什么是聚类聚类就是对大量未知标注的数据集，按照数据 内部存在的数据特征 将数据集划分为 多个不同的类别 ，使 类别内的数据比较相似，类别之间的数据相似度比较小；属于 无监督学习。聚类算法的重点是计算样本项之间的 相似度，有时候也称为样本间的 距离。和分类算法的区别：分类算法是有监督学习，基于有标注的历史数据进行算法模型构建聚类算法是无监督学习，数据集中的数据是没有标注的有个成语到“物以类聚”，说的
1. 聚类定义“聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集（subset）,这样让在同一个子集中的成员对象都有相似的一些属性。”  
聚类简介与基本概念1 聚类简介2 聚类的基本概念2.1 相似度或距离2.1.1 闵可夫斯基距离2.1.2 马哈拉诺比斯距离2.1.3 相关系数2.1.4 夹角余弦2.1.5 总结2.2 类或簇2.3 类与类之间的距离 # 只需 shift+回车 运行本单元格，就可以让jupyter notebook宽屏显示
from IPython.core.display import display, HT
文章目录1 聚类算法分类2 常见聚类算法2.1 kmeans2.1.1 工作原理2.1.2 计算距离的方式2.1.3 kmeans的损失函数2.1.4 k-means算法的优缺点2.2 层次聚类2.3 密度聚类2.3.1 DBSCAN2.3.2 密度最大值算法3 聚类算法的模型评估指标3.1 当真实标签已知的时候3.2 当真实标签未知的时候：轮廓系数3.3 当真实标签未知的时候：Calinski
转载
2024-05-29 08:08:43
158阅读
[聚类算法]K-means优缺点及其改进 K-means聚类小述大家接触的第一个聚类方法，十有八九都是K-means聚类啦。该算法十分容易理解，也很容易实现。其实几乎所有的机器学习和数据挖掘算法都有其优点和缺点。那么K-means的缺点是什么呢?
总结为下：
(1)对于离群点和孤立点敏感；
(2)k值选择;
(3)初始聚类中心的选择；
(4)只能发现球状簇。
对于这4点呢的原因，读
转载
2023-07-05 22:36:42
297阅读
聚类分析的概念聚类分析是根据“物以类聚”的道理，对样本或指标进行分类的一种多元统计分析方法，它们讨论的对象是大量的样本，要求能合理地按各自的特性进行合理的分类，没有任何模式可供参考或依循，即在没有先验知识的情况下进行的。比如说;谁经常光顾商店，谁买什么东西，买多少？按会员卡记录的光临次数、光临时间、性别、年龄、职业、购物种类、金额等变量分类这样商店可以……识别顾客购买模式（如喜欢一大早来买酸奶和鲜
1.标准Kmeans经典的标准kmeans算法无需多言，每个无监督学习的开场白一般都是标准kmeans算法。具体的原理不再多言，可以参考之前的文章： 标准的kmeans的优缺点，上面的文章也有详细介绍，再详细说一说kmeans++对于初始中心点的优化kmeans++中心点初始化步骤 下面举个例子来说明怎么优化初始点。 数据集中共有8个样本，分布以及对应序号如图所示。 假设经过图2的步骤一后6号点被
转载
2024-05-06 17:00:42
43阅读
2.常用聚类算法 聚类算法可大致分为四类：划分方法、层次方法、图聚类方法、基于密度的方法。划分方法 对于划分方法这里详细介绍划分方法的代表——K-means算法，K-means算法是最经典的聚类算法之一，该算法处理效率高，且能处理大规模数据。算法流程如下： 1.根据事先取好的簇数k，随机选取k个点，作为聚类中心； 2.计算每个点分别到k个聚类中心的聚类，然后将该点分到最近的聚类中心，这样就形成了k
转载
2024-04-25 11:47:41
102阅读
1.如何定义聚类？你能列举几种聚类算法吗？在机器学习中，聚类是将相似的实例组合在一起的无监督任务。 相似性的概念取决于你手头的任务：例如，在某些情况下，两个附近的实例将被认为是相似的，而在另一些情况下，只要它们属于同一密度组，则相似的实例可能相距甚远。流行的聚类算法包括K-Means、 DBSCAN、聚集聚类、BIRCH、均值平移、亲和度传播和光谱聚类。2.聚类算法的主要应用有哪些？聚类算法的主要
转载
2024-04-10 09:00:57
124阅读
1.摘要聚类是统计数据分析的一门技术，在许多领域受到广泛的应用，包括机器学习、数据挖掘、图像分析等等。聚类就是把相似的对象分成不同的组别或者更多的子集，从而让每个子集的成员对象都有相似的一些属性。所谓聚类算法，其实就是将一对没有标签的数据自动划分成几类的方法。在应用场景上，聚类能帮助我们解决很多计算机中的分类问题，常见的如：颜色类别分类、空间坐标中的密度分类、电商中的人群特征分类。除了分类问题外，
转载
2024-06-29 17:23:19
46阅读
