机器学习——聚类

最新推荐文章于 2025-09-05 11:24:24 发布

原创最新推荐文章于 2025-09-05 11:24:24 发布 · 482 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#聚类 #机器学习 #算法

# 聚类任务

聚类是将数据集中的样本划分为若干个互不相交的子集，每个子集称为一个”簇“。

需要注意的是：聚类过程仅能自动形成簇结构，簇所对应的概念语义需由使用者来把握命名。

聚类既能作为一个单独过程，用于寻找数据内在的分布式结构，也可以作为分类其他学习任务的前驱过程。

# 聚类的种类

聚类按照聚类方法分为原型聚类、密度聚类和层次聚类三种。

## 原型聚类

原型聚类亦称”基于原型的聚类“，此类算法假设聚类结构能通过一组原型刻画，在现实聚类任务中极为常用。

通常情况下，算法先对原型进行初始化，然后对原型进行迭代更新求解。

### k均值算法

该算法

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

smart_yong

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

机器学习 —— 聚类算法--商业选址案例

认知行动坚持

11-16

3778

一、聚类算法描述聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程。二、聚类算法特点聚类算法就是一种发现这种内在结构的算法，聚类算法是一种无监督学习算法，其特点如下： 1、是一种无监督学习，只有数据，没标签y 2、试图通过数据间的关系发现一定的模式 3、可以作为监督学习中稀疏特征的预处理（聚类算法一般用于辅助监督学习方法，提供基础数据）三、场景实例 1、基于用户位置信息的商业选址 2、生物种群固有结构认知 3、电商用户聚类四、算法 - Kmeans K-means算

机器学习——聚类算法简单汇总

qq_47250064的博客

05-12

1874

详细介绍了聚类分析的分类以及优缺点

参与评论您还未登录，请先登录后发表或查看评论

机器学习之聚类

lc574260570的博客

08-21

558

衡量聚类距离的方式有很多，常用的方式有欧式距离和曼哈顿距离两种。对于两个n维数据Xi,Xj，以下是两种距离的计算公式，上图中的k代表的是维度数，最高是n维，而不是幂次数图片裁剪的像素尺度不好，导致图片只能倒放，造成的不便还请多多包涵！原型聚类:K-means 聚类算法有很多种，常用的聚方法包括原型聚类，密度聚类，层次聚类几种。原型聚类是指聚类结构能通过一组原型刻画的聚类，原...

人工智能机器学习——聚类

最新发布

Billy_Zuo的博客

09-05

547

K-均值算法：以空间中k个点为中心进行聚类，对最靠近他们的对象归类，是聚类算法中最为基础但也最为重要的算法。

【机器学习—聚类】

qq_38734327的博客

04-09

1600

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

m0_63807165的博客

02-03

2420

本篇文章主要介绍了机器学习中的聚类及一些算法原理，k-means聚类，密度聚类，层次聚类。

机器学习——聚类（总结版）

qzhqbb的博客

08-20

1286

当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。将上面选取到的代表点根据固定的参数α（0≤α≤1 ）向该簇的质心收缩，距离质心越远的点（例如离群点）的收缩程度越大，因此CURE对离群点是不太敏感的，这种方法可以有效的降低离群点带来的不利影响。

周志华机器学习——聚类算法。

kuxingseng123的博客

11-07

635

逐个的将各种聚类算法都给其搞定，全部学会都行啦的样子与打算，每个聚类算法都指的推敲，推导，全部将其搞定。慢慢研究透彻都行啦的理由！

【机器学习】聚类

Damu

03-18

949

1. 距离计算当对一些没有 Label 的数据进行分类的时候，需要满足一些的基本性质：非负性：dist(xi,xj)≥0dist(xi,xj)≥0dist(x_i,x_j)\geq 0；同一性：dist(xi,xj)=0dist(xi,xj)=0dist(x_i,x_j)=0，当且仅当 xi=xjxi=xjx_i=x_j；对称性：dist(xi,xj)=dist(xj,xi)di...

