聚类算法

原型聚类——$K-means$
输入：样本集 D = { x 1 , x 2 , . . . , x m } D=\left\{x_{1},x_{2},...,x_{m}\right\} D={x1​,x2​,...,xm​}，聚类簇数$k$
输出：簇划分
过程：随机选择$k$个样本作为初始聚类均值向量，计算每个样本到聚类均值向量的距离，将样本划分到离均值向量最近的簇中，重新计算聚类均值向量。重复上述过程，直到聚类均值向量不再变化或者达到迭代次数。

原型聚类——$LVQ$
输入：样本集 D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x m , y m ) } D=\left\{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{m},y_{m})\right\} D={(x1​,y1​),(x2​,y2​),...,(xm​,ym​)}，原型向量个数$q$，各原型向量预设类别标记，学习率$\eta$
输出：簇划分原型向量（簇之间的分割线）
过程：随机选择$q$个样本作为初始原型向量，随机选择一个样本$(x_j,y_j)$，计算其到$q$个原型向量之间的距离，若距离最近的那个原型向量$q_{i^{\ast }}$的预设类别标记与该样本的标记$y_j$相同，更新原型向量$q_i=q_i+\eta \ast (x_j-q_i)$，即原型向量靠近该样本，若不同，更新原型向量$q_i=q_i-\eta \ast (x_j-q_i)$，即原型向量远离该样本。重复上述过程，直至达到最大迭代次数或者原型向量更新很小或不再更新。

密度聚类——$DBSCAN$
输入：样本集 D = { x 1 , x 2 , . . . , x m } D=\left\{x_{1},x_{2},...,x_{m}\right\} D={x1​,x2​,...,xm​}，邻域参数$(ϵ半径,Minpoints)$
输出：聚类簇
过程：根据邻域参数确定核心对象集合，随机选择一个核心对象，找出由它密度可达的所有样本，形成一个聚类簇。去除聚类簇中包含的核心对象，更新核心对象集合，从新的核心对象集合中随机选择一个核心对象形成下一个聚类簇。重复上述过程，直到核心对象集合为空。

层次聚类——$AGNES$
输入：样本集 D = { x 1 , x 2 , . . . , x m } D=\left\{x_{1},x_{2},...,x_{m}\right\} D={x1​,x2​,...,xm​}，聚类簇$k$，聚类簇间距离度量函数$d(i,j)=dist(C_i,C_j)$
输出：聚类簇
过程：将每个样本都看成一个聚类簇，初始化簇距离矩阵$M(i,j)=d(i,j)$，$M$的维度是聚类簇个数*聚类簇的个数，不断合并距离最近的两个聚类簇，减少聚类簇的个数，并更新簇距离矩阵$M$，直达聚类簇个数达到预设个数$k$。