CAU数据挖掘 第五章 聚类问题

基本概念

性质:

应用:

划分聚类

k-means算法( 基于质心的技术)


优缺点

改进

k-medoids算法( 基于代表对象的技术)

PAM是 k-medoids算法 的算法之一

性能分析:

CLARA方法-大数据集合-取样

层次聚类算法

通过建树或者拆树的方法进行聚类

AGNES算法

由下而上的聚类

DIANA算法

如果要分出k个聚类,则每次从旧聚类(最开始的大聚类)中选出中心点进行聚类,选k - 1次

BIRCH算法

提取每个点的聚类特征( Clustering Feature, CF)建立聚类特征树( Clustering Feature Tree, CF树),通过树划分的叶子节点簇进行聚类,从而提高性能。

CF树:

注意,叶子结点是CF簇

如何建树:

如何分裂:

叶节点阈值(T)为3,则下图中叶节点分裂

内部节点阈值(L)为3,图中为4,发生分裂

密度聚类

只要邻近区域的密度( 对象或数据点的数目) 超过某个阀值, 就把它加到与之相近的聚类中。

也就是说, 对给定类中的每个数据点, 在一个给定范围的区域中必须至少包含某个数目的点。

DBSCAN

几个重要概念:



算法流程:

缺点:

  • 对参数敏感,设置不同的参数,聚类效果差异大
  • 只能发现密度相似的类

OPTICS算法

通过点排序识别聚类结构。

思想:计算一个点周围的点到这个点的可达距离,并进行排序,直到算完所有可以到达的点;再用没有计算的点计算周围可以到达的点的距离,如此重复直到所有点算完。

核心距离与可达距离

距离排序



将排序后的队列进行数据可视化:

DENCLUE算法: 影响函数

网格聚类

STING算法-统计信息网格

WaveCluster算法


流程:


模型聚类

模型聚类主要有两类: 统计学方法( EM和COBWEB算法) 和神经网络方法( SOM算法) 。

EM算法

COBWEB算法

SOM算法

模糊聚类

聚类估计

估计聚类趋势

霍普金斯统计量

即判断数据是否可聚类

计算原理:

可以看到当样本点与实际点距离很短,均匀点与实际点很远时,H偏大,数据集更又可能聚类。

确定簇数

简单的经验方法

肘方法

测定聚类质量

相关推荐
我就是全世界12 分钟前
AI智能体的安全困境:防护机制与伦理平衡的艺术
人工智能·安全
KevinZhang1357920 分钟前
ShadowAI 支持二维表格数据生成了
人工智能·agent·ai编程
软件测试-阿涛44 分钟前
2025年大语言模型与多模态生成工具全景指南(V2.0)
大数据·图像处理·人工智能·语言模型·视频
POLOAPI1 小时前
亚马逊Kiro强势挑战Cursor霸主地位,AI IDE大战谁能笑到最后?
人工智能·cursor
思绪漂移1 小时前
从博客到播客:文本转音频的全流程技术点
人工智能·音频·腾讯云·信息传播
Fuliy961 小时前
【数字图像处理系列笔记】Ch04:灰度变换与空间域图像增强(2)
图像处理·人工智能·笔记·计算机视觉·数字图像处理
ALLMHUB1 小时前
【附API无限制使用方法】Claude Opus 4.1正式上线:智能编程助手的新里程碑
人工智能
老周聊大模型2 小时前
让AI对话像流水般自然:深入大模型Streaming技术核心源码
人工智能·机器学习·程序员
康斯坦丁师傅2 小时前
最强编程模型Claude Opus 4.1上线:附保姆级使用教程
人工智能·claude
聚客AI2 小时前
💡小白都能看懂的RAG分块实战:从递归分割到LLM智能拆解的全解析
人工智能·llm·掘金·日新计划