聚类算法
Justin-wu
最好的你在路上!
展开
-
AP聚类算法原理分析
AP聚类算法:AP算法在开始时,将所有的节点都看成潜在的聚类中心,然后通过节点之间的通信找到最合适的聚类中心。 输入为节点间的相似度矩阵S: 其中S(i,j)表示节点i与节点j之间的相似度,也表明了j作为i的聚类中心的合适程度。 S(k,k)表示节点k作为k的聚类中心的合适程度,即节点k成为聚类中心的合适程度。 在最开始的时候,这个值是初始化时使用者给定的值,会影响到最后的聚类数量AP节点之原创 2017-07-20 15:42:11 · 9610 阅读 · 1 评论 -
K-Means原理分析以及其变种算法
从K-Means到elkan K-Means,再到Mini Batch K-Means K-Means是最普通的聚类方法,应用面比较广。 elkan K-Means是K-Mean算法的变种,用于简化计算: elkan K-Means原理: 规律1.对于一个样本点X和两个质心O1和O2,如果我们预先计算出来了两个质心之间的距离D(O1,O2) 如果2D(X,O1)≤D(O1,O2)即可得到D原创 2017-07-21 11:05:15 · 4751 阅读 · 0 评论 -
DBSCAN算法原理分析
DBSCAN算法:定义:基于密度的带有噪声的空间聚类,可用于异常值监测,通俗来说就是基于密度的聚类算法! 簇的定义:簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并且可以在噪声的空间数据库中发现任意形状的聚类 原理:该算法利用基于密度的聚类的思想,即要求聚类空间中的一定区域内所包含对象的数目不小于某一给定的阈值。 DBSCAN算法的目的:是基于密度寻找被低密度区域分离的高原创 2017-07-20 16:33:38 · 5855 阅读 · 0 评论