最近在学习论文的时候发现了在science上发表的关于新型的基于密度的聚类算法 Kmean算法有很多不足的地方，比如k值的确定，初始结点选择，而且还不能检测费球面类别的数据分布，对于第二个问题，提出了Kmean++，而其他不足还没有解决，dbscan虽然可以对任意形状分布的进行聚类，但是必须指定 ...

一、聚类算法简介 聚类是无监督学习的典型算法，不需要标记结果。试图探索和发现一定的模式，用于发现共同的群体，按照内在相似性将数据划分为多个类别使得内内相似性大，内间相似性小。有时候作为监督学习中稀疏特征的预处理（类似于降维，变成K类后，假设有6类，则每一行都可以表示为类似于000100 ...

聚类算法有很多，常见的有几大类：划分聚类、层次聚类、基于密度的聚类。本篇内容包括k-means、层次聚类、DBSCAN 等聚类方法。 k-means 方法 初始k个聚类中心; 计算每个数据点到聚类中心的距离,重新分配每个数据点所属聚类; 计算新的聚簇集合的平均值作为新 ...

Infi-chu: http://www.cnblogs.com/Infi-chu/ 一、简介 1.聚类算法的应用领域 用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别 基于位置信息的商业推送，新闻聚类，筛选排序 图像分割，降维，识别 ...

聚类算法 李鑫 2014210820 电子系 1、kmeans算法 1.1Kmeans算法理论基础 K均值算法能够使聚类域中所有样品到聚类中心距离平方和最小。其原理为：先取k个初始聚类中心，计算每个样品到这k个中心的距离，找出最小距离，把样品归入最近的聚类中心，修改中心点 ...

本文转载自http://www.cnblogs.com/huadongw/p/4101422.html 聚类算法：ISODATA算法 1. 与K-均值算法的比较 –K-均值算法通常适合于分类数目已知的聚类，而ISODATA算法则更加灵活； –从算法 ...

1. 与K-均值算法的比较 –K-均值算法通常适合于分类数目已知的聚类，而ISODATA算法则更加灵活； –从算法角度看， ISODATA算法与K-均值算法相似，聚类中心都是通过样本均值的迭代运算来决定的； –ISODATA算法加入了一些试探步骤，并且可以结合 ...

1. 与K-均值算法的比较 –K-均值算法通常适合于分类数目已知的聚类，而ISODATA算法则更加灵活； –从算法角度看， ISODATA算法与K-均值算法相似，聚类中心都是通过样本均值的迭代运算来决定的； –ISODATA算法加入了一些试探步骤，并且可以结合 ...