Canopy Clustering（Canopy聚类）

Canopy Clustering

Canopy算法是基于Kmeans算法的一种优化的聚类方法。

优化体现在:

1.前期能通过一些低性能的算法，快速的获取聚类中心

2.分好的每个聚类内部在进行k-means计算（不同聚类之间不进行相似度计算）

实现原理：(借助网上的一张截图)

算法步骤：

　　（1 ) 将数据集向量化，然后放到list集合中，同时设定两个距离阈（yu）值：T1和T2

　　（2）循环从list中去取一个，作为一个聚类中心，放到centerlist中，并从list中移除该点

　　（3）循环从centerlist中 比较 与周围的点于阈(yu)值之间的关系，小于最小T1阈值，说明两个值相似，放到一个聚类中，并从list中移除；如果大于最大阈值T2，那么就单独作为一个聚类中心，并从list中移除；否则在T1和T2之间就不分别加到各个聚类中心去，但依然保留在list中

　　（4）迭代2~3步直至list中元素为null，算法结束。

伪代码：（借鉴于炼数成金）

Canopy算法的优缺点：

1.不需要事先指定k值（即clustering的个数）

2.精度较低，但其速度上有很大的优势

3.前期可以使用Canopy聚类先对数据进行“粗”聚类，得到k值后再使用K-means进行进一步的“细”聚类