聚类算法_层次聚类_密度聚类(dbscan,meanshift)_划分聚类(Kmeans)详解

最新推荐文章于 2025-06-13 15:58:12 发布
最新推荐文章于 2025-06-13 15:58:12 发布
阅读量6.3k 收藏 35
点赞数 9
CC 4.0 BY-SA版权
分类专栏： clark_ai_lab
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/clark_xu/article/details/101942179
本文详细介绍了聚类算法，包括相似度度量、层次聚类（如DIANA和AGNES）、划分聚类（K-Means及其改进K-Means++）以及密度聚类（Mean Shift和DBSCAN）。讨论了各种算法的原理、优缺点及代码实现，帮助读者深入理解不同聚类方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

注: 两整天的成果,谬误之处勿喷

1 聚类概述

样本

  • 没有训练的样本
  • 没有标注的样本

1.1 相似度度量

1.1.1 距离相似度度量

  • 距离度量 d i s t ( o i , o j ) dist(o_{i},o_{j}) dist(oi​,oj​)
    • 欧式距离
  • 距离相似度度量
    s i m ( o i , o j ) = 1 1 + d i s t ( o i , o j ) sim(o_{i},o_{j})= \frac{1}{1+dist(o_{i},o_{j})} sim(oi​,oj​)=1+dist(oi​,oj​)1​

1.1.2 密度相似性

  • 体现的内涵:
    • (1)数据结构特性
    • (2)数据结构特性相似
  • 密度: 单位空间内对象的个数
  • 密度相似度定义: 设 c i , c j 点 的 密 度 为 d i , d j c_{i},c_{j}点的密度为d_{i},d_{j} ci​,cj​点的密度为di​,dj​
    d e n s i t y ( c i , c j ) = ∣ d i − d j ∣ density(c_{i},c_{j})=|d_{i}-d_{j}| density(ci​,cj​)=∣di​−dj​∣

1.1.3 连通相似性

  • 定义:
    • 数据集用图表示, 节点是对象,边线是关系
    • 簇定义为图的连接分支

1.1.4 概念相似性独立

  • 语义的相似性

1.2 质量评价指标

  • 内部质量评价标准
    • CH指标
      • 簇间距离和簇内距离的比值
      • CH指标值越大 效果越高
最低0.47元/天 解锁文章

200万优质内容无限畅学
各种聚类算法（原理+代码+对比分析）最全总结
大数据AI笔记
01-07 14万+
序言 还是要持续总结，持续积累。 一、聚类的目标 使同一类对象的相似度尽可能地大；不同类对象之间的相似度尽可能地小。 二、聚类算法分类 1.基于划分 给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K<N。 特点：计算量大。很适合发现中小规模的数据库中小规模的数据库中的球状簇。 算法：K-MEANS算法、K-MEDOIDS算法、CLARANS算法 2....
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
常见的六大聚类算法
热门推荐
诗蕊的专栏
03-01 32万+
1. K-Means(K均值)聚类 算法步骤： (1) 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。 (2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。 (3) 计算每一类中中心点作为新的中心点。 (4) 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可...
聚类算法
weixin_30298497的博客
09-10 702
Infi-chu: http://www.cnblogs.com/Infi-chu/ 一、简介 1.聚类算法的应用领域 用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别 基于位置信息的商业推送，新闻聚类，筛选排序 图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段 2.聚类算法 一种典型的无监督学习算...
一文搞懂聚类算法：与分类算法的本质区别
最新发布
qiutesting的博客
06-13 740
想象一下，你有一大堆五颜六色的球，红的、蓝的、绿的……它们都混在一起。现在，你要做的就是根据颜色把这些球分成不同的组，红色的放一堆，蓝色的放一堆，绿色的放一堆。在机器学习中，聚类算法干的就是类似的事儿，只不过它处理的是数据，而不是球。聚类算法是一种无监督学习算法，它不需要我们提前告诉它数据应该分成几类，或者每一类是什么样的。把相似的数据点自动分到同一组，让同一组（簇cluster）内的数据尽可能相似，不同组的数据尽可能不同👏。
聚类算法_matlab_
10-04
- **类型**：常见的聚类算法包括K-Means、层次聚类（Hierarchical Clustering）、DBSCAN（基于密度的聚类）、谱聚类（Spectral Clustering）等。 2. **K-Means算法** - **原理**：K-Means是最常用的聚类算法之一...
kmeans算法_KMeans聚类算法详解
weixin_39824223的博客
11-18 5084
1. 写在前面如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则, PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法，机器学习实战等书，也听过一些机器学习的课程，但总感觉话语里比较深奥，读起...
密度聚类算法python详解_密度聚类python
weixin_39811101的博客
12-01 1484
广告关闭腾讯云11.11云上盛惠 ，精选热门产品助力上云，云服务器首年88元起，买的越多返的越多，最高返5000元！本人在此就不搬运书上关于密度聚类的理论知识了，仅仅实现密度聚类的模板代码和调用skelarn的密度聚类算法。 有人好奇，为什么有sklearn库了还要自己去实现呢？ 其实，库的代码是比自己写的高效且容易，但自己实现代码会对自己对算法的理解更上一层楼。 #调用科学计算包与绘图包impo...
# 聚类算法
m0_72829651的博客
03-29 866
聚类（Clustering）是无监督学习的核心任务，旨在将数据集中的样本划分为多个子群组（簇），使得同一簇内的样本相似性较高，而不同簇间的差异性较大。K-means是聚类任务中的经典算法，适用于结构清晰的数据集。通过肘部法则和评估指标（SSE、SC、CH）可选择最佳簇数，并结合领域知识解释结果。聚类是一种无监督学习方法，通过相似度计算将数据划分为多个簇。其核心是定义样本间的距离度量（如欧氏距离），并基于此进行分组。的关系曲线，选择SSE下降幅度变缓的拐点处的。基于密度的聚类，无需预设。
深入浅出：多种聚类算法及经典实例解析
### meanshift聚类 meanshift是一种基于滑动窗口的聚类方法，它通过不断迭代移动窗口，直至窗口的中心落在密度高的区域，从而实现聚类。窗口中心通常为样本点周围的均值，窗口大小（带宽）影响着聚类的粒度。mean...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值