各类聚类算法整理

本篇将介绍整理各种聚类算法，包括k-means，GMM(Guassian Mixture Models, 高斯混合)，EM(Expectation Maximization，期望最大法)，Spectral Clustering(谱聚类)，Mean Shift(均值偏移)和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)

0. 先验的基础知识

文章: 聚类算法的先验基础知识

1. K-Means

K-means算法是一种常用的聚类算法，用于将数据集中的样本分成 K 个不同的类别或簇。

• 原理介绍：

  • 初始化： 随机选择 K 个初始聚类中心。
  • 分配样本： 将每个样本分配到距离最近的聚类中心所在的簇。
  • 更新中心： 对每个簇，计算其所有样本的均值，将该均值作为新的聚类中心。
  • 重复步骤2和步骤3，直到收敛： 当聚类中心不再变化或变化很小时，算法收敛，得到最终的聚类结果。

• 优缺点