weixin_43298211的博客

目录1. K-means 聚类：按“标准答案”分组​2. 层次聚类：从细节到整体分类​3. DBSCAN 聚类：自动识别“异常值”​​4. GMM（高斯混合模型）：假设数据由不同“正态分布”生成​5. Mean-Shift 聚类：寻找“自然聚集中心”​​算法对比表（附适用场景）​​一句话总结

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。：聚合式层次聚类（Agglomerative）、分裂式层次聚类（Divisive）。：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。：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。：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。：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。：高斯混合模型（GMM）、隐马尔可夫模型（HMM）。

用超市购物车教会你机器学习：聚类分析原来是这么回事：超市老板想把这些顾客分成几类，但没有任何预设的标准（比如“老年人”“年轻人”）。这时候聚类分析就能派上用场——它会根据顾客的购买行为，​。：小强、小美、小张、小陈。