机器学习进行聚类分析

文章目录

• 无监督机器学习（unsupervised machine learning）
  • 相似度（similarity）
  • 聚类（clustering）
  • 聚类原则（clustering principles）
    • K-meANS Clustering（K-means clustering）
    • Improved K-meANS（improved K-means）
    • k-medoids（k-medoids）
      • Bisecting k-meANS（bisecting k-means）
      • k-meANS++（k-means++)
      • mini-batch k-meANS（mini-batch k-means）

在K-Means算法中存在可调节的关键参数，在合理确定这些关键参数的数量时需要特别注意以下几点：该聚类方法采用作为评估指标的目标函数是基于平方距离计算，在计算目标函数关于每个变量的一阶导数的过程中需要注意避免陷入局部最优状态，请确保所选目标函数能够充分反映数据分布特征。通过经验分析确定最优合适的数值范围

* Canopy聚类
* 层次聚类
* * 分裂的层次聚类： DIANA
  * 凝聚的层次聚类： AGNES

* 密度聚类