聚类总结（一）K-means、层次聚类、DBSCAN、均值漂移算法、以及K-Means与K-近邻分类器

文章目录

• 一、K-means简介
  * * 1.1 K-means概述
  * * 1.1.1 K值的选择
  * 采用基于SSE计算的目标函数用于确定k值
  * 使用轮廓系数评估聚类效果
  * 基于目标函数优化的策略选择最优k值
  * 运用轮廓系数量化聚类质量

  • 1.2 层次聚类

  • 1.3 DBSCAN - 基于密度的聚类算法

  • • 1.3.1 简介
    • 1.3.2 具体步骤

  • 1.4 均值漂移聚类

  • • 1.4.1 简介
    • 1.4.2 步骤

  • 二、代码

  • • 2.1 原理推导
    • 2.2 make_blobs

  • 三、总结

  • • 3.1 K-Means 与 KNN
    • 3.2 K-Means的主要优点有
    • 3.3 K-Means的主要缺点有

一、K-means简介

1.1 K-means简介

K-means是一种无监督学习方法下的聚类算法。其核心思想在于选取K个初始数据点作为聚类中心，并将每个数据对象分配到距离最近的中心所形成的K个簇中。随后不断重新计算各簇的新中心位置，并反复重复这一过程直至簇间不再变化或达到预设的最大迭