一些简单的聚类算法

本文介绍了几种常见的聚类算法,包括k-means的优缺点及其在sklearn中的实现,二分k-means、k-modes、k-medoids以及漂移聚类算法。此外,还探讨了层次聚类和基于密度的DBSCAN算法,强调了这些方法在处理不同类型数据和应用场景中的适用性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

k-means 算法流程如下:

  1. 随机选取 k 个 中心点: c 1 , c 2 , … … c k c_1,c_2, ……c_k c1c2,ck
  2. 对每一个样本,计算与每个中心点之间的距离,取最小的作为它的归类;
  3. 重新计算每个类的中心点
  4. 如果每个中心点变化很小,则算法收敛,退出;否则迭代1-3

优点:可以快速收敛
缺点:

  1. 只适用于连续的 n 维空间 (因为要求均值)
  2. 需要定义 k
  3. 对噪点敏感(一个异常点可能会改变簇的分布,而这个分布并不是我们想要的,见下图)
  4. 会陷入局部最优(为什么请看这里为什么k-mean不能达到全局最优
  1. 该方法不适于发现非凸面形状的簇(使用距离度量,生成球状簇)
  2. 簇的大小应该接近 (因为距离度量)<
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值