多种聚类算法概述（BIRCH, DBSCAN， K-means， MEAN-SHIFT）

标签：方法   ima   输入参数   info   精度   效果   .com   9.png   算法概述   

BIRCH:是一种使用树分类的算法，适用的范围是样本数大，特征数小的算法，因为特征数大的话，那么树模型结构就会要复杂很多

DBSCAN：基于概率密度的聚类方法：速度相对较慢，不适用于大型的数据，输入参数有r和k

k-means：是通过不断更新聚类中心所进行的一种参数变化，需要输入的参数是需要聚成几类

MEAN-SHIFT:基于核密度估计的漂移算法，使用的是高斯概况密度估计

下面做一个是一个对不同的特征进行特征增强后的准确度的效果

特征增强指的是：对每一样本特征做一个归一化，对归一化后的数据的某个特征*10，进行单个特征的特征增强

上述是4种聚类算法的精度比较，横坐标表示的是对单个特征进行特征增强后的算法，可以看出精度上确实也是有差别的

多种聚类算法概述（BIRCH, DBSCAN， K-means， MEAN-SHIFT）

标签：方法   ima   输入参数   info   精度   效果   .com   9.png   算法概述   

原文地址：https://www.cnblogs.com/my-love-is-python/p/10297826.html