走进聚类的世界：用日常例子解释复杂的算法概念

最新推荐文章于 2025-06-15 12:01:23 发布

何遇mirror

最新推荐文章于 2025-06-15 12:01:23 发布

阅读量859

点赞数 21

分类专栏：聚类分析文章标签：大数据聚类分析聚类

版权

3 篇文章

订阅专栏

核心思想：直接将数据集分成若干组（簇），每组内部尽可能相似，组间尽可能不同。
典型算法：K-means、PAM（K-medoids）。

例子：
「学校分班」

核心思想：通过树状图（Dendrogram）自底向上或自顶向下合并/分割数据，形成层次结构。
典型算法：聚合式层次聚类（Agglomerative）、分裂式层次聚类（Divisive）。

例子：
「动物分类学研究」

核心思想：基于数据点的“密度”（周围邻居数量）进行聚类，能识别任意形状的簇和非噪声点。
典型算法：DBSCAN、OPTICS、HDBSCAN。

例子：
「夜市摊位分布分析」

核心思想：将数据空间划分为网格单元，基于单元密度合并相邻单元形成簇。
典型算法：STING、CLIQUE、WaveCluster。

例子：
「图书馆书籍分类」

将图书馆按“主题维度”（科幻/历史）、“价格维度”（<50元/50-100元）、“借阅次数维度”（高频/低频）划分成网格单元。
统计每个单元的书籍数量：
- （科幻, <50元, 高频）单元有10本书；
- （科幻, <50元, 低频）单元只有2本。
合并相邻且书籍数量≥5的单元（如将（科幻, <50元, 高频）和（科幻, 50-100元, 高频）合并为“热门科幻书区”）。
特点：处理高维数据高效，但依赖网格粒度设置，灵活性较低。

核心思想：假设数据由某种概率模型生成，通过拟合模型参数实现聚类。
典型算法：高斯混合模型（GMM）、隐马尔可夫模型（HMM）。

例子：
「天气模式分类」

假设某城市天气由以下模式混合：
- 模式A：晴天（概率40%，气温20-25℃，湿度30%）；
- 模式B：雨天（概率30%，气温15-18℃，湿度80%）；
- 模式C：多云（概率30%，气温18-22℃，湿度50%）。
通过历史气象数据训练模型，确定每种模式的占比和参数。
新数据（如气温22℃、湿度60%）会被归类到最可能的模式（如多云）。
特点：可解释性强，但依赖数据分布假设（如正态分布）。