Robbi_的博客

和传统的K-Means算法相比，DBSCAN最大的不同就是不需要输入类别数k，最大的优势是可以发现任意形状的聚类簇，而不是像K-Means，一般仅仅使用于凸的样本集聚类。3） 调参相对于传统的K-Means之类的聚类算法稍复杂，主要需要对距离阈值ϵ，邻域样本数阈值MinPts联合调参，不同的参数组合对最后的聚类效果有较大影响。1） 可以对任意形状的稠密数据集进行聚类，相对的，K-Means之类的聚类算法一般只适用于凸数据集。2） 可以在聚类的同时发现异常点，对数据集中的异常点不敏感。

与上一个实验的AGNES算法相反，DIANA算法属于自顶向下的分裂层次聚类算法，首先将所有的对象置于一个簇里，逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到某个终止条件。例如达到了某个希望的簇数目，或者两个接近的簇之间的距离超过了某个阈值。掌握DIANA聚类方法的基本理论，通过编程对实例进行聚类。

k-means聚类算法的简单实现

算法改进的方式有很多，书上给出的这个示例主要是考虑到空间的充分利用，将直接扫描k项集改成k项集通过k-1项集来合成，从而方便快速地产生强项集，在产生过程中也要注意逻辑标记以跳过某些属性减少扫描次数，从而降低整体的时间复杂性。

四、实验结果。