常用聚类算法

在直观印象中,说起聚类算法,首先想到的k-means.

k-means作为经典的聚类算法,应用范围很广,但是在运行前要指定聚类的数量n,这个值对于最终的计算结果有很大的影响.而现在也没有通用的方法来得到这个值.

本文介绍了包括k-means在内的多种聚类算法,可以在实际中灵活使用.

聚类常用算法

top-5

1. K-means
2. Mean-Shift Clustering algorithm
3. DBSCAN, Density-Based Spatial Clusting of Applications with Noise
4. EM using GMM, Expectation-Maximization(EM) Clusting using Gaussian Mixture Models
5. Agglomerative Hierarchical Clustering

scikit-learn中各种聚类方法

1 K-means

KMeans算法聚类数据,是通过将不同样本分离成方差相等的n组,最小化惯性(inertia)或者叫类内平方和(within-cluster sum-of-squares).这个算法需要指定聚类的数量.可应用于大量样本的情况,在很多不同领域有大量的应用.

K-means算法将一个样本数量N的集合X划分成K个类别C,每个类别被描述成该类别下样本的平均值uj.通常把这些平均值称为’质心’,注意到通常情况下这些质心并不是集合X中的点,尽管他