01_kmeans/DBSCAN/层次算法概述

三大聚类算法kmeans/DBSCAN/层次系列

一、聚类的概念

1.  无监督：没有标签
2. 相似的分到一组
3. 难点：评估参数，调整参数

一、k-means的核心概念

1. 需要指定k值
2. 质心：均值，初始质心获取各维度的平均值
3. 距离的量度：欧式距离

二、k-means的执行流程

1. 首先设置初始质心和k值
2. 通过第一次迭代，围绕初始质心形成k个原型簇
3. 选择每个簇中的平均值作为质心，进行第二次迭代
4. 重复3的流程，直到本次迭代和上次迭代没有区别的时候，停止迭代

三、k-means的优势、劣势

1.  优势：
   1. 快速，简单
2. 劣势：
   1. k值难确定
   2. 依赖初始质心的选择
   3. 很难处理不规则的簇，只能处理原型的簇

四、DBSCAN算法基本概念

1. minPts：密度阈值，需要手动设定
2. R：半径，需要手动设定
3. 核心对象：在R领域内需要不小于minPts个核心点
4. 边界点：BC因为能和A关联上，但是没有下线能关联，被称为边界点
5. N ：不能和A进行关联，也不能有下线所以是离群点
6. 噪声点/离群点：从任何一个类簇的点都是不可达的点
7. DBSCAN算法：适合查找离群点、异常检测

五、DBSCAN算法执行流程

1. 设定参数 R、minPts
2. 标记所有的对象为 未访问到
3. 随机获取一点开始查找 R半径内如果大于minPts个对象，这个点就是核心对象
4. 核心对象的所有的对象都继续查找自身R半径的对象，如果大于minPTs个对象，该对象也是核心对象。该核心对象中的所有对象继续查找自身半径R内的所有对象，直到直到边界为止
5. 找到边界之后，C1簇算是已经完成。随机在获取一点继续查找，直到完成
6. 直到最后会剩下找不到的点，成为离群点/噪声点。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。