常用聚类算法以及算法评价

2023年7月19日 347次阅读 来源: 聚类算法

聚类模型是一种非监督的学习方法，聚类的输入是一组未标记的数据，聚类模型根据自身的距离或相似性将其化为若干组，划分的原则是组内距离最小化而组间距离最大化。常见聚类方法见下表：

类别主要算法
划分方法k-Means,k-Medoids(k中心点),CLANRANS(基于选择的算法)
层次分析方法BIRCH(平均迭代规约和聚类)，CURE(代表点聚类)，CHAMELEON(动态模型)
基于密度的方法DBSCAN(高密度连接区域)，DENCLUE(密度分布函数)，OPTICS(对象排序识别)
基于网格的方法STING(统计信息网络)，SLIOUE(聚类高维空间)，WAVE-CLUSTER(小波变化)
基于模型的方法统计学，神经网络

聚类分析算法评价：
聚类分析目标是实现组内相似性高，组间相似性低。组内相似性越大，组间相似性越大，聚类效果越好。

  1. purity评价法
    purity评价法相对简单，只需计算正确聚类数目占总数的比例。

    purity(X,Y)= 1n ∑max|xk⋂yk|

  2. RI评价法
    RI= R+WR+M+D+W

    R：应该在一起的两个对象被正确分类了
    W：不应该被聚在一类的两个对象被正确分开了
    M：不该放在一类的对象被错误的放在了一类
    D：不应该分开的对象被错误的分开了

  3. F值评价法
    RI方法的衍生方法：
    Fa = (1+α2)prα2p+r ,
    其中，p= RR+M ,r= RR+D .
    实际上，RI方法就是把准确率p和召回率看得同等重要。事实上，有时我们需要某一特性更多一点，这时候就适合使用F值方法。
    原文作者：聚类算法
    原文地址: https://blog.csdn.net/shuaishuai3409/article/details/52014884
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