聚类的算法实现 | 【亲证有效】

“

人在最好的时光，总会犯上一些痴，一些傻。哪一段青春不荒唐，哪一场爱情不受伤，错过了前面的人。

”

俗话说：“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。所谓类，通俗地说，就是指相似元素的集合。

· 常见的聚类算法 ·

K-Means

(K均值)聚类

算法步骤

(1) 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。

(2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。

(3) 计算每一类中中心点作为新的中心点。

(4) 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好的一个。

下图演示了K-Means进行分类的过程：

优点：

速度快，计算简便

缺点：

我们必须提前知道数据有多少类/组。

K-Medians是K-Means的一种变体，是用数据集的中位数而不是均值来计算数据的中心点。

K-Medians的优势是使用中位数来计算中心点不受异常值的影响；缺点是计算中位数时需要对数据集中的数据进行排序，速度相对于K-Means较慢。

2. 均值漂移聚类

3. 基于密度的聚类方法(DBSCAN)

4. 用高斯混合模型（GMM）的最大期望（EM）聚类

5. 凝聚层次聚类

6. 图团体检测(Graph Community Detection)

其他的算法可以查看：

https://blog.csdn.net/Katherine_hsr/article/details/79382249

K-mean聚类

代码实现

1、导入数据

2、计算每个数据点到中心点的距离

3、对数据点分组

4、迭代收敛和更新质心

结果图展示：

相似的代码和演示的数据都上传到了网盘，大家可以去下载、尝试和应用到自己的项目中。

https://pan.baidu.com/s/1pN8veKEWmV6xCVjY_RGR-A

---