走进聚类的天下：用一样平常例子表明复杂的算法概念

目次
​一、分别算法（Partitioning Algorithms）​
​二、条理算法（Hierarchical Algorithms）​
​三、密度算法（Density-based Algorithms）​
​四、方格算法（Grid-based Algorithms）​
​五、模子算法（Model-based Algorithms）​
​总结对比表
​一句话口诀

---

​一、分别算法（Partitioning Algorithms）​

核心头脑：直接将数据集分成多少组（簇），每组内部尽大概相似，组间尽大概差异。
范例算法：K-means、PAM（K-medoids）。
例子：​
​「学校分班」​

  

• 老师渴望把50个弟子分成3个班（预设K=3）。  
  
• 先随机选3名弟子作为“班代表”（初始质心）。  
  
• 其他弟子根据与班代表的间隔（如身高差、效果差）选择迩来的班到场。  
  
• 更新班代表的位置为该班弟子的匀称身高/效果。  
  
• 重复步调3-4，直到弟子不再变动。
  特点：高效且得当球形数据，但需提前指定分几组，且对非常值敏感。
  

<hr> ​二、条理算法（Hierarchical Algorithms）​

核心头脑：通过树状图（Dendrogram）自底向上或自顶向下归并/分割数据，形成条理布局。
范例算法：聚合式条理聚类（Agglomerative）、分裂式条理聚类（Divisive）。
例子：​
​「动物分类学研究」​

  

• 先比力全部动物（如蚂蚁、蜜蜂、鸟类）的基因相似度，找到最相似的两类（如蚂蚁和蜜蜂）归并。  
  
• 继续归并次相似的组合（如归并后的“昆虫类”和“鸟类”）。  
  
• 重复此过程，直到全部动物被归并成一棵大树。  
  
• 根据研究需求，剪枝树干决定终极分类（如分为昆虫纲、脊椎动物纲）。
  特点：无需预设组数，可视化强，但盘算量大，不得当大数据集。
  

<hr>