博文
算法学习（九）：聚类
||
一：聚类的相关概念
1：聚类分析
根据在数据中发现的描述对象及其关系的信息，将数据对象分组。
目标：组内的对象相互之间相似度高，不同组对象之间的相似度低。
2：不同的聚类类型
（1）：划分聚类
将数据对象集划分成不重叠的簇
层次聚类
允许嵌套，组织成一棵树
（2）：互斥聚类
每个对象都指派到单一的簇
重叠聚类
一个对象可以同时从属于多个簇
模糊聚类
每个对象以一个0和1之间的隶属权值属于每个簇
3：不同的簇类型
（1）：明显分离的
每个对象到同簇对象的距离近于不同簇的任意对象
（2）：基于中心的簇
每个点到其簇中心的距离比到其他簇中心的距离更近
（3）：基于近邻的簇
每个点到簇中至少一个点的距离比到不同簇中任意点的距离更近
（4）：基于密度的簇
簇是被低密度区域分开的高密度区域
二：聚类算法
1：k-均值
2：凝聚层次聚类
从个体点作为簇开始，相继合并两个最接近的簇，直到只剩下一个簇
算法中的邻近性定义：
（1）：MIN（单链）不同簇的两个最近点之间的邻近度
（2）：MAX（全链）不同簇的两个最远点之间的邻近度
（3）：组平均:取不同簇所有点对邻近度的均值
3：DBSCAN 一种基于密度的聚类算法
（1）：根据基于中心的密度进行点分类
核心点：点在基于密度的簇内部
边界点：不是核心点，但它落在某个核心点的邻域内
噪声点：既非核心点又非边界点
（2）：算法
4：混合模型聚类
https://blog.sciencenet.cn/blog-796597-653403.html
上一篇：算法学习（八）：关联分析
下一篇：算法学习（十)：HITS
扫一扫，分享此博文