# 聚类算法

**Repository Path**: zhangyafeii/clustering_algorithm

## Basic Information

- **Project Name**: 聚类算法
- **Description**: 各种聚类算法总结
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 10
- **Forks**: 11
- **Created**: 2019-04-12
- **Last Updated**: 2024-01-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 聚类算法

### 1. K-menas聚类
- kmeans.py
- kmeans-dbscan.ipynb
> 聚类概念：
    无监督学习：无标签
    聚类：相似的东西分到一组
    难点：如何评估（没有目标值比较），如何调参（没有标准答案）
    
> K-means算法：
  - K值：要得到簇的个数，需要指定
  - 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：min(sum1,k:(sum(dis(ci,x)^2))  每个样本点到簇中心点的距离之和最短
    
  - 工作流程： 
    > 1.随机初始化K个点   
      2.算样本中各个点到这K个点的距离，与距离最近者归为一类，共K类  
      3.找出这K类中心点（质心：各维平均值）的位置  
      4.重复第二步，直到计算得出的新中心点与原中心点的位置一样，结束  
    
    
> - 优点：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

k-means迭代可视化：https://www.naftaliharris.com/blog/visualizing-k-means-clustering/

### 2. DBscan聚类
- DBscan聚类.py
- DBscan聚类2.py
- DBscan聚类3.py
> dbscan(Density-Based Spatial Clustering of Applications with Noise)算法：
  - 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领域内点的数量不小于minPts)
  - 领域的距离阈值：设定的半径r
  - 直接密度可达：若某个点p在点q的r领域内，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
  - 噪声点（离群点）：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
    
  - 工作流程：参数D:输入数据集
              参数r:指定半径
              MinPts:密度阈值
           >  1.标记所有对象为unvisited  
              2.随机选择一个unvisted对象p  
              3.标记p为visited  
              4.如果p的r邻域至少有MinPts个对象，执行第五步，否则执行第6步  
              5.创建一个新簇C，并把p添加到C；令N为p的r邻域中的对象集合；遍历N中每个点p，如果点p是unvisited,标记p为visited；如果p的r邻域至少有MinPts个对象，把这些对象添加到N；如果p还不是任何簇的成员，把p添加到C  
              6.标记p为噪声  
              7.重复执行步骤2，直到没有标记为unvisited对象  
              
  - 参数选择：半径r:可以根据K距离设定；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：不需要指定簇的个数  
         可以发现任意形状的簇  
         擅长找到离群点（检测任务）  
         两个参数就够了  
> - 劣势：高维数据有些困难（可以做降维）
          参数难以选择（参数对结果的影响比较大）
          sklearn中效率很慢（数据削减策略）
    
> dbscan可视化：https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/
      
- 注：若找离群点epsilon和minPoints可以小一些 

### 3. AP聚类
- AP聚类.py
- sklearn_AP.py
> https://www.cnblogs.com/zhangyafei/p/10630688.html

### 4. LPA聚类
- LPA.py
> 标签传播聚类算法, 典型的半监督学习算法
    - 核心思想：相似的数据应该具有相同的标签，构建节点间的相似性矩阵（边的权重）

### 5. 谱聚类算法 
- spectrual_clustering.py
> 核心思想：构建样本点的图，切分图，使得子图内权重最大，子图间权重最小

### 6. meanshift聚类算法
- meanshify.py
> 核心思想：
    - 寻找核密度极值点并作为簇的质心，然后根据最近邻原则将样本点赋予质心
    
    
### 7. 高斯混合模型+EM算法
- Gmm_em.py
> 核心思想： 以alpha(k)的概率选择第k个高斯模型，再以该高斯模型概率分布产生数据。其中alpha(k)就是隐变量