(二) 三维点云课程---聚类的总结

最新推荐文章于 2024-05-04 21:31:53 发布

月夕花晨TS

最新推荐文章于 2024-05-04 21:31:53 发布

阅读量984

点赞数 1

文章标签：聚类算法数据挖掘

本文链接：https://blog.csdn.net/qq_45369294/article/details/121002118

版权

三维点云课程—聚类的总结

	K-Means	GMM	Spectral	Mean Shift	DBSCAN
度量模式	欧式空间	欧式空间	图论	密集/欧式空间	密集/欧式空间
聚类数	人为设定	人为设定	可以推导出来	自动获取	自动获取
噪声点的影响	坏	中等	好	好	好
高维数据的影响	中等	中等	好	坏	坏
时间复杂度	$O(t\times k \times n \times d)$ t:迭代次数 k:聚类数 n数据的个数 d数据的维数	$O(t\times k \times n \times d)$ t:迭代次数 k:聚类数 n数据的个数 d数据的维数	$O( n ^3)$ t:迭代次数 k:聚类数 n数据的个数 d数据的维数	$O (T n l o g (n))$ n:数据的个数 T中心点的个数	$O (n l o g (n))$ n:数据的个数

总结如下：
其中像KMenas,GMM,Spectral Clustering,DBSCAN算法之前都有涉及，关于MeanShift并没有涉及，自己若是感兴趣，可以自行百度。
如果知道聚类数目，数据近似为圆分布，追求简单的话，可以选择KMeans；如果知道聚类数目，数据近似为椭圆分布，追求相对准确的话，可以选择GMM;如果不知道聚类的数目，对时间要求比较高，并且数据中有"圆环"问题，可以选择Mean shift或者DBSCAN；如果不知道聚类的数目，对时间要求比较不是太高，对精度要求较高，并且数据中有"圆环"问题，可以选择Spectral Clustering；
目前数据集中表现最好的就是Spectral Clustering，但是它的时间复杂度太高。在实际的项目或者学习中，选择一款合适的聚类算法可以达到事半功倍的成效，当然里面的参数调整就是玄学。