Clustering

Last updated Jun 17, 2023

• Ml

# Clustering

聚类

# 聚类算法

# K-Mean

• 很常见的聚类算法

# 输入

• n 维向量的点集

# 输出

• 每个点的类标签

# 算法

1. 确定初始的类中心点 $\mu_1, \\ …, \\ \mu_k$ (e.g. 随机)
2. 计算点集中的每个点与哪个中心最近, 则这个点标上此类的标签
3. 重新计算类中心点, 使该类所有点到该点的总距离最小
4. 重复2,3步, 直到无变化或到达精度要求

# DBSCAN

• 基于密度的聚类算法
• 动画: DBSCAN - bilibili

# 概念

• 核心点 core point/core object: 辐射半径内至少有 n 个其他点
• 非核心点
• 辐射半径: 一个自定义的半径
• 离群点: 辐射半径内一个其他点都没有

# 输入

• 辐射半径
• n: 成为核心点需要周围有 n 个点

# 输出

• 每个点的簇

# 算法

1. 找到所有核心点
2. 从任意一个核心点开始, 将其与其半径内的所有核心点加入第一个簇
3. 重复2直到对所有核心点处理完成
4. 将所有核心点周围的非核心点加入该簇(没说冲突怎么处理)
5. 剩下的点是离群点