【数学建模】聚类模型

     

目录

一、K-means聚类算法

1、K-means聚类算法流程

 2、算法流程图 

 3、 K-means算法的评价

 二、K-means++算法

1、算法描述

2、Spss软件操作

三、 系统（层次）聚类

1、简介

 2、Spss软件操作

 3、聚类谱系图（树状图）

4、用图形估计聚类的数量

 5、聚类系数折线图的画法

四、 DBSCAN算法 

1、基本概念 

2、伪代码 

3、Matlab代码 

4、优缺点 

---

   “物以类聚，人以群分”,所谓的聚类,就是将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测;也可以探究不同类之间的相关性和主要差异。
        聚类和分类的区别:分类是已知类别的，聚类未知。

一、K-means聚类算法

1、K-means聚类算法流程

 2、算法流程图 

 

 3、 K-means算法的评价

优点：

（1）算法简单、快速

（2）对处理大数据集，该算法是相对高效率的。

缺点：

（1）要求用户必须事先给出要生成的簇的数目K。

（2）对初值敏感。

（3）对于孤立点数据敏感。

K‐means++ 算法可解决（ 2） 和（ 3） 这两个缺点。

 二、K-means++算法

1、算法描述

2、Spss软件操作

三、 系统（层次）聚类

1、简介

 2、Spss软件操作

 3、聚类谱系图（树状图）

4、用图形估计聚类的数量

 5、聚类系数折线图的画法

四、 DBSCAN算法 

1、基本概念 

2、伪代码 

3、Matlab代码 

4、优缺点 

---

参考：清风数学建模课程笔记，仅作为个人笔记。