聚类算法 && 论文公式编辑学习

聚类算法 && 论文公式编辑学习

常用的聚类分析算法

算法名称	算法描述
K-Means	K-均值聚类也叫快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数k。该算法原理简单并便于处理大量数据
K-中心点	K-均值算法对孤立点的敏感性，K-中心点算法不采用簇中对象的平均值作为簇中心，而选用簇中离平均值最近的对象作为簇中心
系统聚类	系统聚类也叫多层次聚类，分类的单位由高到低呈树形结构，且所处的位置越低，其所包含的对象越少，这些对象间的共同特征越多。该聚类方法只适合在数量小的时候使用，数据量大的时候速会非常慢。

K-Means聚类算法

K-Means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。

1、算法说明

K-Means聚类算法过程如下：
1）从n个样本数据中随机选取k个对象作为初始的聚类中心。
2）分别计算每个样本到各个聚类中心的距离，将对象分配到距离最近的聚类中。
3）所有对象分配完成后，重新计算k个聚类的中心
4）与前一次计算得到的k个计算中心比较，如果聚类中心发生变化，转至步骤二，否则继续步骤五。
5）当质心不发生变化时，停止并输出聚类结果。

2、数据类型与相似性的度量

（1）连续属性

对于连续属性，要先对各属性值进行零-均值规范，在进行距离的计算。K-Means聚类算法中，一般需要度量样本之间的距离，样本与簇之间的距离以及簇于簇之间的距离。
度量样本之间的相似性最常用的是欧几里得距离，曼哈顿距离和闵可夫斯基距离；度量样本与簇之间的距离可以用样本到簇中心的距离$$d(e_i,x)$$度量簇与簇之间的距离可以用簇中心的距离$$d(e_i,e_j)$$
设有p个属性来表示n个样本的数据矩阵
$$\left(\begin{array}{ccc}{x}_{11}& ...& x_{1p}\\ ...& & ...\\ x_{n1}& ...& x_{np}\end{array}\right)$$
则其欧几里得距离公式为
d ( i , j ) = ( x i 1 − x j 1 ) 2 + ( x i 2 − x j 2 ) 2 + . . . + ( x i p − x j p ) 2 d(i,j) = \sqrt{(x_{i1} - x_{j1})^2 + (x_{i2} - x_{j2})^2 + ... + (x_{ip} - x_{jp})^2} d(i,j)=(x