模式识别与人工智能之五.pptx

文档介绍：Pattern Recognition
&
artificial Intelligence
Lecture 5: 聚类算法(一)
主要内容
聚类的定义
聚类算法分类
典型聚类算法讲解
聚类的定义
聚类的定义
典型的非监督式机器学习
数据类别不被事先标识
通过学习模型推断出数据的一些内在结构,进而进行聚类。
聚类算法分类
聚类算法分类
划分方法:首先得到初始的K个划分的集合。如K-平均、K-中心点、CLARANS以及对它们的改进。
层次方法:创建给定数据对象集合的一个层次性的分解。根据层次分解的过程可以分为凝聚(自底向上)或分裂(自顶向下)。
基于密度的方法:根据密度的概念来聚类对象,如DBSCAN、DENCLUE、OPTICS。
聚类算法分类
基于网格的方法:首先将对象空间量化为有限数目的单元,形成网格结构,然后在网格结构上进行聚类,如STING、CLIQUE、WaveCluster。
基于模型的方法:为每个簇假设一个模型,发现数据对模型的最好匹配,如COBWEB、CLASSIT,GCM, AutoClass, SOM。
基于降维的方法:如Spectral clustering,Ncut等
聚类算法分类
类别
算法
分裂/划分方法
K-MEANS(K-平均)、K-MEDOIDS算法(K-中心点)、CLARANS算法(基于选择的方法)
层次法
BIRCH算法(平衡迭代规约和聚类)、CURE算法(代表聚类)、CHAMELEON算法(动态模型)
基于密度的方法
DBSCAN算法(基于高密度连接区域)、OPTICS算法(对象排序识别)、DENCURE算法(密度分布函数)
基于网格的方法
STING算法(统计信息网格)、CLIQUE算法(聚类高维空间)、WAVE-CLUSTER算法(小波变换)
基于模型的方法
统计学方法、神经网络方法
基于降维的方法
Spectral clustering,Ncut
典型聚类算法讲解
-----基于划分的聚类算法
划分聚类法– K-means
Summary:k-means是采用均值算法把数据分成K个类的算法!
Q1:k是什么?
A1:k是聚类算法当中类的个数。
Q2:means是什么?
A2:means是均值算法。