基础篇:数据挖掘的聚类算法和优势
来源:互联网 发布:淘宝店怎么开通淘金币 编辑:程序博客网 时间:2024/05/12 08:52
文|十方
比较分类算法的话,大概考虑这几个维度:时间空间复杂度,鲁棒性,参数敏感性,处理不规则形状,适合的类数量,类间差异(范围大小,样本个数,形状差异)
可以参照一下sklearn网站给出的列表:2.3. Clustering
除了这些聚类方法以外,统计老师讲过一些传统的聚类方法,归属于系统聚类的范畴,先定义观测间的距离和类之间的距离计算方法,然后按照距离把最接近的两个观测(类)合并,直到合并成一个大类为止。
最短距离法:
类间距为两类中最近观测的距离。
不限制类形状,对拉长的分布效果好,会删除边缘的观测点
最长距离法:
类间距为两类中最远观测的距离。
倾向于产生直径相等的类,易受异常值影响。
中间距离法:
类间距为最长距、最短距、类内距离的加权。
重心法:
类间距为两类重心之间的距离
对奇异值稳健
类平均法:
类间距为两类观测之间距离的平均值。
倾向于先合并方差小的类,偏向于产生方差相同的类。
离差平方和法:
将合并后类内方差最小的两类合并
倾向于产生数量相等的两类,对异常值敏感
密度估计:
较远的距离设为无穷。较近的两个样本,距离与局部密度成反比。
适用于不规则形状类,不适用样本数太少。
两阶段密度估计:
用密度估计计算距离,再用最短距离法聚类。
普适性较强
除了以上这些常见方法,值得一提的是去年发在science上的算法 fast search and find of density peaks. 这个方法克服了DBSCAN中不同类的密度差别大,邻域范围难以设定的问题,非常鲁棒,看起来棒棒的。
ps:如果希望聚的效果好,距离度量方法有时候比聚类方法更重要。
0 0
- 基础篇:数据挖掘的聚类算法和优势
- 数据挖掘 基础算法
- 数据挖掘算法-聚类的分类
- 数据挖掘聚类算法
- 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 3.5 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 十大数据挖掘算法及各自优势
- 数据挖掘基础:度量数据的相似性和相异性
- [数据挖掘]聚类算法一览
- [转帖]数据挖掘聚类算法一览
- 数据挖掘聚类算法一览总结
- 数据挖掘聚类算法一览
- android SlidingTabLayout实现ViewPager页卡滑动效果
- 123
- delphi编辑hosts文件
- Python项目开发实战——互动出版网
- 软件工程判断三角形
- 基础篇:数据挖掘的聚类算法和优势
- 欢迎使用Markdown编辑器写博客
- Android里 listview 添加 HeaderView
- iOS网络开发之NSURLSession学习<1>
- delphi修改服务器3389端口
- 模拟表单上传文件 PSOT请求
- printf按8进制、16进制输出
- STL学习笔记——hashtable
- IO流(基本字节字符流)