机器学习 课件 第8章 聚类.pptx

第8章聚类《机器学习》胡晓

8.1聚类基本理论??

8.1聚类基本理论?相似性测度在聚类算法，样本间相似度通常需要采用两个样本之间的“距离测度(DistanceMetric,DM)”进行衡量。?常见距离：欧氏距离、曼哈顿距离、闵可夫斯基距离、值差异值测度

8.1聚类基本理论类簇中心类簇中心，又称为簇质心，定义为簇内样本分布中心，如图8.1中每簇的中心点。然而，不同聚类算法定义各有差别，简单分为两种：K均值聚类簇中心?基于密度的类簇中心AlexRodriguez和AlessandroLaio在Science期刊文章中提出：类簇中心周围都是密度比其低的点，同时这些点距离该簇中心的距离相比于其他聚类中心最近。

8.1聚类基本理论聚类算法评价指标??纯度(Purity)将每个簇内频数最高的样本类别作为正确的类簇，聚类熵?

8.1聚类基本理论聚类算法评价指标同质性也叫均一性，一个类簇中仅有一个类别的样本，均一性最高同质性(Homogeneity)?相当于精确率，即被聚类的类簇中正确分类的样本数占该类簇中的样本数的比例,??

8.1聚类基本理论聚类算法评价指标完整性(Completeness)同类别的样本被归类到同一聚类簇中，则满足完整性。相当于召回率，即每个聚类中正确分类的样本数占该类别样本的数量，???

8.1聚类基本理论聚类算法评价指标兰德指数和调整兰德指数???

8.2K均值聚类???

8.3层次聚类层次聚类(hierarchicalclustering)是基于簇间的相似度的树形聚类算法。一般有两种划分策略：自底向上的凝聚策略和自顶向下的分拆策略。凝聚策略分拆策略初始时将每个样本点当做一个类簇，然后依据相似度准则合并相似度最大的类簇，直到达到终止条件。?

8.4密度聚类?密度聚类(Density-BasedSpatialClustering)是一种基于密度的聚类算法。

8.4密度聚类2、密度聚类基本过程

8.4密度聚类?8.4.2高斯混合聚类

谢谢！