机器学习 - 聚类算法

最新推荐文章于 2025-07-06 15:29:28 发布
原创 最新推荐文章于 2025-07-06 15:29:28 发布 · 1.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数据挖掘 #机器学习

聚类算法是数据挖掘中的重要方法，包括基于原型、密度、层次和网格四种类型。K-means、DBSCAN、AGNES和基于网格的算法如STING是常见实例。聚类效果常用SSE（误差平方和）评估。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

聚类算法属于无监督学习范畴，通常用于群组发现和离群点检测。为了便于记忆，简单的将韩家炜《数据挖掘：概念与技术》简单的总结为四种：基于距离，基于密度，基于层次，基于网格。


1. 基于原型

基于原型的聚类方法，通常认为我们能通过一组原型进行刻画。K-means，k-means++，二分K-means，mini-batch Kmeans，meanshift，GMM聚类等等。


2. 基于密度

基于密度的聚类算法假设聚类结构能够通过样本分布的紧密程度确定。通常情况下，密度聚类从样本密度的角度来考虑样本之间的可连接性。DBSCAN是最知名的基于密度的聚类算法。

最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习——聚类
Mr_fengzi的博客
08-12 1108
聚类：对大量未标注的数据集，按内在相似性划分为多个类别，类别内相似度大，类之间相似度小。 聚类属于无监督机器学习 回顾一下欧式距离的计算公式： 二维空间的公式： 三维空间的公式： 下面引入相似度： 余弦距离，余弦相似度 余弦值的范围在[-1, 1]之间，值越接近于1，代表两个向量的方向越接近；越趋近于-1， 他们的方向越相反； 接近于0， 表示两个向量几乎于正交。 最常见的应用就是计算文本相...
聚类算法
weixin_30298497的博客
09-10 706
Infi-chu: http://www.cnblogs.com/Infi-chu/ 一、简介 1.聚类算法的应用领域 用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别 基于位置信息的商业推送，新闻聚类，筛选排序 图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段 2.聚类算法 一种典型的无监督学习算...
Python实现聚类算法：KMeans与DBSCAN详解与应用
最新发布
weixin_29317963的博客
07-06 1147
聚类算法是无监督学习中的一种核心算法，它将数据集中的样本划分为若干个不相交的子集，即所谓的“簇”，使得簇内的点尽可能相似，而簇间的点尽量相异。这一过程不依赖于预先标注的类别信息，因此被广泛应用于数据挖掘、模式识别和图像分析等领域。scikit-learn是基于Python的开源机器学习库，它提供了简单而强大的工具，用于数据挖掘和数据分析。它的设计遵循了SciPy（Scientific Python）的生态系统，旨在与NumPy和SciPy紧密集成，以提高科学计算的效率和准确性。
机器学习——聚类算法
Flamingo的博客
09-09 1223
文章目录聚类算法1 k-Means算法1.1 基本概念1.2 k-Means算法原理1.3 k-Means算法的可视化演示1.4 实验2 DBSCAN算法2.1 基本概念2.2 DBSCAN算法原理2.3 DBSCAN算法的可视化演示2.4 实验总结 聚类算法 在机器学习中，若训练样本的标记信息未知，则称为无监督学习。无监督学习通过对无标记训练样本的学习来寻找这些数据的内在性质，其主要的工具就是聚类算法。 1 k-Means算法 k-Means算法也称为k-平均或k-均值算法，是一种聚类算法，它是一种基于相
机器学习----聚类算法
LI_dreamit的博客
09-07 8315
1、聚类算法介绍 1.1 聚类算法在现实中的应用 用户画像，广告推荐，搜索引擎的流量推荐，恶意流量识别 基于位置信息的商业推送，新闻聚类，筛选排序 图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段 1.2 聚类算法的概念 聚类算法： 一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。 在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。 1
【机器学习】聚类算法(一）
cxyhjl的博客
01-09 1716
聚类算法是一种无监督的机器学习方法，它可以将数据集中的对象分成若干个组，使得同一组内的对象相似度高，而不同组内的对象相似度低。聚类算法有很多种，例如K-均值，层次聚类，密度聚类，谱聚类等。聚类算法可以应用于很多领域，例如数据挖掘，图像分割，社交网络分析，市场细分等。一、问题定义聚类问题是指给定一个数据集，如何将其中的对象分成若干个组，使得同一组内的对象相似度高，而不同组内的对象相似度低。聚类问题是...
机器学习-聚类算法-推荐系统
09-14
机器学习领域中的聚类算法是一种无监督学习方法，主要用于将数据集中的样本点分成多个组或簇，使得同一个簇内的样本彼此相似度高，而不同簇内的样本相似度低。聚类算法的应用非常广泛，尤其在推荐系统中，它能够帮助...
机器学习-聚类算法1
08-03
在实际应用中，聚类算法往往需要与其他机器学习技术相结合，例如降维技术如PCA（主成分分析）可以用来减少数据集的复杂性，辅助聚类过程更好地揭示数据中的模式。此外，深度学习中的一些自编码器等技术也被应用于...