引言：聚类是将数据分成类或者簇的过程，从而使同簇的对象之间具有很高的相似度，而不同的簇的对象相似度则存在差异。聚类技术是一种迭代重定位技术，在我们的生活中也得到了广泛的运用，比如：零件分组、数据评价、数据分析等很多方面；具体的比如对市场分析人员而言，聚类可以帮助市场分析人员从消费者数据库中分出不同的消费群体来，并且可以分析出每一类消费者的消费习惯等，从而帮助市场人员对销售做出更好的决策。所以，本篇
转载
2023-08-07 14:30:47
78阅读
本文对其中的难懂的地方做一些备注 谱聚类（spectral clustering）是广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法原理做一个总结。1. 谱聚类概述 谱聚类是从图论中演化出来的
转载
2024-02-29 10:49:55
34阅读
聚类算法原理一、K-Means聚类k-means模型的本质： 它以每个簇的中心为圆心，簇中点到簇中心点的欧氏距离最大值为半径画一个圆。这个圆硬性的将训练集进行截断。而且，k-means要求这些簇的形状必须是圆形的。因此，k-means模型拟合出来的簇（圆形）与实际数据分布（可能是椭圆形）差别很大，经常出现多个圆形的簇混在一起，相互重叠。K-Medians算法K-Medians算法是K-
转载
2024-03-02 08:46:12
69阅读
1、问题导入假如有这样一种情况，在一天你想去某个城市旅游，这个城市里你想去的有70个地方，现在你只有每一个地方的地址，这个地址列表很长，有70个位置。事先肯定要做好攻略，你要把一些比较接近的地方放在一起组成一组，这样就可以安排交通工具抵达这些组的“某个地址”，然后步行到每个组内的地址。那么，如何确定这些组，如何确定这些组的“某个地址”？答案就是聚类。而本文所提供的k-means聚类分析方法就可以用
转载
2023-07-06 14:19:42
350阅读
K-means 聚类算法属于无监督学习，它会将相似的对象归到同一个簇中，该算法原理简单，执行效率高，并且容易实现，是解决聚类问题的经典算法。尽管如此，任何一款算法都不可能做到完美无瑕，K-measn 算法也有自身的不足之处，比如 K-means 需要通过算术平均数来度量距离，因此数据集的为维度属性必须转换为数值类型，同时 K-means 算法使用随机选择的方式来确定 K 的数量和初始化质心 ，因此
转载
2024-01-02 11:00:27
97阅读
1，聚类概念 聚类涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法（没有标签），是许多领域中常用的统计数据分析技术有时候作为监督学习中稀疏特征的预处理，有时候可以作为异常值检测。应用场景：新闻聚类、用户购买模式（交叉销售）、图像
转载
2023-08-19 20:27:57
87阅读
k-means算法（k-均值聚类算法）是一种基本的已知聚类类别数的划分算法。它是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。它是使用欧氏距离度量的（简单理解就是两点间直线距离，欧氏距离只是将这个距离定义更加规范化，扩展到N维而已）。它可以处理大数据集，且高效。它的输入
转载
2024-05-28 21:02:00
17阅读
作者：George Seif
编译：ronghuaiyang
导读
聚类作为一种无监督技术，在很多的场合非常的有用，今天給大家介绍5个非常常用的聚类算法，以及各自的优缺点。
聚类是一种机器学习技术，涉及数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点分类到特定的组中。理论上，同一组中的数据点应该具有相似的属性或特征，而不同组中的数据点应该具有高度不同的属性
转载
2024-05-16 10:02:35
50阅读
文章目录一、聚类算法简介二、K-means聚类2.1 聚类过程：2.2 K-means的损失函数2.3 K-means的缺点2.4 如何选择K：2.5 K-means小结2.6 K-means和KNN的区别三、层次聚类四、高斯混合模型五、三种方法的对比 聚类算法准确率不太高，很少单独使用，但是会用来提供一些特征。 一、聚类算法简介是一种无监督学习，只有数据x，没有标签y试图通过数据间的关系发现
转载
2024-04-24 14:40:32
57阅读
这篇文章是讲解聚类里难得一见的好文章，大家有兴趣可以阅读原文，我这里主要在原文的基础上写一些自己的总结，补充在原文后的括号里。本文主要介绍了三种聚类方法：K-均值聚类，层次聚类，图团体检测K均值聚类何时使用？当你事先知道你将找到多少个分组的时候。（这个就比较尴尬了，因为很多情况下，我们并不知道要聚多少个类）工作方式该算法可以随机将每个观察（observation）分配到 k 类中的一类，然后计算每
转载
2024-06-27 09:05:15
208阅读
