- 聚类分析
- 没有完美的聚类分析
- 一致、可扩展、灵活（三要素）
- K-means
- 过程
- 选择K个点作为初始质心
- repeat
- 将每个点指派到最近的质心，形成K个簇
- 重新计算每个集群的质心
- until 簇不发生变化或达到最大迭代次数
- 应用
- 通过控制k值控制图像压缩程度
- DBScan（带噪声的密度聚类算法）
- 过程
- DBScan需要二个参数： 扫描半径 (eps) 和 最小包含点数(minPts) 。 任选一个未被访问(unvisited)的点开始，找出与其距离在eps之内(包括eps)的所有附近点。
- 如果 附近点的数量 ≥ minPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问(visited)。 然后递归，以相同的方法处理该簇内所有未被标记为已访问(visited)的点，从而对簇进行扩展。
- 如果 附近点的数量 < minPts，则该点暂时被标记作为噪声点。
- 如果集群充分扩展，即集群内的所有点都被标记为已访问，则使用相同的算法处理未访问的点。
- MeanShift（均值漂移算法），基于密度分布的聚类算法
- 求解一个向量，使圆的中心一直沿最密集数据集的方向移动。简单来说，在每次迭代中，找到圆内点的平均位置作为新的中心位置。
- 也可压缩图像，但与kmeans不同，不需指定聚类参数，模型会根据kernel的幅度值，自动计算并完成聚类，但慢，大数据量不适用
- Agnes
- AGNES(AGglomerative NESting)算法是凝聚的层次聚类方法。AGNES最初将每个对象作为一个簇，然后这些簇根据某些准则被一步一步地合并。
版权声明：本文为博主Motongxue原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/CrazyMooo/article/details/123307039
