《ch9聚类分析13.pptVIP

层次聚类：先把每个样本作为一类，然后根据它们间的相似性和相邻性聚合。 相似性、相邻性一般用距离表示 1. 最短距离： 两类中相距最近的两样品间的距离 2、最长距离：两类中相距最远的两样本间的距离 10.3.2 层次聚类方法 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 最短距离举例： Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 最长距离举例： Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 3、中间距离：最短距离和最长距离都有片面性，因此有时用中间距离。设ω1类和ω23 类间的最短距离为d12，最长距离为d13，ω23 类的长度为d23，则中间距离为： 4、均值距离： 10.3.2 层次聚类方法 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 划分序列：N个样本自底向上逐步合并一类： 每个样本自成一类（划分水平1） K水平划分的进行：计算已有的c=N-K+2个类的类间距离矩阵D(K-1)=[dij](K-1)，其最小元素记作d(K-1)，相应的两个类合并成一类； 重复第2步，直至形成包含所有样本的类（划分水平N） 划分处于K水平时，类数c = N-K+1，类间距离矩阵D(K)=[dij](K)，其最小元素记作d(K) 如果D(K) 阈值dT，则说明此水平上的聚类是适宜的 10.3.2 层次聚类方法 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Pattern Recognition wanwanyuan@ 第十章 非监督模式识别 Pattern Recognition wanwanyuan@ Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 第十章 非监督学习方法 10.1 引言 3 2 10.2 单峰子集的分离方法 10.3 聚类方法 1 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 10.1 引言 有监督学习（supervised learning)：用已知类别的样本训练分类器，以求对训练集的数据达到某种最优，并能推广到对新数据的分类 非监督学习（unsupervised learning) ：样本数据类别未知，需要根据样本间的相似性对样本集进行分类(聚类，clustering) 非监督学习方法大致分为两大类： 基于概率密度函数估计的方法 基于样本间相似性度量的方法 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 方案对比 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 10.2 单峰子集的分离方法 思想：把特征空间分为若干个区域，在每个区域上混合概率密度函数是单峰的，每个单峰区域对应一个类 一维空间中的单峰分离: 对样本集 KN={xi} 应用直方图方法估计概率密度函数，找到概率密度函数的峰以及峰之间的谷底，以谷底为阈值对数据进行分割 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile