【聚类】之浅谈（对比K-means跟DB-scan）

于 2022-06-24 08:14:04 发布
阅读量205 收藏
点赞数
分类专栏： 数据挖掘 Machine-Learning DA 文章标签： 聚类 kmeans python
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/tianxuancsdn/article/details/125438262
版权
数据挖掘 同时被 3 个专栏收录
20 篇文章 0 订阅 ¥299.90 ¥99.00
订阅专栏 超级会员免费看
DA
17 篇文章 7 订阅 ¥99.90 ¥99.00
订阅专栏 超级会员免费看
Machine-Learning
13 篇文章 0 订阅
订阅专栏

K-means需要做多组（取平均，设置k值）

DBSCAN

  • 寻找核心对象：某个点以r（人为给予）为邻域半径画圈，如果该领域内点的数量不小于Min-pts（人为给予）则认为该点为核心对象
  • 半径选择：计算K距离找到突变点
  • Minist：尽可能让它小（4 or 5）
  • -1簇内即为离群点

以某实际小型数据集为例进行demo

# beer dataset
import pandas as pd
beer = pd.read_csv('data.txt', sep=' ')
beer

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Alexander plus
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
k-means,DB-SCAN,基于密度峰值的聚类算法的matlab简单实践.zip
03-10
k-means,DB-SCAN,基于密度峰值的聚类算法的matlab简单实践
聚类分析-KMeans算法与DBSCAN算法，简单理解
Alex的博客
09-23 970
1KMeans算法 KMeans算法是用来聚类的，其中的 K 表示类别数量，以样本间的距离作为聚类的标准，该算法的核心思想非常简单，总共就 3 个步骤。 步骤 1：在样本中随机选取 K 个样本点，作为初始中心点； 步骤 2：计算每个样本点到各个中心点的距离，然后将样本点分配给最近的中心点； 步骤 3：根据聚类结果，将每类的均值作为新的中心点； 步骤 4：不断重复步骤 2、3，当中心点不再变动时，结束算法。 2 DBSCAN算法 DBSCAN 算法是一种以密度为基础的空间聚类算。该算法也很.
聚类算法-K-means 和 DBSCAN【机器学习笔记简摘】
YPS的博客
10-29 5496
简介 决策树，随机森林，PCA和逻辑回归，他们虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，即需要特征矩阵X，也需要真实标签y。机器学习当中，还有相当一部分算法属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵X，不需要标签。而聚类算法，就是无监督学习的代表算法。 聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于我们的业务需求或建模需求来完成，也可以单纯地帮助我们探索数据的自然结构和分布。比如在商业中，如果我们手头有大量的
【聚类】详解常用的聚类算法（K-Means、DBSCAN等）
程序星空实验室
06-09 7033
聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类是一种运用广泛的探索性数据分析技术，人们对数据产生的第一直觉往往是通过对数据进行有意义的分组，通过对对象进行分组，使相似的对象归为一类，不相似的对象归为不同类。常见的聚类算法有kmeans、DBSCAN、谱聚类。在无监督学习中，目标通过对无标记数据训练样本的学习来揭示数据内在的性质规律，将数据集中的样本划分为多个不相交的子集。......
聚类算法实现（二）DBSCAN
aai7747的博客
12-08 358
根据上面第二个数据集的簇的形状比较怪异，分簇结果应该是连起来的属于一个簇，但是k-means结果分出来很不如人意，所以这里介绍一种新的聚类方法，此方法不同于上一个基于划分的方法，基于划分主要发现圆形或者球形簇；为了发现任意形状的簇，用一个基于密度的聚类方法，这类方法将簇看做是数据空间中被低密度区域分割开的稠密对象区域，这一理念刚好也符合数据集的特征。 DBSCAN...
DBSCAN聚类算法+demo
weixin_45439696的博客
10-22 2035
