备战数学建模44-聚类模型(攻坚站8)

“物以类聚，人以群分”，所谓的聚类，就是将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。聚类和上一讲分类的区别：分类是已知类别的，聚类未知。常用的聚类有基于距离的：包括K-means和系统聚类等，基于密度的DASCAN算法等。

目录

一、Keans和K-means++算法

1.1、K-means算法

1.2、K-means++算法

 二、系统(层次)聚类

2.1、系统聚类基本原理

2.2、系统聚类SPSS实现

 三、DBSCAN算法

3.1、DBSCAN算法基本原理

 3.2、DBSCAN算法MATLAB实现

一、Keans和K-means++算法

1.1、K-means算法

我们可以看一下K-means聚类的基本步骤：一、指定需要划分的簇[cù]的个数K值（类的个数）;
二、随机地选择K个数据对象作为初始的聚类中心（不一定要是我们的样本点）; 三、计算其余的各个数据对象到这K个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所
处在的簇类中;四、调整新类并且重新计算出新类的中心;五、循环步骤三和四，看中心是否收敛（不变），如果收敛或达到迭代次数则停止循环;六、结束。

K-means算法由如下优缺点，对于缺点2和缺点3，一般常采用K-means++算法进行改进。