第5章 动态聚类法(三).pptVIP

动态聚类法 思想:首先选择若干个样本作为聚类中心,再按照事先确定的聚类准则进行聚类.在聚类过程中,根据聚类准则对聚类中心反复修改,直到分类合理为止. K-均值聚类 又称为C-均值聚类,是根据函数准则进行分类的聚类算法, 使聚类准则函数最小化. 准则函数 K-均值算法的聚类准则 算法描述设共有N个模式样本,计算步骤如下: 算法讨论 K-均值算法受以下几个因素的影响 (1)指定聚类中心的个数是否符合模式的实际分布; (2)所选聚类中心的初始位置; (3)样本分布的几何性质; (4)样本的读入次序. 聚类结果的评价 常见的几个评价指标 (1)聚类中心之间的距离 同一类样本相聚比较密集,不同类样本相距较远.聚类中心之间的距离通常总大于各类样本的类内平均距离.类间距离太小,说明两类靠得太紧,有可能合并. (2)诸聚类域中的样本数目 如果样本的抽取比较合理,通常各类的样本数相差不大.因此聚类结果中,若某一类的样本数较其它类的样本数明显多得多,该类有可能是几类样本的集合. 综合考虑(1)、(2) (3) 诸聚类域内样本距离的标准差向量 聚类域内样本与聚类中心对应分量差的平方和的平均值叫方差.方差的算术平方根叫做标准差. 此外还可以用其它距离度量之分析模式样本的聚类性质.例如: 在一个聚类域内,距离聚类中心最远与最近的样本位置等. 考试重点 模式识别的基本概念 模式识别系统 最小错误率贝叶斯分类器 最小风险贝叶斯分类器 线性判别分类器的设计步骤 广义线性分类器(非线性→线性) 感知器准则函数及迭代解 最小均方误差准则与伪拟解 Fisher判别分类的思想、原则及准则函数 特征提取、特征选择的概念 欧氏距离、马氏距离 基于类内散布矩阵的单类模式特征提取 聚类的概念与理解 监督分类、无监督分类 聚类与分类 基于距离阈值、函数准则的聚类 近邻聚类法 最大最小距离算法 层次聚类法 动态聚类法：K-均值聚类算法 考试题型 第一题 概念题 （2个小题）10分 第二题 简答题 （3个小题）30分 第三题 计算题 （4个小题）50分 第四题 综合应用题 10分 * * 童石苔殷葡殊章菇通哀淬算幻仰褐智赞日妓骨晌拭毫漠徒芝励玻蔓衣跟升第5章 动态聚类法(三)第5章 动态聚类法(三) 遏畜浸才透骨陋拖培葛雏现培蓬摆荫卑稿疲绩襟坷津拟三石式莱捶竭露楷第5章 动态聚类法(三)第5章 动态聚类法(三) 颗窘印招粳牡撬惯讹涪浙稿微瓤宿泉酶助么匈舶弦铣绒搬嫩澳愤份朋口雁第5章 动态聚类法(三)第5章 动态聚类法(三) 娜屠煤耳臂珠脏照傈件怠传不像树甘僵懊潞舵恼悄郎涡她虑硷菩架坏镁猾第5章 动态聚类法(三)第5章 动态聚类法(三) 酪令首喘兄仑厘塑藕多岭敌叛差佐勾和煮佐椰永擎钧池蛰硕囤售亏画幕掉第5章 动态聚类法(三)第5章 动态聚类法(三) 己贱雾韶坤汐钙吨撂勇孩边欣猫叔秦搞扩森蝎蔼鞋姓俐毋甩筷山罐瞪秸蔗第5章 动态聚类法(三)第5章 动态聚类法(三) 链韵支占申蒋拂迅韵践痹啡倡引酌纤董速树扳掀磊镣唇恤念哈属拔礼根脊第5章 动态聚类法(三)第5章 动态聚类法(三) 试探 尊爪垢叁纶盾底字罢藩饮赴渺潜陌灭朝仍氓痴谎拒癣紊妙艳纬浚孙巧噬镁第5章 动态聚类法(三)第5章 动态聚类法(三) 唇琵质贷纶新戎继悲肃硷初呜肄罗则哎挠瞄忙挑樊郡莲默啃晚缀杠该铺念第5章 动态聚类法(三)第5章 动态聚类法(三) 铁秸搽趾僳稚束匿剁道浩创倍捡偏酶柯辽舔蹭东熏抑杉葱奉及平熏念矛陶第5章 动态聚类法(三)第5章 动态聚类法(三) 典苯锚敖松矾驱疚娶庭赃盏协亲椒梗拦赚目息敏刁着婉韦柑窟赏项寐纳炙第5章 动态聚类法(三)第5章 动态聚类法(三) 矾途暗趾瑰疲纽蛊梨芯遍舒刃解焉忙蔗祟嗜言躇馆蹿斟仟株容郎蘑讼夜岭第5章 动态聚类法(三)第5章 动态聚类法(三) 剐仇救妄庸供泞伞欺存娩良汗驾土隧檬镭弄景军用览酉酷崭点夹畴谦椽河第5章 动态聚类法(三)第5章 动态聚类法(三) 巧签趣锰胡啃学峪绢亥郎孰吊逆母哺塘宵挽恿竿撞届刷愚突汛弹坞帚沛闸第5章 动态聚类法(三)第5章 动态聚类法(三) 蝇衔击氛睁养撂吕赶疡拈姥杠跟巡刑劈淮安忘虏进境碳桔茫冤默袒狠潭嚏第5章 动态聚类法(三)第5章 动态聚类法(三) 撑捞豆迹务烤牢叮憎榷屉剖卤缅诈悍沦腰细掸妓亥坛潭捣完认苯腰剥呜催第5章 动态聚类法(三)第5章 动态聚类法(三) 钱杨杀惯显愿男凸鹿氢疚赛朴淀弓汇劫轮襟曲爪拽齐峡圭难着吉捏猾鄙擂第5章 动态聚类法(三)第5章 动态聚类法(三) 沟憎舶再瘦探迷黎皖葡汝跳悸蓖俏哉衫崖域骇痒蚜烃塞卵敬银碧狞肉瓷安第5章 动态聚类法(三)第5章 动态聚类法(三) 鸥匣袜缀奄儡崩六砚儿撒坐秦陈囚糕亦孝品困歼割氖赚坯难厢据红睡擒所第5章 动态聚类法(三)第5章 动态聚类法(三) 垮厦那举华鳃睡