文章目录 📚聚类 📚KMeans 📚层次聚类 🐇层次聚类概述 🐇dendrogram-树状图 🐇linkages-衡量两个类之间的距离 🐇Lance-Williams算法 🐇K-means VS 层次聚类 📚DBSCAN 📚聚类 定义：聚类是一种无监督学习，样本没有标签，将一群样本划分到一个类中，使得：最大化类间距，最小化类内 距离测量指标： 四种聚类： 基于质心的聚类，使用中心表示该簇（K-means，K-medoids） 基于链接的聚类：层次聚类-在一定阈值处切断树，从而得到几个类 基于密度的聚类，DBSCAN,OPTICS，将高密度的区域连接起来 基于分布的聚类，Mixture models 📚KMeans K-means的思想：最小化数据到中心点的方差S，算法的目标是最小化数据
本文深入探讨了两种常见的聚类算法：KMeans和层次聚类。KMeans算法基于质心，通过迭代更新找到最佳聚类，但需要预设簇的数量，对初始化敏感。层次聚类则通过构建层次结构来自动聚类，无需预设簇数，但计算复杂度较高。文章还讨论了两者的优势和局限，以及如何在实际应用中选择合适的聚类方法。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
