qq_41985019的博客

聚类算法及python实现——模糊C均值(FCM)模糊C和K均值的区别K均值：硬聚类，隶属度只有0和1，基于“类内误差平方和最小化”原则模糊C：模糊聚类，隶属度取值为[0，1]，基于“类内加权误差平方和最小化”原则步骤step1：给定聚类个数，模糊系数，迭代次数(k-means是聚类中心不再发生变化停止)，初始化隶属度矩阵step2：根据聚类中心更新公式，计算聚类中心step3：根据隶属度更新公式，计算其余点到聚类中心的隶属度step4：迭代结束（终止条件除了设置迭代次数外，还可以设置隶属度

聚类算法及python实现——层次聚类构建二叉树步骤step1：将每个样品都看作一类step2：计算每个样品两两之间的距离step3：合并距离最近的两类变成一个新的类step4：计算各个类之间的距离，合并，直至只有一类类与类的距离计算method：（1）最短距离法single（2）最长距离法complete（3）中间距离法weighted（4）重心法centroid（5）类平均法average（6）离差平方和法wardpython代码from scipy.cluster imp

聚类算法及python实现——DBSCAN基于密度聚类，无需给定聚类个数，且最终聚类数不确定（1）核心点，在半径Eps内有超过MinPts数目的点（2）边界点，在半径Eps内点的数量小于MinPts（3）噪音点，不是核心点也不是边界点图片来源于中国大学MOOC，北京理工大学Python机器学习应用步骤step1：标记所有点，核心点、边界点和噪音点step2：删除噪音点step3：距离在Eps内的所有核心点之间赋予一条边step4：每组连通的核心点形成一个类step5：将每个边界点指派

聚类算法及python实现——K-means给定K个类，聚类原则：类内高相似度，类间低相似度步骤step1：随机选择K个点，作为初始聚类中心step2：其余点根据到聚类中心的距离，划分到距离最近的类step3：计算每个类内所有点的均值，作为新的聚类中心step4：重复step2、step3，直至聚类中心不再发生变化python代码import numpy as npfrom sklearn.cluster import KMeanskm = KMeans(n_clusters = 3)