机器学习-聚类

weixin_70423469的博客

06-29

234

本文章主要讲了一些聚类算法原理及相关代码

机器学习_聚类

qq_34229228的博客

05-28

1660

1.观察距离最近样本点是否分类准确 import numpy as np def find_closest_centroids(X, centroids): K = centroids.shape[0] m = X.shape[0] idx = np.zeros(m) #用来存放每一个样本点的索引号 # ===================== Your Co...

机器学习——聚类算法合集

05-28

### 机器学习中聚类算法的集合与综述聚类算法是机器学习领域中的一个重要分支，其主要目标是将未知标签数据集中的样本分成不同的组别（簇），使得同一组内的样本相似度较高，而不同组之间的相似度较低[^3]。以下是对几种常见聚类算法的总结和介绍： #### 1. 基于传统方法的聚类算法传统的聚类算法主要包括 K-Means、层次聚类（Hierarchical Clustering）、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）等。这些算法在结构化数据上表现良好，并且实现相对简单。 - **K-Means**：K-Means 是一种基于划分的聚类算法，它通过迭代优化簇中心来最小化簇内样本的距离平方和。其实现可以通过 Python 的 `sklearn.cluster.KMeans` 模块完成[^4]。 ```python from sklearn.cluster import KMeans kmeans = KMeans(n_clusters=3) kmeans.fit(X) ``` - **层次聚类**：层次聚类分为凝聚型和分裂型两种，分别从单个点开始逐步合并或从整体开始逐步分裂。这种方法可以生成树状图（Dendrogram），帮助理解数据的层级关系。 - **DBSCAN**：DBSCAN 是一种基于密度的聚类算法，能够识别任意形状的簇，并对噪声数据具有较强的鲁棒性。其核心思想是通过邻域密度定义簇。 #### 2. 基于深度学习的聚类算法随着深度学习的发展，基于深度学习的聚类算法逐渐成为研究热点。这类算法结合了神经网络的强大特征提取能力与聚类的目标函数优化。 - **自编码器聚类**：自编码器（Autoencoder）是一种无监督学习模型，通过压缩和重建输入数据来学习低维表示。自编码器聚类通常结合 K-Means 或其他传统聚类方法使用，以提升聚类效果[^1]。 - **变分自编码器聚类**：变分自编码器（VAE）引入了概率生成模型的思想，能够在隐空间中生成新的数据样本。变分自编码器聚类通过最大化后验概率来实现聚类目标。 - **深度聚类网络（Deep Clustering Network, DCN）**：DCN 结合了深度神经网络和聚类算法，通过端到端的方式优化特征表示和聚类分配。 - **生成对抗网络聚类（GAN-based Clustering）**：生成对抗网络（GAN）通过生成器和判别器的对抗训练生成逼真的数据样本。GAN 聚类则利用生成器生成的分布信息进行聚类分析。 #### 3. 大规模数据处理中的聚类算法对于大规模数据集，传统的聚类算法可能无法满足性能需求。Spark 等分布式计算框架提供了多种高效的聚类算法实现[^2]。 - **K-Means on Spark**：Spark MLlib 提供了分布式版本的 K-Means 实现，能够处理海量数据集。 - **Bisecting K-Means**：二分 K-Means 是一种递归的聚类方法，每次将一个簇划分为两个子簇，直到达到指定的簇数。 - **Gaussian Mixture Model (GMM)**：GMM 是一种基于概率模型的聚类方法，假设数据由多个高斯分布组成。 #### 4. 总结聚类算法的选择取决于具体应用场景和数据特性。传统聚类算法适合结构化数据，而基于深度学习的聚类算法更适合复杂特征的学习。大规模数据处理场景下，分布式聚类算法能够显著提升效率。 ```python from sklearn.cluster import DBSCAN dbscan = DBSCAN(eps=0.5, min_samples=5) dbscan.fit(X) ```