聚类算法

1.划分聚类方法

 

	K-means聚类	K中心聚类
过程	1初始化K个聚类中心 2．计算每个点到聚类中心的距离，划分类 3．计算簇中所有点的均值，作为下一次迭代的聚类中心 4．循环至收敛	1任选k个对象，作为簇的中心点 2．计算每个点到聚类中心的距离，划分类 3．用非中心点替换中心点，如果替换代价满足条件，则替换。得到新的中心点，以及聚类结果 4．循环用非中心点替换中心点，计算替换代价
优点	简单，快速	1． 聚类结果与数据对象点的输入顺序无关 2． 对噪声点/孤立点不敏感
缺点	1.事先要给出要生成的簇的类目； 2.不同初始值，可能会导致不同的聚类结果 3． 不适用极端点比较多的情况	高耗时

 

2.KNN（K-Nearest Neighbor）分类算法

	KNN分类
过程	1． 计算测试样本与每个训练样本的距离 2． 得到K个最近距离的训练样本 3． K个训练样本对应的分类类别 4． 统计出现次数最多的类别，作为测试样本的类别
优点	简单，易于实现
缺点	1.分类速度慢 2.各属性的权重相同 3．样本库依赖性强 4.K值不好确定

 

3.层次聚类方法

distfunc <- function(x) dist(x, method="euclidean") #R语言，heatmap.2欧式距离