数据挖掘中的划分聚类简介(k均值和k中心点)
2013-07-26 19:36
225 查看
k均值方法介绍:
从中任意选择k个对象作为簇的中心
repeat
根据均值,将每个对象划分到最相似的簇
更新簇均值,计算每个簇对象的均值
until 不再发生变化
存在的缺点;
1.只有簇有均值定义的时候才能使用
2.不适合发现凸形状的簇,或者大小相差很大的簇,适合发掘圆形簇
3.对噪声数据十分敏感
为了降低噪声数据的影响,不以均值作为参考点,而是以每个簇中的实际对象作为参考点。那么就引入了k中心点聚类方法。
从数据集中任意选择k个对象作为初始的代表对象
repeat
将剩余的对象指派的最近的簇中
随机选择一个非代表对象o
计算用o代表oj的代价s
如果s<0,then 用o代替oj形成新的k个簇
until 不发生变化。
缺点:
1. 也是适合发现圆形簇
2. 对小数据有效,但是对于大数据没有好的伸缩性
从中任意选择k个对象作为簇的中心
repeat
根据均值,将每个对象划分到最相似的簇
更新簇均值,计算每个簇对象的均值
until 不再发生变化
存在的缺点;
1.只有簇有均值定义的时候才能使用
2.不适合发现凸形状的簇,或者大小相差很大的簇,适合发掘圆形簇
3.对噪声数据十分敏感
为了降低噪声数据的影响,不以均值作为参考点,而是以每个簇中的实际对象作为参考点。那么就引入了k中心点聚类方法。
从数据集中任意选择k个对象作为初始的代表对象
repeat
将剩余的对象指派的最近的簇中
随机选择一个非代表对象o
计算用o代表oj的代价s
如果s<0,then 用o代替oj形成新的k个簇
until 不发生变化。
缺点:
1. 也是适合发现圆形簇
2. 对小数据有效,但是对于大数据没有好的伸缩性
相关文章推荐
- Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(2): 模型优化
- 数据挖掘--聚类之K均值算法
- 数据挖掘学习笔记1——系统聚类与K-均值聚类
- Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索、模型初探
- 【数据挖掘算法】聚类方法——K-均值聚类算法
- 划分聚类分析: K均值和基于中心点的划分(PAM)
- TODO:数据挖掘-聚类-K均值
- 读书笔记 -- 007_数据挖掘_聚类_基于划分的方法
- 数据挖掘技术简介
- 数据挖掘之聚类k-means
- 使用Orange进行数据挖掘之聚类分析(2)------K-means
- 数据挖掘简介
- 数据挖掘实验(SAS)聚类
- 数据挖掘聚类算法之K-MEDOIDS
- Java开发、网络爬虫、自然语言处理、数据挖掘简介
- 数据挖掘RapidMiner工具使用----聚类K-Means案例分析
- 一小时了解数据挖掘⑤数据挖掘步骤&常用的聚类、决策树和CRISP-DM概念
- 数据挖掘常用技术 聚类
- 数据挖掘---聚类动画演示
- 数据挖掘之主要方法简介