chap8_聚类概述.pptVIP

更新模糊划分 模糊聚类算法 分析：权值wij指明点xi在簇Cj中的隶属度。如果xi靠近质心cj，则wij相对较高；而如果xi远离质心cj，则wij相对较低。 P=2 P2 分析：该指数降低赋予离点最近的簇的权值。事实上，随着p趋向无穷大，该指数趋向于0，而权值趋向于1/k；另一方面，随着p趋向于1，该指数加大赋予离点最近的簇的权值。随着p趋向于1，关于最近簇的隶属度权值趋向于1，而关于其他簇的隶属度权值趋向于0，这对应于K均值。 目标函数-误差的平方和 模糊聚类算法 三个圆形簇上的模糊c均值。对于100点的二维数据集，使用模糊c均值发现其三个簇的结果。每个点指派到它具有最大隶属度权值的簇。属于各个簇的点用不同的标记显示，而点在簇中的隶属度用明暗程度表示。 模糊聚类算法的优点与局限性 能指示任意点属于任意簇的程度 与k-means具有相同的优缺点 计算密集性更高 使用混合模型的聚类 基于统计模型的聚类 假定数据由一个统计过程产生，通过找出最佳拟合数据的统计模型来描述数据，其中统计模型用分布和该分布的一组参数描述 EM算法基于混合模型 使用若干统计分布对数据建模，每个分布对应于一个簇，每个分布的参数提供对应簇的描述 使用混合模型的聚类 混合模型 混合模型将数据看作从不同的概率分布得到的观测值的集合，概率分布可以是任意分布，但通常是多元正态的 混合模型对应于如下数据产生过程，给定几个