k均值算法有哪些不足之处_k 均值聚类算法

聚类算法可分为以下三个不同类别：

• 基于质心的聚类

• 基于密度的聚类

• 分层聚类

本 Notebook 中使用了如下算法：

类别	算法	描述
基于质心	k 均值	找到预定数量 (k) 个中心点，以根据距中心的距离创建 k 个集群。
基于质心	均值漂移	寻找更高密度的区域以确定集群中心。
基于密度	DBSCAN	分离出噪声(稀疏区域中的点)，并将密集区域中的数据点分组在一起。
分层	凝聚聚类	首先将每个点作为各自的集群，然后合并距离最近的集群，直到达到目标。

k 均值聚类

首先看一下 k 均值聚类。 k 均值通常用作聚类算法的“入门算法”。 “k”表示集群(或集群中心)的数量。 要使用 k 均值，就必须设置“k”值。 这是 k 均值的主要缺点之一。 当然，您可以编写一个循环并评估 k 的不同设置，但您会发现其他算法不需要这么做。 第一个示例使用了通过 scikit-learn 的