聚类算法12课（尚学堂人工智能之聚类算法）

聚类算法12课（尚学堂人工智能之聚类算法）Global optimal : 枚举所有partition2.方法：partitioning approach1.目标：找出一个分割，使得距离平方和最小

聚类算法

聚类算法就是将一堆数据进行处理，根据它们的相似性对数据进行聚类。

聚类算法有很多种，具体如下：中心聚类、关联聚类、密度聚类、概率聚类、降维、神经网络/深度学习。

聚类算法是机器学习的一个重要组成部分，但是我们要分清聚类与分类的区别，不能将二者混为一谈。分类算法肯定是需要有学习语料，然后通过学习语料的学习之后的模板来匹配我们的测试语料集，将测试语料集合进行按照预先学习的语料模板来分类；聚类算法与分类算法最大的区别是聚类算法没有学习语料集合。

partitioning approach

1.目标：

找出一个分割，使得距离平方和最小

2.方法：

Global optimal : 枚举所有partition

Heuristic method：k-means K-Medoids

3.K-Means算法：

1. 将数据分为k个非空子集

2. 计算每个类中心点（k-means<centroid>中心点是所有点的average），记为seed point

3. 将每个object聚类到最近seed point

4. 返回2，当聚类结果不再变化的时候stop

复杂度：

O（kndt）

-计算两点间距离：d

-指定类：O(kn) k是类数

-迭代次数上限：t

4.K-Medoids算法:

1. 随机选择k个点作为初始medoid

2.将每个object聚类到最近的medoid

3. 更新每个类的medoid，计算objective function

4. 选择最佳参数

4. 返回2，当各类medoid不再变化的时候stop

复杂度：

O（(n^2)d）

-计算各点间两两距离O（(n^2)d）

-指定类：O(kn) k是类数

5.特点：

-聚类结果与初始点有关（因为是做steepest descent from a random initial starting oint）

-是局部最优解

-在实际做的时候，随机选择多组初始点，最后选择拥有最低TSD（Totoal Squared Distance）的那组

6.KMeans和KMedoid的实现

聚类是数据挖掘中的概念，就是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。

尚学堂12大精英团队 各类实战项目，真正实现1 1>10的目标效果。帮助学员迅速成长，持久腾飞，成就学员“高富帅”人生；帮助企业技术和团队成长，成就百年中华名企；助力中国持续成为世界强国而贡献力量。尚学堂12大精英团队，覆盖IT行业十大领域，实战团队240人，服务学员累计超过10万人，就业合作企业数量500 。