机器学习：BIRCH聚类、谱聚类

最新推荐文章于 2024-10-15 18:35:05 发布

番茄要去皮

最新推荐文章于 2024-10-15 18:35:05 发布

阅读量1.9k

点赞数 1

分类专栏：机器学习文章标签： BIRCH聚类机器学习谱聚类

本文链接：https://blog.csdn.net/weixin_44766179/article/details/89637237

版权

本文深入探讨了BIRCH聚类算法，包括其原理、优势及局限性，如内存效率高、处理大规模数据的能力，以及识别噪音点的功能。同时，文章也讨论了谱聚类Spectral Clustering，最佳参数设置为n_cluster=5，gamma=0.01，达到了较高的Calinski-Harabasez得分。

摘要由CSDN通过智能技术生成

1、BIRCH聚类

BIRCH的全称是利用层次方法的平衡迭代规约和聚类（Balanced Iterative Reducing and Clustering Using Hierarchies）。BIRCH算法利用了一个树结构来快速的聚类，这个数结构类似于平衡B+树，一般将它称之为聚类特征树(Clustering Feature Tree，简称CF Tree)。这颗树的每一个节点是由若干个聚类特征(Clustering Feature，简称CF)组成。
一般来说，BIRCH算法适用于样本量较大和类别数比较大的情况，需要进行调参。

BIRCH算法的主要优点有：

节约内存，所有的样本都在磁盘上，CF Tree仅仅存了CF节点和对应的指针。
聚类速度快，只需要一遍扫描训练集就可以建立CF Tree，CF Tree的增删改都很快。
可以识别噪音点，还可以对数据集进行初步分类的预处理。

BIRCH算法的主要缺点有：

由于CF Tree对每个节点的CF个数有限制，导致聚类的结果可能和真实的类别分布不同。
对高维特征的数据聚类效果不好。
如果数据集的分布簇不是类似于超球体，或者说不是凸的，则聚类效果不好。

# BIRCH聚类，使用默认参数
from sklearn.datasets.samples_generator import make_blobs
from sklearn.cluster import Birch
from sklearn.metrics import calinski_harabaz_score
import matplotlib.pyplot as plt

# 随机生成数据
x, y = make