常見的聚類方法：K-Means，層次聚類，基于密度的聚類

1.K-Means（K均值）聚類

算法步驟：
(1) 首先我們選擇一些類/組，并隨機初始化它們各自的中心點。中心點是與每個數據點向量長度相同的位置。這需要我們提前預知類的數量(即中心點的數量)。
(2) 計算每個數據點到中心點的距離，數據點距離哪個中心點最近就劃分到哪一類中。
(3) 計算每一類中中心點作為新的中心點。
(4) 重復以上步驟，直到每一類中心在每次迭代后變化不大為止。也可以多次隨機初始化中心點，然后選擇運行結果最好的一個。
下圖演示了K-Means進行分類的過程：

優點：速度快，計算簡便
缺點：我們必須提前知道數據有多少類/組。

2.基于密度的聚類算法（如：DBSCAN）

詳細講解：https://blog.csdn.net/liudongdong19/article/details/80968459

其核心思想就是先發現密度較高的點，然后把相近的高密度點逐步都連成一片，進而生成各種簇。算法實現上就是，對每個數據點為圓心，以eps為半徑畫個圈（稱為鄰域eps-neigbourhood），然后數有多少個點在這個圈內，這個數就是該點密度值。然后我們可以選取一個密度閾值MinPts，如圈內點數小于MinPts的圓心點為低密度的點，而大于或等于MinPts的圓心點高密度的點（稱為核心點Core point）。如果有一個高密度的點在另一個高密度的點的圈內，我們就把這兩個點連接起來，這樣我們可以把好多點不斷地串聯出來。之后，如果有低密度的點也在高密度的點的圈內，把它也連到最近的高密度點上，稱之為邊界點。這樣所有能連到一起的點就成一了個簇，而不在任何高密度點的圈內的低密度點就是異常點。

算法步驟：
1. 首先確定半徑r和minPoints. 從一個沒有被訪問過的任意數據點開始，以這個點為中心，r為半徑的圓內包含的點的數量是否大于或等于minPoints，如果大于或等于minPoints則改點被標記為central point,反之則會被標記為noise point。
2. 重復1的步驟，如果一個noise point存在于某個central point為半徑的圓內，則這個點被標記為邊緣點，反之仍為noise point。重復步驟1，知道所有的點都被訪問過。

優點：不需要知道簇的數量
缺點：需要確定距離r和minPoints

總結

以上是生活随笔為你收集整理的常见聚类方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。