标签：最大 独立 随机 || 之间 复杂 常用 相加 noi
常用聚类方法一般有以下几种：
基于距离的聚类算法：
1、KMEANS
流程：
1）确定要聚类的数量K，并随机初始化中心点；
2）通过计算当前点与每个组中心之间的距离，对每个数据点进行分类，然后归到与距离最近的中心组中；
3）基于迭代后的结果，计算每一类内所有点的平均值；
4）迭代这些步骤，或直到组中心在迭代之间变化不大；
优点：
速度快，计算量少，线性复杂性为o（n）
缺点：
须事先确定聚类的簇数量
结论：
当数据集中的聚类结果是非球状结构时，该聚类算法的聚类效果不理想。
基于密度的空间聚类算法:
2、MeanShift
基于滑窗的算法，尝试找到数据点密集的区域。
通过感兴趣区域内的数据密度变化计算中心点的漂移向量，从而移动中心点进行下一次迭代，直到到达密度最大处（中心点不变）。从每个数据点出发都可以进行该操作，统计出现在感兴趣区域内数据的次数，该参数将在最后作为分类的依据。
优点：可自动决定类别的数目。
步骤：
1）在未被标记的数据点中随机选择一个点作为起始中心点center；
2）找出以center为中心半径为radius的区域中出现的所有数据点，认为这些点同属于一个聚类C，同时在该聚类中记录数据点出现的次数加1；
3）以center为中心点，计算从center开始到集合M中每个元素的向量，将这些向量相加，得到向量shift;
4）center=center+shift,即center沿着shift方向移动，移动距离为||shift||；
5）重复步骤2，3，4，直到shift很小，记得此时的center。注意，这个迭代过程中遇到的点都应该归类到簇C；
6）如果收敛时当前簇C的center与其它已经存在的簇C2中心的距离小于阈值，那么把C2与C合并，数据点出现次数也对应合并。否则把C作为新的聚类；
7）重复1，2，3，4，5直到所有点都被标记为已访问；
8）分类：根据每个类，对每个点的访问频率，取访问频率最大的那个类，作为当前点集的所属类。
通过在数据集中寻找被低密度区域分离的高密度区域，将分离出的高密度区域作为一个独立的类别。
3、DBSCAN（Density-based Spatial Clustering of Applications with Noise）
将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，将簇定义为密度相连的点的最大集合。
将数据点分为三类：
1）核心点：样本xi的邻域内至少包含Minpts个样本，则称样本点为核心点
2）边界点：样本xi的邻域内包含的样本数目小于MinPts，但是它在其他核心点的邻域内，则称样本点xi为边界点。
3）噪音点：即不是核心点也不是边界点的点。
有两个超变量：一个半径EPS，另一个是指定的数目MinPts。
三个基本概念：
密度直达（如果满足样本点p《NEPS（q）且NEPS（q）》=MinPts）
密度可达（如果存在一系列样本点p1，...,pn(p1=q,pn=p),使得对于i=1，...，n-1,样本点pi+1可由样本点pi密度可达
密度相连（如果存在一个样本点o，使得p与q均由样本点o密度可达）
算法流程：
1）根据给定的邻域参数EPS和minPts确定所有的核心对象
2）对每一个核心对象，选择一个未处理过的核心对象，找到由其密度可达的样本生成聚类‘簇‘
3）重复以上过程
标签：最大 独立 随机 || 之间 复杂 常用 相加 noi
原文地址：https://www.cnblogs.com/jimchen1218/p/11506251.html
