基于劃分聚類算法（partition clustering)

K-means：是一種典型的劃分聚類算法，它用一個聚類的中心來代表一個簇，即在迭代過程中選擇的聚點不一定是聚類中的一個點，該算法只能處理數(shù)值型數(shù)據(jù)。

優(yōu)點：計算時間短，速度快。結(jié)果容易解釋，一般聚類效果還算不錯；

缺點：對異常值非常敏感，需要提前確定好k值

其他劃分聚類算法如下：

基于層次聚類算法

CURE：采用抽樣技術(shù)先對數(shù)據(jù)集D隨機抽取樣本，再采用分區(qū)技術(shù)對樣本進(jìn)行分區(qū)，然后對每個分區(qū)局部聚類，最后對局部聚類進(jìn)行全局聚類。

優(yōu)點：采用隨機抽樣與分割相結(jié)合的辦法來提高算法的空間和時間效率，并且在算法中用了堆和K-d樹結(jié)構(gòu)來提高了算法效率，使其可以高效的處理大量數(shù)據(jù)。

缺點：對異常數(shù)據(jù)比較脆弱。

其他基于層次聚類算法如下：

基于密度聚類算法

DBSCAN：DBSCAN算法是一種典型的基于密度的聚類算法，該算法采用空間索引技術(shù)來搜索對象的鄰域，引入了“核心對象”和“密度可達(dá)”等概念，從核心對象出發(fā)，把所有密度可達(dá)的對象組成一個簇。

優(yōu)點：聚類簇的形狀沒有偏倚，不需要輸入要劃分的聚類個數(shù)。

缺點：DBSCAN算法對參數(shù)Eps及Minpts非常敏感，且這兩個參數(shù)很難確定。

其他基于密度聚類算法如下：

從以下幾個方面對幾種常用的聚類算法進(jìn)行綜合性能評價，評價結(jié)果如下：

總結(jié)

以上是生活随笔為你收集整理的机器学习--最基础的最常用的聚类算法的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。