聚类算法概述
来源:互联网 发布:网络测试仪杉木林 编辑:程序博客网 时间:2024/06/04 18:01
聚类是一个把数据对象集划分成多个组或者簇的过程,使得簇内的对象具有很高的相似性,但与其他簇中的对象很不相似.聚类是无监督学习,不依赖于预定义的类和类标号的训练实例。我们常见的聚类算法分为以下几类:划分方法、层次方法、基于密度的方法和基于网格的方法。
1、划分方法
给定n个对象的集合,划分方法构建数据的k个划分,每个划分表示一个簇,k<=n。也就是说,划分方法将数据分为k个组,每个组至少包含一个对象。
大部分的划分方法是基于距离的,但是这只能发现球状簇。。它采用一种迭代的重定位技术,通过将对象从一个组移动到另一个组来改进划分结果。一个好的划分方法的一般准则是:同一个簇内的对象尽可能相互接近或相关,而不同簇的对象尽可能远离或者不同。
常见的基于划分的算法有:K-均值算法和K-中心点算法。
2、层次方法
层次方法创建给定数据对象集的层次分解。分为凝聚的方法和分裂的方法两种。凝聚的方法,也称自底向上的方法,开始将每个对象看作单独的一组,然后逐次向上合并相近的对象或者分组,直到所有的组合并为一个大组,或者满足终止条件。分裂的方法,也成为自顶向下的方法,开始将所有对象看作一个簇,然后在每次迭代中一个簇被划分为更小的簇,直到每个对象在一个单独的簇,或者满足终止条件。
层次聚类方法是可以基于距离或者基于密度和连通性的。但是缺陷在于,一旦一个步骤(合并或者分裂)完成,它就不能再被撤销。
3、基于密度的方法
基于密度的聚类方法主要思想是:只要“邻域”中的密度(对象或者数据点的数目)超过某个阀值,就继续增长给定的簇。也就是说,对于没顶的簇中的每个数据点,在给定半径的邻域中必须至少包含最少数目的点。这可以用来过滤噪声或者立群点,发现形状任意的簇。
4、基于网格的方法
基于网格的方法把对象空间量化为有限个单元,形成一个网格结构。所有聚类都在这个网格结构(量化的空间)上进行,它仅仅依赖于量化空间中的每一维的单元数。因此可以和其他聚类方法进行集成。
注:以上读自《数据挖掘概念与技术》 一书
- 聚类算法概述
- 聚类算法概述
- 超越kmeans:聚类算法概述
- 算法概述
- 算法概述
- 算法概述
- 算法概述
- 算法概述
- 算法概述
- 算法概述
- 算法概述
- 算法设计--算法概述
- 遗忘算法:算法概述
- 遗忘算法:算法概述
- 聚类算法概述(k-Means++/FCM/凝聚层次聚类/DBSCAN)
- 数据聚类概述
- 文档聚类概述
- 聚类概述
- 【PDF下载】大数据峰会之MaxCompute 2.0 性能优化揭秘
- 如何在Windows下实现Python2和python3共存同时使用
- MTK手机软件测试用例编写规范和流程
- Html.BeginForm方法没有生成Form标签的问题
- 数据库增删改
- 聚类算法概述
- 1---FIR滤波器简介
- [TFRecord格式数据]基本介绍
- LINUX中常用操作命令
- Python及其开发环境的安装、配置及Python入门
- c语言实现几种情况下字母和单词的计算
- Git坑爹的一个地方
- jni基础知识2
- @RequestParam @RequestBody @PathVariable 等参数绑定注解详解