聚类方法
2015-06-04 08:41:45 17 举报
登录查看完整内容
聚类方法是一种无监督学习方法，用于将数据集划分为多个组或“簇”，使得同一簇内的数据点彼此相似，而不同簇之间的数据点差异较大。这种方法在数据分析、模式识别和机器学习等领域具有广泛的应用。常见的聚类算法包括K-means、DBSCAN、层次聚类等。通过选择合适的距离度量和聚类准则，聚类方法可以帮助我们发现数据中的隐藏结构和规律，为进一步的分析和决策提供有价值的信息。
作者其他创作
大纲/内容
把一个对象集划分成多个互斥的簇或簇的分层结构 包括三种代表性方法：DBSCAN、OPTICS、DENCLUE
基于网格的方法
将数据对象组成层次结构或簇的“树”常用的方法包括： 凝聚的层次聚类，分裂的层次聚类、多阶段聚类、 概率层次聚类等。（凝聚层次聚类算法的早期综述在Day和Edelsbrunner提出）
Grid-based Method
层次方法
Hierarchical Method
Partitioning Method
该方法首先需要对研究对象的空间向量进行网格的划分，整理成不同数 量的单元格形式，各网格进行相互组合成一个完整的结构（包括STING和CLIQUE等）
基于密度的方法
划分方法
Density-based Method
基于对象关系进行划分，根据对象组织间存在的互斥关系来组合成不同的簇 常用的划分方法包括：k-均值，k-中心点及一些变种等。 （k-均值算法首先由Lloyd提出，然后由Mac Queen再次提出）
0 条评论
回复 删除
下一页