机器学习五-聚类算法K-means
09-01
K-means聚类算法是一种典型的无监督学习算法，主要用于数据挖掘、模式识别以及图像处理等领域的数据聚类。其基本原理是将数据集划分为K个簇，并使得每个数据点到其所属簇中心的距离之和最小。K-means算法通过迭代...
人工智能-机器学习-聚类算法-FCM模糊聚类-Python算法实现
12-18
人工智能_机器学习_聚类算法_FCM模糊聚类_Python实现
9种经典聚类算法的原著(pdf)
12-02
囊括了所有九种经典聚类算法的原著，值得珍藏，学习数据挖掘必备
机器学习（聚类[一]）
水野与小太郎的博客
07-07 377
本类博客文章只为自学而写，写错的可以指正，但不要谩骂，本人刚刚开始学习，请见谅。 文章根据于http://blog.youkuaiyun.com/suipingsp/article/details/42495317，万分感谢非常好的文章 一、什么是聚类 算法起源于分类学，物以类聚，人以群分。人们在以前都是靠经验来分类，但是当东西一多，就很难再进行靠经验和知识进行分类而且分类的不准，所以利用数学进行定量的
机器学习之聚类
yuanyuan___的博客
10-16 581
在无监督学习中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。此类学习任务中研究最多，应用最广的是聚类。 聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个簇。 通过这样的划分，每个簇可能对应于一些潜在的概念（类别）；需说明的是，这些概念对聚类算法而言事先是未知的，聚类过程仅能自动形成簇结构，簇所对应的...
【机器学习—聚类】
qq_38734327的博客
04-09 1545
聚类分析，即聚类，是一项无监督的机器学习任务。它包括自动发现数据中的自然分组。与监督学习（类似预测建模）不同，聚类算法只解释输入数据，并在特征空间中找到自然组或群集。
机器学习聚类算法简介
Glory 的 博客
12-01 1241
算法的目的 ：聚类算法是“无监督学习”中最常用的一个算法，通过对无标记训练样本的学习将数据集划分成若干个不相交的子集，来解释数据的内在性质以及规律，为进一步数据分析提供基础。也可以作为一个单独的过程，寻找数据内在的分布结构注意 ： 类所对应的概念语义需要由使用者自己把握和命名。对于一个算法的评估我们需要对这种算法进行量化，比如手对于一般的基础算法，我们有时间复杂度、空间复杂度进行度量，对于监督学习我
机器学习——聚类（clustering）：K-means算法（非监督学习）
热门推荐
loveliuzz的博客
09-21 1万+
1、归类 聚类（clustering）：属于非监督学习（unsupervised learning）,是无类别标记（class label） 2、举例 3、K-means算法 （1）K-means算法是聚类（clustering）中的经典算法，数据挖掘的十大经典算法之一 （2）算法接收参数K，然后将事先输入的n个数据划分为K个聚类以便使得所获得的聚类满足： 同一聚类中的对象相似度较
统计与机器学习-聚类
03-26
### 统计学与机器学习中的聚类算法 #### 1. 聚类分析的概念及其应用场景 聚类分析是一种无监督学习技术，旨在将一组对象划分为若干个子集（称为簇），使得同一个簇内的对象尽可能相似，而不同簇的对象差异较大。这种技术在多个领域有广泛应用，例如市场细分、图像分割、异常检测以及推荐系统等[^2]。 #### 2. 常见的聚类算法 常见的聚类算法包括但不限于 K-Means、层次聚类、DBSCAN 和 Mean Shift 等。其中，K-Means 是最常用的聚类算法之一，其基本思想是通过迭代优化的方式找到使簇内平方误差最小化的质心位置[^3]。 #### 3. K-Means 聚类算法的原理 K-Means 算法的核心目标是最小化簇内距离之和。具体而言，它试图解决如下优化问题： \[ J(C, \mu) = \sum_{i=1}^{k}\sum_{x_j \in C_i} ||x_j - \mu_i||^2 \] 其中 \(C\) 表示簇集合，\( \mu \) 表示各簇的中心点，\( k \) 是预定义的簇数量。为了求解这一问题，K-Means 使用交替优化策略：首先随机初始化簇中心，然后反复执行分配样本到最近簇和更新簇中心的操作直到收敛。 #### 4. 如何评估聚类质量？ 一种常用的方法是计算 Silhouette 系数或平均轮廓系数。Silhouette 系数值介于 [-1, 1] 之间，越接近 1 表明聚类效果越好；反之，则表示可能需要重新调整参数设置或者尝试其他类型的聚类方法[^4]。 以下是 Python 中实现简单版本 K-Means 的代码片段： ```python from sklearn.cluster import KMeans import numpy as np data = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]) kmeans = KMeans(n_clusters=2, random_state=0).fit(data) print(kmeans.labels_) print(kmeans.cluster_centers_) ``` 上述脚本展示了如何使用 `scikit-learn` 库快速构建并训练一个两分类别的 K-Means 模型。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值