c均值聚类matlab程序_聚类算法大全

聚类是属于非监督学习中的应用。非监督的意思是，我不知道label是什么，有什么。

其实在现实生活，给数据集标label的成本过高，所以大多数数据集是没有label，这也可以知道非监督学习的重要性。

这次给大家分享：K-means聚类、均值漂移聚类、基于密度的聚类、基于分布的聚类（本文用高斯分布做例子）、层次聚类。

1. K-means 聚类

1）过程：

S1. 选定K，K是最终聚类的数目。这需要一定的先验知识，如果没有的话，可能需要随机试再用交叉验证看分类效果哪个更好，就选定那个K。

S2. 选取K个初始的质心，最好不要选太近的质心，因为初始质心的选择虽然不会影响最终结果，但是影响算法运行的时间。

S3. 计算每个样本离这些质心的距离，选择最近的质心并与它结合为一类。

S4. 得到K个类之后，重新计算每一个类中新的质心，重复以上步骤，直至质心不再改变。

2）K-Means的主要优点有：

a. 原理比较简单，实现也是很容易，收敛速度快。

b. 聚类效果较优。

c. 算法的可解释度比较强。

d. 主要需要调参的参数仅仅是簇数k。

3）K-Means的主要缺点有：

a. K值的选取不好把握

b. 只能处理球形的簇

c. 对于不是凸的数据集比较难收敛

d. 如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐含类别的方差不同，则聚类效果不佳。

e. 采用迭代方法，得到的结果只是局部最优。

f. 对噪音和异常点比较的敏感（因为质心的选择基于均值，所以之后也有K-m