聚类算法与代码实践

本文主要是介绍聚类算法与代码实践，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

DezemingFamily系列书和小册子因为是电子书，所以可以很方便地进行修改和重新发布。如果您获得了DezemingFamily的系列书，可以从我们的网站[https://dezeming.top/]找到最新版。对书的内容建议和出现的错误欢迎在网站留言。

聚类算法已经广泛应用于多种学科，尤其是信号分析、模式识别等领域。在很多情况下，我们并不知道样本的类别，但是可以通过一些聚类方法，将样本进行划分，然后对划分好的每个类别单独进行分析。

聚类的方法有很多种，例如通过阈值进行一刀切的方法、根据离种子点的距离分类的方法等，我们可以大致区分为“很容易想到的方法”以及“不太容易想到的方法”。这些方法并不会有明显的好坏之分，对应不同的场景我们可以选择不同的方法。

为了更容易理解，聚类中的“簇（cluster）”我们一般会描述为“类”，即分类为几个“簇”。本书会介绍常用的聚类算法，并分析算法的优劣，以及给出Python代码示例。

第一版我会给出K-Means++、DBSCAN以及GMM-EM聚类算法的详细代码构建过程。
K-Means++作为最经典和基础的聚类算法，一般是一定要掌握的；DBSCAN算法因为可以对一些比较复杂的数据分布进行聚类（例如同心圆、弧线），因此也会详细介绍代码实现过程；基于期望最大化的高斯混合模型因为具有一定的理论意义，尤其是涉及概率模型，所以也进行详细的代码构建讲解。

其余算法因为功能和流程的相似性，读者对照已有代码自行构建也会比较容易；CFSFDP算法虽然比较麻烦，但伪代码描述非常详细，因此构建也不会非常困难。等日后有需要，或者根据读者反映的情况来对其他算法的代码实践部分进行补充。

本书的数据和源码会发布在DezemingFamily的网站上，需要将.pdf文件改为.zip方可解压并使用。尽管提供了源码，这里还是希望读者能够自己动手敲一遍代码，多加几个调试语句，来分析输出结果以及各个环节的数据类型和格式，这样才能更好地理解各种聚类算法。


本书内容见：聚类算法与代码实战

这篇关于聚类算法与代码实践的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！