基于密度方法的聚類全解課件

聚類分析宋宜飛基于密度方法的聚類全解聚類分析宋宜飛主要內(nèi)容回顧密度聚類方法DBSCAN算法OPTICS算法網(wǎng)格聚類方法CLIQUE算法回顧>聚類聚類(lustering也稱為聚類分析指將樣本分到不同的組中使得同組中的樣本差異盡可能的小,而不同組中的樣本差異盡可能的大聚類得到的不同的組稱為簇(cluster)個好的聚類方法將產(chǎn)生以下的聚類最大化類中的相似性好最小化類間的相似性主要內(nèi)容回顧密度聚類方法DBSCAN算法OPTICS算法網(wǎng)格聚類方法CLIQUE算法回顧>聚類聚類(lustering也稱為聚類分析指將樣本分到不同的組中使得同組中的樣本差異盡可能的小,而不同組中的樣本差異盡可能的大聚類得到的不同的組稱為簇(cluster)個好的聚類方法將產(chǎn)生以下的聚類最大化類中的相似性好最小化類間的相似性回顧聚類的分類劃分采類方法層次聚類方法度聚類方法網(wǎng)格聚類方法模型聚類方法劃分聚類方法在基于劃分的聚類中,任務(wù)就是將數(shù)據(jù)劃分成K個不相交的點集,使每個子集中的點盡可能同質(zhì)?；趧澐值姆椒?其代表算法有k-means算法、K-medoids等k-means算法k-means算法基本步驟1.從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心2.根據(jù)每個聚類對象的均值(中心對象),計算每個對象與這些中心對象的距離并根據(jù)最小距離重新對相應(yīng)對象進行劃分:3.重新計算每個(有變化)聚類的均值(中心對象)4.計算標(biāo)準(zhǔn)測度函數(shù),當(dāng)滿足一定條件,如函數(shù)收斂時,則算法終止;如果條件不滿足則回到步驟2。k-means優(yōu)缺點主要優(yōu)點〔是解決聚類問題的一種經(jīng)典算法,簡單、快速弩對處理大數(shù)據(jù)集,該算法是相對可伸縮和高效率的弩當(dāng)結(jié)果簇是密集的,它的效果較好。主要缺點〔在簇的平均值被定義的情況下才能使用必須事先給出k(要生成的簇的數(shù)目),而且對初值敏感,對于不同的初始值,可能會導(dǎo)致不同結(jié)果。不適合于發(fā)現(xiàn)非凸面形狀的簇或者大小差別很大的簇。而且,它對于“躁聲”和孤立點數(shù)據(jù)是敏感的。層次聚類方法層次聚類方法對給定的數(shù)據(jù)集進行層次的分解,直到某種條件滿足為止。具體又可分為凝聚的層次聚類:一種自底向上的策略,首先將每個對象作為一個簇然后合并這些原子簇為越來越大的簇,直到某個終結(jié)條件被滿足分裂的層次聚類:采用自頂向下的策略,它首先將所有對象置于一個簇中,然后逐漸細分為越來越小的簇,直到達到了某個終結(jié)條件。層次凝聚的代表是AGNES算法。層次分裂的代表是DIANA算法層次聚類優(yōu)缺點層次聚類方法是不可逆的,也就是說,當(dāng)通過凝聚式的方法將兩組合并后,無法通過分裂式的辦法再將其分離到之前的狀態(tài),反之亦然另外,層次聚類過程中調(diào)查者必須決定聚類在什么時候停止,以得到某個數(shù)量的分類在不必要的情況下應(yīng)該小心使用層次聚類方法密度聚類方法劃分聚類方法層次聚拱方法密度聚樊方法:基于密度的聚類方法以數(shù)據(jù)集