今天就跟大家聊聊有关Science发表的超赞聚类算法是什么呢，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。作者提出了一种很简洁优美的聚类算法, 可以识别各种形状的类簇, 并且其超参数很容易确定.算法思想该算法的假设是类簇的中心由一些局部密度比较低的点围绕, 并且这些点距离其他有高局部密度的点的距离都比较大. 首先定义两个值: 局部密度i以及到高局部密度点的距离i:其中dc是一个截断距离, 是一个超参数. 所以i相当于距离点i的距离小于dc的点的个数. 由于该算法只对i的相对值敏感, 所以对dc的选择比较鲁棒, 一种推荐做法是选择dc使得平均每个点的邻居数为所有点的1%-2%. 对于密度***的点, 设置. 注意只有那些密度是局部或者全局***的点才会有远大于正常的相邻点间距.聚类过程那些有着比较大的局部密度i和很大的i的点被认为是类簇的中心. 局部密度较小但是i较大的点是异常点.在确定了类簇中心之后, 所有其他点属于距离其最近的类簇中心所代表的类簇. 图例如下:左图是所有点在二维空间的分布, 右图是以为横坐标, 以为纵坐标, 这种图称作决策图(decision tree). 可以看到, 1和10两个点的i和i都比较大, 作为类簇的中心点. 26, 27, 28三个点的i也比较大, 但是i较小, 所以是异常点.聚类分析在聚类分析中, 通常需要确定每个点划分给某个类簇的可靠性. 在该算法中, 可以首先为每个类簇定义一个边界区域(border region), 亦即划分给该类簇但是距离其他类簇的点的距离小于dc的点. 然后为每个类簇找到其边界区域的局部密度***的点, 令其局部密度为h. 该类簇中所有局部密度大于h的点被认为是类簇核心的一部分(亦即将该点划分给该类簇的可靠性很大), 其余的点被认为是该类簇的光晕(halo), 亦即可以认为是噪音. 图例如下A图为生成数据的概率分布, B, C二图为分别从该分布中生成了4000, 1000个点. D, E分别是B, C两组数据的决策图(decision tree), 可以看到两组数据都只有五个点有比较大的i和很大的i. 这些点作为类簇的中心, 在确定了类簇的中心之后, 每个点被划分到各个类簇(彩色点), 或者是划分到类簇光晕免费云主机域名(黑色点). F图展示的是随着抽样点数量的增多, 聚类的错误率在逐渐下降, 说明该算法是鲁棒的.***展示一下该算法在各种数据分布上的聚类效果, 非常赞.看完上述内容，你们对Science发表的超赞聚类算法是什么呢有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注百云主机行业资讯频道，感谢大家的支持。
相关推荐: 微信小程序视图容器movable-area怎么用
小编给大家分享一下微信小程序视图容器movable-area怎么用，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！ 基础库 1.2.0 开始支持，低版本需做兼容处理movable-vi免费云主机域名ew 的可移动区域注意：movable-are…
免责声明：本站发布的图片视频文字，以转载和分享为主，文章观点不代表本站立场，本站不承担相关法律责任；如果涉及侵权请联系邮箱：360163164@qq.com举报，并提供相关证据，经查实将立刻删除涉嫌侵权内容。
微信扫一扫 
