本文介绍了两种常用的聚类算法：k-means和DBSCAN。k-means算法通过随机初始化核心点，依据欧式距离将点分配到最近的簇，并不断更新簇中心，直至簇不再变化。然而，k-means对初始点选择敏感，难以处理复杂数据。相比之下，DBSCAN不依赖于预先设定的核数，基于密度对数据点进行聚类，能发现任意形状的簇，同时标记出噪声点。这两种算法各有优劣，在实际应用中需根据数据特性选择合适的聚类方法。
聚类常用的两种算法
- k-means算法
- DBSCAN算法
原理：
kmeans：参数： 核数
1、随机初始化核心点
2、每个点计算与核心的距离，把最近的点设置为那个簇。
3、距离的计算一般为欧式距离，见下方说明
4、更新簇的中心点为所有点的中心，再依次更新所有点的所属簇。
。。。。
欧式距离算法
直到距离和簇不再发生变化
缺点：1、 所有核心点的初始化非常影响效果，
2、无法分类较为复杂的数据点。
DBSCAN算法：
传销算法：
传入密度阈值，和离心半径（相当于多少钱能升级代理）
产出所有的核心点，生成直接密度可达（一级代理）， 一级代理发展下线（和核心的关系叫密度可达），发展到最后，没有下线的叫边界点。
如有p和k点 与核心q都是密度可达的，称为p和k密度相连（代理姐妹）。
噪声点：无法划分的，不属于下线的，即老鼠屎，无法被传销吞并，也称异常点，离群点。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
