FAFU机器学习 09-2lusteringethods中文.pptxVIP

机器学习和聚类方法基础（）2020/12/3聚类方法第9-1课 聚类方法分区方法（），基于原型的聚类（）:K-均值层次聚类（）基于密度的聚类（）2020/12/3聚类方法第9-2课 K均值算法(K)以中心为基础集群是一组对象，使得集群中的一个对象比任何其他集群的中心更接近（更相似）集群的“中心”星团的中心叫做质心每个点被分配到具有最接近质心的聚类中通常应该指定群集的数量2020/12/3聚类方法第9-3课 K均值算法将{x1，…，xn}划分为K个簇（K是预定义的）初始化指定初始群集中心（质心）迭代直到没有变化对于每个对象xi（群集分配）计算xi和K个质心之间的距离（重新）将xi分配给质心最接近xi的群集根据当前分配更新群集质心（更新群集质心）2020/12/3聚类方法第9-4课 K均值:初始化2020/12/3聚类方法第9-5课 K均值聚类:聚类分配2020/12/3聚类方法第9-6课 K-means聚类:更新聚类质心2020/12/3聚类方法第9-7课 误差平方和(SSE)K-均值:假设集群Ci的质心是UI对于Ci中的每个对象x，计算x和质心UI之间的平方误差求出所有对象的误差2020/12/3聚类方法第9-8课 K均值2020/12/3聚类方法第9-9课 关于K-均值方法的评述力量效率:O(tkn)，其中n是#个对象，k是#个簇，t是#个迭代。正常情况下，k，tn易于实现问题需要指定K，簇的数量局部最小值-初始化问题可能会出现空簇2020/12/3聚类方法第9-10课 预处理和后处理预处理归一化数据消除异常值后处理消除可能代表离群值的小聚类拆分“松散”群集，即具有相对较高SSE的群集合并“接近”且SSE相对较低的群集2020/12/3聚类方法第9-11课 K-均值法的变体K-均值的大多数变体在相异计算计算聚类均值的策略k-均值的两个重要问题对噪声数据和异常值敏感k-中间点算法只适用于连续多维空间中的物体对分类数据采用K-模式方法2020/12/3聚类方法第9-12课 K-均值的局限性K-means在聚类不同时存在问题SizesDensitiesIrregular shapes2023/11/4Clustering MethodsLesson 9 - 13 Limitations of K-meansK-means has problems when clusters are of differingSizesDensitiesIrregular shapes2023/11/4Clustering MethodsLesson 9 - 14 Limitations of K-meansK-means has problems when clusters are of differingSizesDensitiesIrregular shapes2023/11/4Clustering MethodsLesson 9 - 15 Clustering BasicsPartitional Methods （基于划分的方法），prototype-based clustering （基于原型的聚类）：K-meansHierarchical Clustering （层次聚类）Density-based Clustering （密度聚类）2023/11/4Clustering MethodsLesson 9 - 16 Hierarchical ClusteringAgglomerative approach (聚合策略)Divisive Approaches (分拆策略)2023/11/4Clustering MethodsLesson 9 - 17 Dendrogram （树状图）A tree that shows how clusters are merged/split hierarchicallyEach node on the tree is a cluster; each leaf node is a singleton cluster2023/11/4Clustering MethodsLesson 9 - 18 Dendrogram （树状图）A tree that shows how clusters are merged/split hierarchicallyEach node on the tree is a cluster; each leaf node is a singleton clusterA clustering of the data objects is obtained by cutting the dendrogram at the desired level, then each connecte