qq_36334618的博客

谱聚类算法是我论文实验部分的对比算法，一对比发现，谱聚类真的太强了，聚类效果很好，对不同的数据分布有很强的适应性，速度还快。下文全部参考https://www.cnblogs.com/pinard/p/6221564.html，写得太棒了，自己再敲一遍加深印象。 虽然是转载，但加了少许标注:-)1.谱聚类概述 主要思想是把所有数据点看做空间中的点，点之间可以用线相连，即边，边有权重。距离远的点，边的权重小；距离近，边权重大。对所有数据点组成的图进行切割，使得子图内部的所有...

meanshift的论文：Mean Shift：A Robust Approach Toward Feature Space Analysis看起来好费力，看的我好困~拖了好久，看完论文赶紧去看代码meanshift建立在和密度估计的基础之上1.核密度估计（Kernel Density Estimation）其中，，其中，最终，式（1）其中，h是带宽，Ckd是归一化常数，使得K(x)积分为1在每个数据点上计算核密度，并进行叠加 2.meanshift对式（...

论文：HaloDPC: An Improved Recognition Method on Halo Node for Density Peak Clustering Algorithm这个算法将DPC的质心检测、DBSCAN的密度连通性、SCAN的网络结构相似性三个优点发扬光大:-)DPC聚类算法，可以阅读https://www.cnblogs.com/kailugaji/articles/11379198.htmlDBSCAN在https://blog.youkuaiyun.com/huacha__..

论文：SCAN: A Structural Clustering Algorithm for Networks该算法针对的是无向无权图如图，节点0和节点5的邻居点集分别是{0,1,4,5}和{0,1,2,3,4,5}，有4个共同的邻居，联系较大节点9和节点13，邻居点集都是{9,13}，2个共同邻居，联系不大节点6惨兮兮，虽然位于中间，但是都与他联系不大综上，6是桥节点（hub），13是离群点（outlier），其余点构成两个集群（应该能看出来）概念：1.节点相似度节点相

DDBSCAN（论文：Ddbscan: a density detection dbscan algorithm in e-commerce sites evaluation）一、首先介绍DBSCAN的步骤，毕竟是它基础上的优化DBSCAN这个博客讲得简单易懂 https://blog.youkuaiyun.com/huacha__/article/details/81094891里面有两个参数需要人为定义： eps：两点之间的最小距离（也就是一个圆形邻域的半径）。这意味着如果两点之间的...

A Residual Error-based Density Peak Clustering Algorithm计算e和δ N为定义的邻域大小（整数），求点Xi的最N近邻数 根据e求NNeigh（与DPC类似，把ρ替换成e）e越小，δ越大，则为中心点 确定中心点后，根据e和NNeigh把数据点进行划分Xi和Xj属于分别两个簇，若两点距离小于Cd（自己定义，与DPC中的dc一样），计算mean_eij rtK初始定义为一个极大值 ...

Efficient Parameter-free Clustering Using First Neighbor Relations这篇论文提出了一个无需参数的聚类方法，对于大样本数据也适用，计算复杂度低。如果j是i的第一个邻居or i是j的第一个邻居or i的第一个邻居就是j的第一个邻居，则A(i,j)为1，否则为0这样形成一个对称稀疏邻接矩阵，通过矩阵形成一个有向图，边来表示A(i...

经典的DPC算法在异常值检测方面有局限性，GDPC：Gravitation-based Density Peaks Clustering algorithm这篇论文引入了物理中G引力系数这一概念，使得异常点的检测更为优化。简单来说，就是用1/F代替了原来决策图中的δ，由于这篇论文中个人认为有些许描述不清（也可能是本人太菜），代码实现搞了好久，特此记录。for i=1:ND for...