对于充放电工况用什么聚类方法呢

项目遇到一个问题，于是翻翻以前的资料

1. Hierarchical Clustering
   层次聚类，n—1,1—-n，合久必分分久必合，两个方式
2. K-means
   大名鼎鼎，然而挺弱，看着就能分得，那就用吧，不然很蛇皮
3. K-medians
   median和mean的区别？均值和中间值，或者说正态分布适合用mean，skewed适合用median
4. FCM模糊c均值
   同k-means不同就在于，判断是模糊的，对模糊数学不很了解，知道了大概意思，涉及到再深研究吧。相比k-means多了一个参数m，这个m就是糊涂程度~~~太小了，那么就跟严格的k均值一样了
5. som
   毕业中用到过，平时也经常用的一种聚类
6. dbscan
   与均值漂移聚类类似，DBSCAN也是基于密度的聚类算法。
   具体步骤：
   首先确定半径r和minPoints. 从一个没有被访问过的任意数据点开始，以这个点为中心，r为半径的圆内包含的点的数量是否大于或等于minPoints，如果大于或等于minPoints则改点被标记为central point,反之则会被标记为noise point。
   重复，如果一个noise point存在于某个central point为半径的圆内，则这个点被标记为边缘点，反之仍为noise point。重复步骤1，知道所有的点都被访问过。
   优点：不需要知道簇的数量
   缺点：需要确定距离r和minPoints
   https://blog.csdn.net/Katherine_hsr/article/details/79382249 这里写的好
7. 用高斯混合模型（GMM）的最大期望（EM）聚类

K-Means的缺点在于对聚类中心均值的简单使用。下面的图中的两个圆如果使用K-Means则不能作出正确的类的判断。同样的，如果数据集中的点类似下图中曲线的情况也是不能正确分类的。
这里写图片描述
使用高斯混合模型（GMM）做聚类首先假设数据点是呈高斯分布的，相对应K-Means假设数据点是圆形的，高斯分布（椭圆形）给出了更多的可能性。我们有两个参数来描述簇的形状：均值和标准差。所以这些簇可以采取任何形状的椭圆形，因为在x，y方向上都有标准差。因此，每个高斯分布被分配给单个簇。
所以要做聚类首先应该找到数据集的均值和标准差，我们将采用一个叫做最大期望(EM)的优化算法。下图演示了使用GMMs进行最大期望的聚类过程。

聚类的两个坐标report一下是这样的


scatter一下，感觉并不是很适合k-means。。。。这个问题这么处理，似乎有问题啊，慢慢再想想。。