概念:
聚类分析(cluster analysis ):是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。聚类分析也叫分类分析,或者数值分类。聚类的输入是一组未被标记的样本,聚类根据数据自身的距离或者相似度将其划分成若干个组,划分的原则是组内距离最小化而组间(外部)距离最大化。聚类和分类的不同在于:聚类所要求划分的类是未知的。
聚类度量的方法:分距离和相似度来度量。
?
?
聚类研究分析的方法:
1.层次的方法(hierarchical method)
2.划分方法(partitioning method)
3.基于密度的方法(density-based method)DBSCAN
4.基于网格的方法(grid-based method)
5.基于模型的方法(model-based method)
?
?K-Means 算法:
?受离群点的影响较大,由于其迭代每次的中心点到全部样本点的距离和的平均值。
优点:
原理简单
速度快
对大数据集有比较好的伸缩性
缺点:
需要指定聚类 数量K
对异常值敏感
对初始值敏感
?以欧式距离来衡量距离大小,使用误差平方和(Sum of the SquaredError,SSE)作为聚类的目标函数:
?
k表示k个聚类中心,ci表示第几个中心,dist表示的是欧几里得距离