密度峰值聚类算法总结及其python实现_Clustering聚类算法总结+python实践

本文以iris鸢尾花数据为例，实现各种聚类算法。

文章里理论部分很简略，主要是python实践。

没想到疫情期间度过了研一下学期，全在上网课，仍然是获益匪浅。

正好在上机器学习的课程做了结课报告，感谢华中师大张雄军老师，疯狂鞭笞我们去实践，小白上了一学期机器学习学到很多，终于入门了呜呜呜~~~

一、聚类算法

聚类算法即分类算法。分类的输入项是数据的特征，输出项是分类标签，它是无监督的。

为什么要聚类？对大量数据简化表示，寻找对数据结构的新见解。

聚类算法的重要概念：

不相似性：

类间距离：

聚类算法希望类间距离越小越好。

聚类算法簇类数量K的确定：

(1)CH index; (2)Gap statistic

二、聚类算法分类介绍

常见的聚类规则包括：

1)基于原型的，例如有通过质心或中心点聚类，

常见算法：KMeans、kmediods；

2)基于图的，也就是通过节点和边的概念，形成连通分支的分类，

常见算法：hierarchical clustering；

3)基于密度的，根据数据密度的大小进行聚类，

常见算法：DBSCAN密度聚类；

4)基于统计的聚类，数据一般符合一种或几种概率分布，根据概率分布情况进行聚类。

常见算法：高斯混合模型;

三、理论介绍(很简略)

1. KMeans、Kmediods

原理比较简单，网上都有

2. 凝聚层次聚类Agglomerative hierarchical

又可以分为 linkage=single、complete、average、centroid

凝聚层次聚类中重要概念linkage:衡量两个group之间的不相似性

其中 ，主要有single、complete、average、centroid类型：

3. DBSCAN

以DBSCAN聚类为例，核心思想就