基本概念：“物以类聚，人以群分”，所谓的聚类，就是将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。聚类和分类的区别：分类是已知类别的，聚类未知。算法描述： 1、假定我们要对N个样本观测做聚类，要求聚为K类，首先选择K个点作为初始中心点； 2、接下来，按照距离初始中心点最小的原则，把所有观测
转载
2024-01-08 14:05:12
62阅读
概述聚类算法是在无监督的情况下将对象自动分组的一种分析方法，典型的聚类算法分为三个阶段：特征选择和特征提取，数据对象间相似度计算，根据相似度将数据对象分组。聚类算法的目标是将数据集合分成若干簇，使得同一簇内的数据点相似度尽可能大，而不同簇间的数据点相似度尽可能小。可分为层次聚类算法和划分聚类算法。 常见的聚类算法有k-means，STING，CLIQUE等。本文所记录的K-means算法是由J.B
转载
2024-03-21 16:03:12
114阅读
本文将盘点六个经典的聚类算法，以便于后续研究。经典的聚类算法主要包括以下六种：Means-shift聚类k-means聚类Fuzzy C means聚类Medoid shift算法Turbopixel算法SLIC算法Means-shift聚类（均值漂移）核心思想均值漂移聚类是基于滑动窗口的算法，用来寻找到数据最密集的区域。这是一个基于质心的算法，通过将中心点的候选点更新为滑动窗口内点的均值来完成，
转载
2023-08-08 13:51:35
89阅读
k均值算法算法步骤：这个算法需要事先知道数据有几类。假设我们的数据一共有k类。然后从数据样本点中任取k个点。作为每一个类的中心点。然后计算每一个样本点到每一个中心点的距离。对于每一个样本点，找到与他距离最近的中心点。然后把他归于这个中心点所在的类。最后计算每一个类别的均值。把这个均值作为新的中心点。递归前面的操作。直到中心点不在变动。这个算法是对初始值敏感的。取不同的中心点，可能将会有不同的结果。
转载
2024-01-29 10:48:42
66阅读
聚类是无监督学习中最常用的算法，常用的聚类算法总结。1、K-means（K均值）聚类：对于输入样本D={ X1，X2，X3，……，Xn }，K-means聚类算法如下：（1）从D中随机选择K个class center，U1，U2，……，Uk；（2）对于每个样本Xi，将其标记为距离类别中心最近的类别，即： Yi=argmin ||Xi−Uj||，1≤j≤K，即数据点距离哪个中心点最近就划分到哪一类中
转载
2024-03-20 16:02:38
117阅读
1评论
目录Kmeans DBSCAN-基于密度的空间聚类算法谱聚类ＧＭＭ-高斯混合模型 MeanShift-均值迁移层次聚类 代码Kmeans聚类原则：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。逐次计算各簇中心的值为新的中心值，迭代更新，直至簇中心位置不再改变或者达到最大迭代次数。 Kmeans的目标函数 定义为：各簇成员到其簇首
转载
2023-12-28 14:20:08
291阅读
聚类分析算法综述1. 聚类相关概念定义方法距离计算相似度计算应用2. 常用传统算法层次方法划分方法K-均值（K-Means）K均值案例实现K-中心（K-Medoids）k中心案例实现基于密度的方法DBscanDBscan案例实现MeanShiftMeanShift案例实现基于网格的方法基于模型的方法GMMSOM基于约束的方法3. 新发展的算法基于模糊的算法基于粒度的算法量子聚类核聚类谱聚类参考文
转载
2023-08-14 14:23:58
143阅读
本文是“漫谈 Clustering 系列”中的第 8 篇，参见本系列的其他文章。系列不小心又拖了好久，其实正儿八经的 blog 也好久没有写了，因为比较忙嘛，不过觉得 Hierarchical Clust...
转载
2016-08-05 11:12:00
304阅读
2评论
一、聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。
聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。 二、聚类算法分类1.基于划分给定一个有N个元组
转载
2023-12-18 21:36:04
137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，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
代码示例
# -*- coding: utf-8 -*-
"""
Created on Fri Sep 21 15:37:26 2018
@author: zhen
"""
from PIL import Image
import numpy as np
from sklearn.cluster import KMeans
import matplotlib
import matplotlib
转载
2021-02-20 16:23:00
167阅读
2评论
目录1 认识聚类算法1.1 聚类算法在现实中的应用1.2 聚类算法的概念1.3 聚类与分类最大的区别1.4 小结2 聚类算法api初步使用2.1 api介绍2.2 案例2.2.1流程分析2.2.2 代码实现
原创
2022-10-08 09:10:06
224阅读
聚类，就像回归一样，有时候人们描述的是一类问题，有时候描述的是一类算法。聚类算法通常按照中心点或者分层的方式对输入数据进行归并。所以的聚类算法都试图找到数据的内在结构，以便按照最大的共同点将数据进行归类。 常见的聚类算法包括 k-Means算法以及期望最大化算法 (1) 首先我们选择一些类/组，并随
原创
2021-07-23 15:34:38
199阅读
文章目录初识聚类算法聚类算法api初步聚类算法实现流程特征降维初识聚类算法聚类算法一种典型的无监督学习算法，主要用于将相似的样本自动归到
原创
2022-06-17 16:53:43
254阅读
一、聚类算法的介绍1.什么是聚类算法聚类算法是一类无监督学习算法，用于将数据集中的对象分组（或聚类）成具有相似性的集合。聚类算法不依赖于预定义的类别标签，而是根据数据的内在特点将相似的数据点聚集在一起。聚类算法的目标是通过最大化组内的相似性和最小化组间的差异来实现聚类。聚类算法可以帮助我们发现数据中的潜在结构、识别相似的数据点、进行数据压缩和预处理等。2.聚类算法在现实中的应用市场细分：聚类算法可
转载
2023-11-02 21:11:08
181阅读
聚类算法实践（一）——层次聚类、K-means聚类摘要: 所谓聚类，就是将相似的事物聚集在一 起，而将不相似的事物划分到不同的类别的过程，是数据分析之中十分重要的一种手段。比如古典生物学之中，人们通过物种...
转载
2016-08-05 11:09:00
1425阅读
相比其他的聚类方法，基于密度的聚类方法可以在有噪音的数据中发现各种形状和各种大小的簇。DBSCAN（Ester, 1996）是该类方法中最典型的代表算法之一。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，
转载
2023-08-24 13:00:45
80阅读
六、聚类算法实战一、聚类聚类是一种无监督的机器学习任务，可以自动将数据划分为类cluster，因此聚类分组不需要提前被告知所划分的组应该是什么样子的。因为我们甚至可能都不知道我们在寻找什么，所以聚类是用于知识发现而不是预测。 聚类原则是一个组内的记录彼此必须非常相似，而与该组之外的记录截然不同，所有聚类做的就是遍历所有的数据然后找到这些相似性。二、K-Means(均值)①选择K个初始的簇中心，该点
转载
2023-10-25 16:37:17
73阅读
学习目标知道聚类算法的概念了解聚类算法和分类算法的最大区别1 认识聚类算法 使用不同的聚类准则，产生的聚类结果不同。1.1 聚类算法在现实中的应用用户画像，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 1.2 聚类算法的
原创
2023-01-15 06:51:22
601阅读
