Python数据分析与挖掘实战第五章笔记之聚类分析

最新推荐文章于 2024-10-05 18:44:13 发布

tatumWei

最新推荐文章于 2024-10-05 18:44:13 发布

阅读量1.3k

点赞数

分类专栏：数据分析与数据挖掘

本文链接：https://blog.csdn.net/qq_41775711/article/details/80500402

版权

本文介绍了聚类分析的基本概念，包括K-Means、K-Medoids等常见聚类方法，并详细阐述了K-Means聚类算法的过程和目标函数。通过Python实现数据读取、预处理，应用KMeans进行聚类，并展示了聚类结果的可视化方法。

摘要由CSDN通过智能技术生成

#聚类分析：
# 聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。可以建立在无类标记的数据上，是一种非监督的学习算法。划分原则是组内距离最小化，组间距离最大化。
# 常用的聚类方法：
# 1、划分方法：K-Means（K均值），K-Medoids（K-中心点），Clarans算法
# 2、层次分析方法：BIRCH算法（平衡迭代规约和聚类），CURE算法（代表点聚类），CHAMELEON算法（动态模型）。
# 3、基于密度的方法：DBSCAN算法，DENCLUE算法，OPTICS算法
# 4、基于网格的方法：STING算法，CLIOUE算法，WACE-CLISTER算法
# 5、基于模型的方法：统计学方法，神经网络方法。
# 常用聚类分析算法：
# 1、K-MEANS：K-均值聚类也称快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数K。原理简单，便于处理大量数据
# 2、