DB SCAN Cluster 1 简介 Introduction DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。 作者：dreampai 链接：https://www.jianshu.com/p/e594c2ce0ac0 来源：简书 著作权归作
【ML 吴恩达】14 DB&SCAN 聚类举例介绍-简单易懂
BetterBench的博客
12-17 912
1 密度聚类 （1）大多数传统的聚类技术（例如K-Means，分层聚类和模糊聚类）可用于以无人监督的方式对数据进行分组。 但是，当应用于具有任意形状的群集或群集中的群集的任务时，传统技术可能无法获得良好的结果，也就是说，同一群集中的元素可能没有足够的相似性，或者性能可能很差。 （2）在传统的聚类算法中，会把一些异常点也会分类进一个簇中，但是利用密度聚集算法，不在规定半径范围内的异常点，是能够区分开的。 2 DBSCAN （1）是密度聚类算法的一种，对于上下文的分类非常有效，能够找到任意形状的聚类，而不会
图解机器学习算法(13) | 聚类算法详解（机器学习通关指南·完结）
ShowMeAI研究中心
03-12 1万+
聚类是最常见的无监督学习算法。本文讲解聚类问题常见算法及用途，包括划分聚类的K-Means算法、K-Medoids算法，层次聚类的Single-Linkage 算法、Complete-Linkage算法，和DB-SCAN算法。
聚类算法：K-means聚类图像分割
12-22
1 K-Means聚类 K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型...
昆明房价聚类分析（链家网爬虫+聚类分析房价）（k-means聚类分析）
06-30
基于k-means聚类分析房价问题（昆明房价）（源码+实验报告）。其中包含爬虫、聚类分析、数据可视化等源码，以及实验报告。采用python进行编程，对链家网资源进行爬取和分析
K-means实现广告聚类分析.zip
11-19
项目包含广告渠道90天内额日均UV，平均注册率、平均搜索率、访问深度、平均停留时长、订单转化率、投放时间、素材类型、广告类型、合作方式、广告尺寸和广告卖点等特征，将渠道分类，找出每类渠道的重点特征，为业务...
K均值聚类即K-Means算法详解PPT
04-13
K均值聚类即K-Means算法详解PPT
机器学习之密度聚类（DBSCAN）
weixin_44153121的博客
02-19 4225
密度聚类亦称"基于密度的聚类" (density-based clustering) ，此类算法假设聚类结构能通过样本分布的紧密程度确定。DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种著名的密度聚类算法。 通常情形下，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。
详解DBSCAN聚类
deephub
08-16 2万+
使用DBSCAN标识为员工分组 ​ **基于密度的噪声应用空间聚类(DBSCAN)**是一种无监督的ML聚类算法。无监督的意思是它不使用预先标记的目标来聚类数据点。聚类是指试图将相似的数据点分组到人工确定的组或簇中。它可以替代KMeans和层次聚类等流行的聚类算法。 ​ 在我们的示例中，我们将检查一个包含15,000名员工的人力资源数据集。数据集包含员工的工作特征，如工作满意度、绩效评分、工作量、任职年限、事故、升职次数。 ​ KMeans vs DBSCAN ​ KMeans尤其容易受到异常值的影响
Python——K-means聚类分析及其结果可视化
热门推荐
qq_44969615的博客
04-07 3万+
0 前言 K-Means是聚类算法的一种，通过距离来判断数据点间的相似度并据此对数据进行聚类。 1 聚类算法 科学计算中的聚类方法 方法名称 参数 可伸缩性 用例 几何形状（使用的指标） K-Means number of clusters ...
利用鸢尾花数据集复现DBSCAN密度聚类算法
Yuka_bro
04-08 4569
利用鸢尾花数据集复现DBSCAN密度聚类算法
层次聚类、谱聚类、k-means聚类客观数据对比
最新发布
06-09
以下是层次聚类、谱聚类、k-means聚类的客观数据对比： 1. 计算复杂度 - 层次聚类的计算复杂度为O(n^3)，其中n为数据点个数。 - 谱聚类的计算复杂度为O(n^3)，其中n为数据点个数。 - k-means聚类的计算复杂度为O(n...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

Alexander plus

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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