本文深入探讨了多种聚类算法，包括k-means、k-medoids、k-modes、fuzzy k-modes、k-prototypes及w-k-means。解析了各算法的特点，如k-means对异常值的敏感性，k-medoids的中心点选择方式，k-modes对分类变量数据的处理等，为读者提供了全面的聚类算法概览。
分类：有监督；聚类：无监督；
1.k-means:连续型，数值型数据，使用欧式距离（余弦距离）“大哥-小弟”的例子，无监督学习算法；形心均值是相加再除即可；对异常值敏感
--k-medoids:形心均值改为中心点，在每个聚簇中按照顺序依次选取点，计算该点到当前聚簇中所有点距离之和，最终距离之和最小的点，则视为新的中心点。计算量比上一个大。
2.k-modes；只是处理分类变量数据；使用汉明距离：不同属性值的个数, 差异度越小，则表示距离越小
3.fuzzy k-modes；模糊；1999年论文有；
4.k-prototypes；基于原型，含有数值型数据也含有分类数据，一种能同时处理两种不同类型数据的聚类方法；时间复杂度比较高；
5.w-k-means；基于权重的k-means算法；
扫一扫
3342
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
