文件名称：聚类分析基本概念及常用算法-人脸识别图像预处理技术
文件大小：4.91MB
文件格式：PDF
更新时间：2024-06-29 11:23:53
数据挖掘算法 Python
12.1 聚类分析基本概念及常用算法 概念 聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。 聚 类分析也叫分类分析(classification analysis)或数值分类(numerical taxonomy)。聚类与分类的不同在 于，聚类所要求划分的类是未知的。 聚类度量方法 聚类之间类的度量是分距离和相似系数来度量的， 距离用来度量样品之间的相似性（KMeans 聚类，系统聚类中的 Q 型聚类） 相似系数用来度量变量之间的相似性（系统聚类的 R 型聚类） 聚类分析研究方法 层次的方法（hierarchical method） 划分方法（partitioning method） 基于密度的方法（density-based method）---DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 基于网格的方法（grid-based method） 基于模型的方法（model-based method） 常用聚类分析研究方法 K-pototypes 算法 K-Means 算法 CLARANS 算法（划分方法） BIRCH 算法（层次方法） CURE 算法（层次方法） DBSCAN 算法（基于密度的方法） CLIQUE 算法（综合了基于密度和基于网格的算法） 12.2 Kmeans 算法概述 1. Kmeans 算法描述 适用于大样本，但需要事先制定分为 K 个类； 从 n 个数据对象任意选择 k 个对象作为初始聚类中心，对于剩下的其他对象，则根据它们与这 些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；再计算 每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程，直到标准测度函数开 始收敛为止。K 个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开 2. Kmeans 算法流程