一、聚類算法思想
即物以類聚，將相似的物品聚爲一類。
二、聚類算法
k-means、k-medoids、clarans、密度聚類、層次聚類等等
三、聚類算法詳解
3.1 k-means
基本思想:將n個數據樣本聚類，因爲除了樣本信息外，無法獲知應該將數據樣本聚類爲幾個簇。因此，假設將樣本分爲k個簇，而這也是k-means聚類算法的缺點。衡量聚類算法的評價指標：簇內樣本相似度高、簇間樣本相似度低。如果用聚類度量相似度，則可以理解爲簇內樣本距離小，簇間樣本距離大。
工作過程：（1）從n個樣本中任意選擇k個樣本作爲初始簇中心，採用簇中心代表一個簇。
（2）根據樣本集合中其他樣本與簇中心樣本的相似度，將樣本聚類到與簇中心最相似的簇。
（3）重新計算簇中心，即每個簇中所有樣本的均值。
（4）不斷重複步驟（2）、（3），直至標準測度函數（如均方差）收斂。
（5）評價：簇內樣本相似度，和簇間樣本相似度。對於簇內樣本相似度計算方法：如果採用距離度量，則可計算簇中心到簇內樣本的距離的均值；也可以計算簇內樣本間兩兩樣本距離的均值；如果採用密度度量，則每個簇可抽象爲一個以簇中心爲圓心，以簇中心到與距離其最遠的樣本的距離爲半徑的圓。再以簇中心爲圓心，從零逐漸增加半徑的單位量，計算每個環形區域內數據點的個數除以圓環面積，計算的所有結果取平均值作爲密度。
對於簇間樣本相似度計算方法：計算簇中心距離。
算法缺點：對髒數據敏感
3.2 k-medoids
和 k-means不同，其將每個簇中樣本距離簇內其他樣本距離最小的樣本作爲簇中心。
工作過程：
（1）從n個樣本中任意選擇k個樣本作爲初始簇中心，採用簇中心代表一個簇。
（2）根據樣本集合中其他樣本與簇中心樣本的相似度，將樣本聚類到與簇中心最相似的簇。
（3）重新計算簇中心，即每個簇中樣本距離簇內其他樣本距離最小的樣本作爲簇中心。
（4）不斷重複步驟（2）、（3），直至簇中心固定不變。
缺點：在選擇簇中心時增加了計算量
3.3 密度聚類
之後補上，曾經做數學建模時，有一塊用到密度聚類思想。
轉載請註明出處：https://blog.csdn.net/catchingSun/article/details/104851899
小女不才，尚有小羣，有意請加：
翻轉世界IT：386707638
碩博交流羣（僅限碩博）：774547075