一种有效的工具，可以实现快速准确的图像分类。基于图像的聚类算法可分为两类，即基于传统聚类算法的图像聚类和基于图论的图像聚类。基于图像的聚类算法在图像分类中有着广泛的应用。
Python计算机视觉：第六章 图像聚类
热门推荐
GarfieldEr007的专栏
02-27 2万+
第六章 图像聚类 6.1 K-Means聚类 6.1.1 SciPy聚类包6.1.2 图像聚类6.1.3 在主成分上可视化图像6.1.4 像素聚类 6.2 层次聚类 6.2.1 图像聚类 6.3 谱聚类 这一章会介绍几种聚类方法，并就怎么使用它们对图像进行聚类找出相似的图像组进行说明。聚类可以用于识别，划分图像数据集、组织导航等。同时，我们也会用聚类相似的图像进行可视化
图像聚类算法
小嵌同学的博客
05-29 7947
目录一、 分类与聚类1、分类2、聚类聚类样本间的属性聚类的常见算法二、K-Means聚类1、定义、优点2、k-means聚类算法的分析流程：3、K-Means优缺点三、 层次聚类1、定义2、凝聚层次聚类的流程3、层次聚类的优缺点4、示例5、树状图分类判断四、密度聚类1、算法2、优缺点五、谱聚类1、算法步骤 一、 分类与聚类 1、分类   分类其实是从特定的数据中挖掘模式，作出判断的过程。   分类学习主要过程：   （1）训练数据集存在一个类标记号，判断它是正向数据集（起积极作用，不垃圾邮件），还是负向数据
基于图的单视图聚类算法
weixin_29052717的博客
07-16 43
基于图的单视图聚类算法是一种通过构建图形结构来理解数据集并对其进行聚类的方法。这种算法将数据集中的每个数据点视为图中的一个节点，通过测量点与点之间的相似度或距离来建立节点间的边，并赋予一定的权重。下面详细介绍基于图的单视图聚类算法的步骤及其涉及的公式。数据准备给定一个单视图数据集 ，其中 为样本个数，我们首先需要计算数据...
论文研究-一种基于图论的聚类算法NeiMu.pdf
09-10
提出一种新的基于图论的聚类算法NeiMu。该算法首先分析数据中的对象，寻找每个对象的k近邻，根据k近邻关系构造k近邻有向图，然后通过k近邻有向图中的k-互邻居关系构造k-聚类图，发现数据中的自然聚类。算法的特点是根据数据之间的互为k近邻关系确定数据中的自然簇，而不必引入其他方法来划分小簇，从而能够保证对象不会被错误聚类，仅会与其他小簇一起融合到一个大簇中。这一优点可以有效保证NeiMu算法的聚类质量。而且，NeiMu算法给出的这种类似自底向上的层次聚类结果还有利于用户根据渐变的结果确定最佳的k值。实验结果表明，该算法对密度变化大的数据、大小相差大的数据、任意分布形状的数据均具有很好的聚类质量，对孤立点也很健壮。
可伸缩聚类算法综述（可伸缩聚类算法开篇）
Ἥλιος
10-30 2032
可伸缩聚类算法综述 第二十八次写博客，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。这一篇文章作为可伸缩聚类（Scalable Clustering）算法的开篇，简要介绍了几种针对大规模数据常用的减少时间和空间复杂度的方法。   许多聚类算法所需要的存储量（空间复杂度）都是非线性的，以层次聚类为例，其所需的存储量为，由于磁盘对随机访问速度的限制，这类算法并不...
