无监督学习 聚类算法代码+原理+对比分析

无监督学习 聚类算法

1：经典的K means

纵使簇类需要专家系统与先验知识定义，K means 也依旧在当前的机器学习与深度学习使用，例如各种数据分析以及深度学习全连接以后的输出层网络连接，它与他的衍生算法，例如K means ++ ，在聚类算法中一直是老大地位，因为他的速度是极快的，相比其他算法在计算簇间相似度与簇内相似度中的速度较慢；所以就出现了很多算法，是来优化K means 家族的，例如在簇的寻找上，使用DBACAN等层次聚类算法用来给K means ++ 寻找最合适的簇个数，在此基础上，DBACAN + K means ++ 算法成为21世纪学界较常使用的多算法融合。

K-means与K-means++：原始K-means算法最开始随机选取数据集中K个点作为聚类中心，而K-means++按照如下的思想选取K个聚类中心：假设已经选取了n个初始聚类中心(0