Clustering聚类算法总结+python实践
发布网友
共1个回答
热心网友
在本文中，我们将通过Python实践，以Iris鸢尾花数据集为例，探索各种聚类算法的应用。
虽然理论部分较为简略，但实践环节至关重要。在疫情期间的网课学习中，我有幸在机器学习课程中完成了结课报告，特别感谢华中师大张雄军老师的引导，让我在探索中逐渐入门机器学习，收获颇丰。
一、聚类算法基础
聚类算法是一种无监督学习方法，它的目标是根据数据的特征，自动将相似的数据分组，而不涉及预设的标签。聚类的目的在于数据简化和理解，发现数据结构的新洞察。
关键概念
不相似性：衡量不同类别的数据间的距离。
类间距离：目标是减小类与类之间的差异。
确定簇类数量K的方法：如CH index和Gap statistic。
二、聚类算法分类
主要的聚类方法有：
基于原型的：如KMeans和kmediods，通过中心点进行聚类。
基于图的：hierarchical clustering，通过节点和边构建聚类结构。
基于密度的：DBSCAN，根据数据密度划分簇。
基于统计的：高斯混合模型，利用概率分布进行聚类。
算法简述
KMeans：简单直观，网上资料丰富。
凝聚层次聚类：根据linkage类型，如single、complete、average或centroid。
DBSCAN：通过密度可达性进行聚类。
GMM：使用高斯分布建模，通过EM算法求解参数。
三、Python实践
我们以Iris数据集为例，初始设置K=3，DBSCAN的半径设为0.5，密度阈值设为2。通过TSNE进行高维可视化，展示了不同算法的预测结果。尽管聚类算法无法直接计算精确度，但通过对比已知分类，我们可以评价如purity这样的指标。
总结来说，不同的聚类方法适用于不同的数据类型和问题，没有绝对的优劣之分，关键在于理解数据特性并选择合适的算法。