基于图的聚类方法，利用谱聚类
05-25
这是一个基于谱的聚类程序，很好用，先将数据转换成邻接矩阵，计算其特征值，特征向量，构造新的向量空间，然后使用很好的点聚类方法进行聚类
snn:共享最近邻（SNN）聚类算法实现
05-13
神经网络 Java中的共享最近邻（SNN）聚类算法实现。 这是集群算法的Java实现，如以下所述： Ertöz，L.，Steinbach，M.和Kumar，V.（2003年）。 在嘈杂的高维数据中查找不同大小，形状和密度的聚类。 SDM。 取自 可以通过MATLAB轻松访问代码，例如以下示例： javaaddpath( ' C:\Users\Cássio\Dropbox\workspace\snncluster \t arget\snncluster-0.0.1-SNAPSHOT.jar ' ); javaaddpath( ' C:/Users/Cássio/tools/javaml-0.1.7/javaml-0.1.7.jar ' ); javaaddpath( ' C:/Users/Cássio/tools/javaml-0.1.7/lib/ajt-2.9.jar ' ); ja
原型聚类算法综述（原型聚类算法开篇）
Ἥλιος
08-27 2146
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{Cl|l=1,2,...,k}{Cl|l=1,2,...,k}\{C_l|l=1,2,...,k\} 　　(2) 聚类中心{...
【Python机器学习实战】聚类算法——层次聚类(HAC)和DBSCAN
Python_xiaowu的博客
12-16 7722
层次聚类和DBSCAN 1.层次聚类 下面这样的结构应该比较常见，这就是一种层次聚类的树结构，层次聚类是通过计算不同类别点的相似度创建一颗有层次的树结构，在这颗树中，树的底层是原始数据点，顶层是一个聚类的根节点。 创建这样一棵树的方法有自底向上和自顶向下两种方式。 下面介绍一下如何利用自底向上的方式的构造这样一棵树： 为了便于说明，假设我们有5条数据，对这5条数据构造一棵这样的树，如下是5条数据： 第一步，计算两两样本之间相似度，然后找到最相似两条数据（假设1、2两个最相似），然后将其m
原创 | 一文读懂K均值（K-Means）聚类算法
数据派THU
10-17 5212
作者：王佳鑫审校：陈之炎 本文约5800字，建议阅读10+分钟本文为你介绍经典的K-Means聚类算法。概述众所周知，机器学习算法可分为监督学习(Supervised learning)和无监督学习(Unsupervised learning)。监督学习常用于分类和预测。是让计算机去学习已经创建好的分类模型，使分类（预测）结果更好的接近所给目标值，从而对未来数据进行更好的分类和预测。因此，数据...
图论聚类
guan的博客
07-13 7143
简介图论聚类方法最早是由Zahn提出的，又称作最大（小）支撑聚类算法。图论聚类要建立与问题相适应的图，图的节点对应于被分析数据的最小单元，图的边或者是弧对应于最小数据之间的相似性度量。因此，每个最小处理单元之间都会有一个度量的表达，这就确保数据局部特性比较易于处理。图论聚类法是以样本数据的局域链接特征作为聚类的主要信息源，因而其优点是易于处理局部数据的特性。图论聚类思想   图论分析中，把待分类的...
Bipartite Graph Based Multi-View Clustering
一舟的博客
11-27 1439
对于基于图的多视图聚类，一个关键问题是通过两阶段学习方案捕获共识聚类结构。具体来说，首先学习多个视图的相似性图矩阵，然后将它们融合为统一的高级图矩阵。大多数当前的方法独立地学习每个视图的数据点之间的成对相似性，这在单个视图中被广泛使用。然而，包含在多个视图中的共识信息被忽略，并且所涉及的偏差导致不期望的统一图矩阵。为此，我们提出了一种基于二分图的多视图聚类（BIGMC）方法。共识信息可以由不同视图的少量代表性统一锚点表示。在数据点和锚点之间构建二分图。BIGMC构建所有视图的二分图矩阵，并将其融合以生成统一
聚类算法概述
weixin_37801695的博客
11-30 1828
聚类是一种常见的数据分析工具, 其目的是把大量数据点的集合分成若干类, 使得每个类中的数据之间最大程度地相似, 而不同类中的数据最大程度地不同。聚类在数据挖掘、数据管理（数据索引、检索）领域有着广泛的应用。聚类的种类如下图所示。 1、 层次聚类算法 聚合聚类的策略是先将每个对象各自作为一个原子聚类, 然后对这些原子聚类逐层进行聚合, 直至满足一定的终止条件。分解聚类与聚合聚类相反。 2、 分割聚类...
评论
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