聚类

第9章 聚类

  • Page197: 有效性指标

    聚类性能度量,即评估其好坏的性能度量。聚类性能度量分为两类,外部指标和内部指标。

  • Page199: 距离度量

    用于衡量点和点之间的距离,常用的有欧氏、曼哈顿、切比雪夫。最常用的是闵可夫斯基距离:

  • Page200: 街区距离

    闵可夫斯基距离时即曼哈顿距离,又称街区距离:

  • Page200: 离散属性

    定义域上有限个取值,比如{西瓜,哈密瓜,木瓜}。

  • Page200: 连续属性

    定义域上可以取无限个取值,如实数。

  • Page200: 列名属性

    “离散属性”也称“列名属性”,见“离散属性”。

  • Page200: 曼哈顿距离

    同“街区距离”。

  • Page200: 闵可夫斯基距离(220)

    见“距离度量”。

  • Page200: 欧氏距离

    闵可夫斯基距离时即欧氏距离:

  • Page200: 切比雪夫距离

    闵可夫斯基距离当时即切比雪夫距离。

  • Page200: 数值属性

    见“连续属性”。

  • Page200: 无序属性

    不能直接在属性值上计算距离。

  • Page200: 有序属性

    可以直接在属性值上计算距离。

  • Page201: 非度量距离

    不满足直递性的距离。

  • Page201: 混合属性

    存在有序属性和无序属性。

  • Page201: 加权距离

    即给每个距离加权重。

  • Page201: 相似度度量

    对两个事物之间相似程度的综合性度量。

  • Page201: 距离度量学习(237)

    度量学习(Metric Learning)是常说的相似度学习,距离度量学习则是选定距离计算式来进行度量。

  • Page202: 原型聚类

    基于原型的聚类,著名的几种方法包括k均值算法、学习向量量化和高斯混合聚类等。

  • Page202: k均值算法(218)

    针对聚类所得的簇,同类样本的最小均方误差。

  • Page204: LVQ(218)

    见下

  • Page204: 学习向量化(Learning Vector Quantization, LVQ)

    指通过找到一组原型向量来刻画聚类结构,每个原型向量代表一个聚类簇。

  • Page206: 概率模型(319)

    概率模型是将学习归结为计算变量的概率分布的一种描述。

  • Page206: 高斯混合(296)

    高斯混合是用高斯概率密度函数去量化,将变量/事物分解为若干个高斯密度函数的模型。

  • Page211: 密度聚类

    基于密度的聚类,即是通过事物的紧密程度去聚类。如DBSCAN算法。

  • Page214: 层次聚类

    通过不同层次对数据集进行划分,得到的是树形聚类结构。可采用“自顶向下”的分拆策略,也可用“自底向上”的聚合策略。著名的AGNES是自底向上聚合的层次聚类算法。

  • Page219: 聚类集成

    对原始数据集的多个聚类器进行集成。可有效降低聚类过程中的随机性和聚类假设不符等因素的影响。

  • Page219: 异常检测

    异常检测常借助聚类或距离计算,如将离心或密度极低的点作为异常点。

  • Page220: 豪斯多夫距离

    Hausdorff distance: 其中

results matching ""

    No results matching ""