聚类

最新推荐文章于 2022-04-09 23:14:43 发布

san_rx

最新推荐文章于 2022-04-09 23:14:43 发布

阅读量579

点赞数

分类专栏：集体智慧编程文章标签：算法

本文链接：https://blog.csdn.net/san_rx/article/details/78460034

版权

本文详细介绍了聚类算法的不同类型，包括分级聚类（如BIRCH、CURE、CHAMELEON）、划分法（K-MEANS、K-MEDOIDS、CLARANS）、密度算法（DBSCAN、OPTICS、DENCLUE）、图论聚类法和网格算法（STING、CLIQUE、WAVE-CLUSTER），以及基于模型的方法。通过对各种算法原理的阐述，帮助理解聚类算法的工作方式。

摘要由CSDN通过智能技术生成

一、分级聚类 Hierarchical Cluster
分级聚类通过连续不断的将最为相似的群组两两合并，来构造一个群组的层次结构。其中的每个群组都是从单一元素开始，在每次迭代的过程中，都会计算两个群体之间的距离，并将距离最近的两个群组合并。并重复这一过程，直到只剩一个群组。
代表算法有：BIRCH算法、CURE算法、CHAMELEON算法等；
二、划分法
使用这个基本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法；
1、 K-Means Cluster
K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。
原理如图：
这里写图片描述
公式：

1、随机选取K个质心的值