常见聚类算法总结

目录

 

• 一.关于聚类
  • 什么是聚类：
  • 什么不是聚类：
  • 聚类的种类：
  • 数据间的相似度度量：
  • 簇间相似度度量：
  • 评估不同聚类方案的优劣：
  • 聚类方法的分类：
  • 聚类算法之外的处理方法：
• 二.划分式聚类方法
  • k-means：
• 三.基于密度的聚类：
  • DBSCAN 算法：
• 四.层次聚类：
  • 凝聚式聚类：
  • 分裂式聚类：
  • 治愈算法（CURE（Clustering Using Representative））：
  • 稀疏化邻近图：
  • 变色龙算法：
• 五.基于网格的聚类：
  • 子空间聚类：
• 六.基于模型的聚类
  • GMM:

---

回到顶部

一.关于聚类

什么是聚类：

聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。

什么不是聚类：

● 监督分类 – 有类标签信息（通常就叫做分类）

● 简单分割 – 按姓氏的字母顺序将学生分为不同的注册组

● 查询结果 – 分组是外部规范的结果

● 图形分区 – 一些相互关联和协同作用，但领域并不相同