K-MEANS算法
聚类概念：
- 无监督问题：我们手里没有标签了
- 聚类：相似的东西分到一组
- 难点：如何评估，如何调参
kmeans基本概念：
- 要得到簇的个数，需要指定K值
- 质心：均值，即向量各维取平均即可
- 距离的度量：常用欧几里得距离和余弦相似度（先标准化）
- 优化目标:
优势：
简单，快速，适合常规数据集
劣势：
- K值难确定
- 复杂度与样本呈线性关系
- 很难发现任意形状的簇
DBSCAN算法
基本概念：（Density-Based Spatial Clustering of Applications with Noise）
- 核心对象：若某个点的密度达到算法设定的阈值则其为核心点。
（即 r 邻域内点的数量不小于 minPts） ϵ-邻域的距离阈值：设定的半径r - 直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。
- 密度可达：若有一个点的序列q0、q1、…qk，对任意qi-qi-1是直接密度可达的 ，则称从q0到qk密度可达，这实际上是直接密度可达的“传播”。
- 密度相连：若从某核心点p出发，点q和点k都是密度可达的 ,则称点q和点k是密度相连的。
- 边界点:属于某一个类的非核心点,不能发展下线了
直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。 - 噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的
- A：核心对象
- B,C：边界点
- N：离群点
工作流程：
- 参数D：输入数据集
- 参数ϵ：指定半径
- MinPts：密度阈值
参数选择：
- 半径ϵ，可以根据K距离来设定：找突变点
- K距离：给定数据集P={p(i); i=0,1,…n}，计算点P(i)到集合D的子集S中所有点之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k-距离。
- MinPts： k-距离中k的值，一般取的小一些，多次尝试
优势：
- 不需要指定簇个数
- 擅长找到离群点（检测任务）
- 可以发现任意形状的簇
- 两个参数就够了
劣势：https://www.naftaliharris.com/blog/visualizing-dbscanclustering/
- 高维数据有些困难（可以做降维）
- Sklearn中效率很慢（数据削减策略）
- 参数难以选择（参数对结果的影响非常大）
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
