聚类算法学习
聚类算法的类型非常多，按照不同的分类标准可以划分为多种类别。下面我帮你梳理一下常见的聚类算法类型及其代表方法，方便你理解和选择。
---
1. 按聚类方法分类
# 1.1 基于划分的方法（Partitioning Clustering）
- 通过划分数据集，将数据分成若干个互斥的子集。
- 代表算法： K-Means 、K-Medoids（PAM）、CLARANS。
# 1.2 基于层次的方法（Hierarchical Clustering）
- 通过构建层次树（树状图）进行聚类，分为自底向上（凝聚式）和自顶向下（分裂式）。
- 代表算法： AGNES （凝聚式）、DIANA（分裂式）、BIRCH。
# 1.3 基于密度的方法（Density-Based Clustering）
- 根据数据点的密度分布进行聚类，能够发现任意形状的簇，且能识别噪声。
- 代表算法： DBSCAN 、OPTICS、DENCLUE。
# 1.4 基于网格的方法（Grid-Based Clustering）
- 将数据空间划分成有限数量的单元（网格），在网格层面进行聚类，计算效率高。
- 代表算法：STING、CLIQUE、WaveCluster。
# 1.5 基于模型的方法（Model-Based Clustering）
- 假设数据由若干个模型生成，通过拟合模型参数实现聚类。
- 代表算法： 高斯混合模型（GMM） 、隐马尔可夫模型（HMM）。
---
2. 按数据类型分类
- 基于数值型数据的聚类 ：如K-Means、DBSCAN。
- 基于类别型数据的聚类 ：如K-Modes、ROCK。
- 混合数据类型聚类 ：如K-Prototypes。
---
3. 按算法特点分类
- 硬聚类（Hard Clustering） ：每个样本属于一个簇，如K-Means。
- 软聚类（Fuzzy Clustering） ：每个样本属于多个簇，带有隶属度，如模糊C均值（FCM）。
---
4. 常见聚类算法总结表
| 类型 | 代表算法 | 特点 |
|----------------|------------------------|----------------------------------|
| 划分方法 | K-Means, K-Medoids | 简单高效，适合球状簇 |
| 层次方法 | AGNES, DIANA, BIRCH | 生成树状结构，适合层次分析 |
| 密度方法 | DBSCAN, OPTICS | 能发现任意形状簇，识别噪声 |
| 网格方法 | STING, CLIQUE | 计算速度快，适合大规模数据 |
| 模型方法 | GMM, HMM | 基于概率模型，适合复杂分布 |
| 软聚类 | FCM | 样本可属于多个簇，适合模糊边界 |
---
5. 总结
聚类算法类型繁多，选择时应根据：
- 数据规模和维度
- 数据类型（数值、类别或混合）
- 期望的簇形状和数量
- 是否需要识别噪声
- 计算资源和效率要求