层次聚类算法介绍 |
您所在的位置：网站首页 › 层次聚类的类型包括 › 层次聚类算法介绍 |
层次聚类算法介绍
|
层次聚类算法介绍
1层次聚类的定义思考示例问题：
2距离与相似性2.1常用的计算距离的方法2.2计算指标相似性的方法1)余弦计算公式：2)相关计算公式：
3合并算法思想1)重心法2)最短距离法3)最长距离法4)组间平均连接法5)组内平均链接法
4算法流程程序执行过程：
5 示例与分析5.1基于最小值的层次聚类优缺点
5.2 基于最大值的层次聚类优缺点
5.3基于组平均优缺点 （MIN和MAX之间的折中）
6需注意的问题对比Kmean算法
1.本博客是观看清风数学建数学建模课程后有所感想记录的笔记，有想要深入学习的朋友可以购买观看课程：https://weidian.com/?userid=1372657210
2.感兴趣的推荐看B站数学建模试看课程：
https://www.bilibili.com/video/av20238704
1层次聚类的定义
聚类就是对大量未知标注的数据集，按照数据内部存在的数据特征将数据集划分为多个不同的类别，使类别内的数据比较相似，类别之间的数据相似度比较小，属于无监督学习。 层次聚类的合并算法通过计算两类数据点间的距离，对最为接近的两类数据点进行组合，并反复迭代这一过程，直到将所有数据点合成一类，并生成聚类谱系图。
2)相关计算公式：
思想：将两个簇合成为一个簇，计算这个簇与其他簇之间的距离，再进行合并。 簇与簇之间的常用距离：重心法，最短距离法，最长距离法，组间平均连接法，组内平均链接法（下图顺序一致） 1)重心法
根据所给的图，以及距离矩阵，求解聚类结果： 计算结果如下： 优点：可以处理非椭圆形状 计算结果如下： 优点：不容易受噪声点和异常值影响 缺点：1.往往打破大聚类 2.偏向球状星团 计算结果如下： 优点：不易受噪声和异常值影响 缺点：偏向球状星团 6需注意的问题 1.对于一个实际问题要根据分类的目的来选取指标，指标选取的不同分类结果一般也不同。 2.样品间距离定义方式的不同，聚类结果一般也不同。 3.聚类方法的不同，聚类结果一般也不同 (尤其是样品特别多的时候)。最好能通过各种方法找出其中的共性。 4.要注意指标的量纲，量纲差别太大会导致聚类结果不合理。 5.聚类分析的结果可能不令人满意，因为我们所做的是一个数学的处理，对于结果我们要找到一个合理的解释。 对比Kmean算法k均值需要定义聚类簇数k，而层次聚类不需要，层次聚类可以根据聚类谱系图选择聚类的簇个数。 |
Ps：其中绝对值距离一般应用于网状道路距离，一般采用欧氏距离。
缺点：对噪声点和异常值敏感
【本文地址】
今日新闻 |
推荐新闻 |