聚类方法整理
标签（空格分隔）： 算法学习
聚类算法大类
1. K-Mean
2. 层次聚类算法
3. SOM聚类算法
4. FCM聚类算法
-
K-Mean
通过每个簇的平均值，对K个簇的质心进行修正，不断迭代，直至聚类结果稳定。第一步，在D中随机地选择k个对象，每个对象代表一个簇的初始均值或中心。对剩下的每个对象，根据其与各个簇中心的欧式距离，将它分配到最相似的簇。
第二步，k-均值算法迭代地改善簇内变差。对于每个簇，它使用上次迭代分配到该簇的对象，计算新的均值。
第三步，使用更新后的均值作为新的簇中心，重新分配所有对象。
第四步，迭代继续，直到分配稳定，即本轮形成的簇与前一轮形成的簇相同。
缺点：不能保证k-均值方法收敛于全局最优解，并且它常常终止于一个局部最优解。结果可能依赖于初始簇中心的随机选择。实践中，为了得到好的结果，通常以不同的初始簇中心，多次运行k-均值算法。
复杂度：该算法的复杂度是O(nkt)，其中n是对象总数，k是簇数，t是迭代次数。处理大数据集，该算法是相对可伸缩的和有效的。
改进点： 质心的修正方法，可根据需要灵活发挥，如使用众数（） 层次聚类算法
根据层次分解的顺序是自底向上的还是自上向下的，层次聚类算法分为凝聚的层次聚类算法和分裂的层次聚类算法。
凝聚型层次聚类的策略是先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足。绝大多数层次聚类属于凝聚型层次聚类，它们只是在簇间相似度的定义上有所不同。四种广泛采用的簇间距离度量方法如下：
