第四章动态聚类.docVIP

第四章 用距离函数进行模式识别 §4 动态聚类 基本思想： Y N修正 利用：欧式距离，重心距离 1] K_means算法(K平均算法) 类别数不变 选定中心数K（类别数），设定K个中心 样本划分：若 ，则 ，其中k表示第k次迭代 修正中心 判断是否合理： 若 ，则收敛停止，否则，转2 例：一堆数 解：1. 计算所有点到，的距离，进行分类 {其余18个} 4.（比较 ，，还要再划分） 2. ， 3.， 比较，还要再划分 2.， 3.， 4．， 收敛停止 2]ISODATA(Iterative Self-Organization Data Analysis) 特点： 1、出名 2、人机交互 3、经验型的 4、自适应性 人为设定参数 ①K ——希望的类别数 ②——每个群至少拥有的样本（作用：去掉孤立点） ③（分裂门限） 第i个分量的方差 ， ④（合并门限） 两类中心距离 ， 几种情况: （分裂门限） （合并门限） 小 大 小 易分 类别数增加 难合 难分 类别数基本不变 难合 大 易分 类别数振荡 易合 难分 类别数减少 易合 ⑤L——每次迭代合并的最大对数 ⑥I——最大迭代次数 ⑦Nc个中心的初始坐标 （真实的群个数）（期望的群个数） 2．划分群 若 ，则 3.抛掉样本个数少于的小群，＝－1 4.修正中心 j=1,2… 5.计算每个群的类内距离 j=1,2,…, 6.计算总的平均类内距离 7.若（群太少）go to 8(分裂) 若（群太多） 或偶数次迭代，go to 11(合并) 8.对每个群，求每个分量对中心点的标准偏差 j=1,2,…,，i=1,2,….,n 9．求 10．若 而且 （群太少） 或者（群太松散了） 或者2(+1)（群太大了）， 则分裂，分裂后goto 2. 分裂法：（以二维为例） =, ，, 0k1 11.计算两两中心间的距离 , i, j=1,2,…, 12．将的列出，小的在前，共取L个[,,…, ] 13.合并 goto 1或2，且迭代次数+1 14. I是否最大，是结束 例： 1. K=2, =1, =1, =4, L=0, I=4, =1, 2. ={~} =8 3. ,不丢弃 4． 5． 6． 7． goto 8 8. , 9. = 10. 且则分可K＝0.5 新的中心， 转2 2．={~}，={~} ＝5，＝3 3．, 4. 5. , 6. 7. 因为是偶次迭代 goto 11 8. ,不合goto 2 =0.78, =0.32 , i=1,2,不分 4 选初始聚类中心 粗分 是否合理