聚类算法分类
划分方法（partitioning method）k-means 层次方法（hierarchical methods） 基于密度的方法（density-based methods） 基于网格的方法（grid-based methods） 基于模型的方法（model-based methods）
Eg：样本点A –>E1=10 样本点B –>E2=11 样本点C –>E3=12 原质点O–>E4=13， 那我们选举A作为类簇的新质点。与K-means算法一样， K-medoids也是采用欧几里得距离来衡量某个样本点 到底是属于哪个类簇。终止条件是，当所有的类簇的 质点都不在发生变化时，即认为聚类结束。
K-MEANS
算法流程：
首先从聚类对象中随机选出K个对象作为类簇 的质心（当然了，初始参数的K代表聚类结果 的类簇数），对剩余的每个对象，根据它们分 别到这个K个质心的距离，将它们指定到最相 似的簇（因为K-means是利用距离来量化相似 度的，所以我们这里可以理解为是“将它们指 定到离最近最近距离的质心所属类簇”）。然 后重新计算质心位置。以上过程不断反复，直 到准则函数收敛为止。
K-MEANS
算法流程：
通常采用平方误差准则，定义如下：
其中，E代表的意思是所有类簇中各对象到其所属类簇 质点平方误差和. K:聚类结果类簇个数 Ci:第i个类簇 P：类簇中聚类对象mi:第i个类簇的质心
K-MEANS
K-MEANS
优点与不足：
优点： 能处理大型数据集，结果簇相当紧凑，并且簇和 簇之间明显分离。 不足： 1）该算法必须事先给定类簇数和质点，簇数和 质点的初始值设定往往会对聚类的算法影响较 大。 2 ) 通常会在获得一个局部最优值时停止。
FCM
首先说明隶属度函数的概念。隶属度函数是表示一个 对象x隶属于集合A的程度的函数，通常记做μA(x)， 其自变量范围是所有可能属于集合A的对象（即集合 A所在空间中的所有点），取值范围是[0,1]，即 0<=1，μA(x)<=1。μA(x)=1表示x完全隶属于集合A， 相当于传统集合概念上的x∈A。一个定义在空间 X={x}上的隶属度函数就定义了一个模糊集合A，或 者叫定义在论域X={x}上的模糊子集。对于有限个对 象x1，x2，……，xn模糊集合可以表示为：
聚类算法的评价标准
4） 对聚类算法初始化参数的知识需求的最小化：很多 算法在分析过程中需要用户提供一定的初始参数，比如 期望的类簇个数，类簇初始质点的设定。聚类结果对这 些参数是十分敏感的。这不仅加重了用户的负担，也非 常影响聚类结果的准确性 5） 处理噪声数据的能力：所谓的噪声数据，可以理解 为影响聚类结果的干扰数据，这些噪声数据的存在会造 成聚类结果的畸变，最终导致低质量的聚类。 6） 增量聚类和对输入次序的不敏感：一些聚类算法不 能将新加入的数据插入到已有的聚类结果；输入次序的 敏感是指，对于给定的数据对象集合，以不同的次序提 供输入对象时，最终产生的聚类结果的差异会比较大。
聚类算法的评价标准
7） 高维性：有些算法只适合处理2维或者3维的 数据，而对高维数据的处理能力很弱，因为在高 维空间中数据分布可能十分稀疏，而且高度倾斜。 8） 基于约束的聚类：现实应用中可能需要在各 种条件下进行聚类。因为同一个聚类算法，在不 同的应用场景中所带来的聚类结果也是各异的， 因此找到满足特定约束的具有良好聚类特性的数 据分组是十分有挑战性的。 9） 可解释性和可用性：我们希望得到的聚类结 果都能用特定的语义、知识进行解释，和实际的 应用场景相联系。
K-CENTERS
前面介绍了k-means算法，并列举了该算法的 缺点。而K中心点算法（K-centers）正好能解 决k-means算法中的 “噪声”敏感这个问题。 首先，我们得介绍下k-means算法为什么会对 “噪声”敏感。还记得K-means寻找质点的过 程吗？对某类簇中所有的样本点维度求平均值， 即获得该类簇质点的维度。当聚类的样本点中 有“噪声”（离群点）时，在计算类簇质点的 过程中会受到噪声异常维度的干扰，造成所得 质点和实际质点位置偏差过大，从而使类簇发 生“畸变”。
n i 1
J (U , c1 ,..., cc , 1 ,..., n ) J (U , c1 ,..., cc ) j 1 j ( uij 1) u d j ( uij 1)
i 1 m 2 ij ij j j 1 i 1 c n n c
K-CENTERS
为了解决该问题，K中心点算法（Kcenters）方式，而不是简单像k-means 算法采用均值计算法。在K中心点算法中， 每次迭代后的质点都是从聚类的样本点 中选取，而选取的标准就是选用簇中离 平均值最近的对象作为簇中心。该算法 使用绝对误差标准来定义一个类簇的紧 凑程度。
K-CENTERS
FCM
上述算法也可以先初始化聚类中心，然后再执行迭代 过程。由于不能确保FCM收敛于一个最优解。算法的 性能依赖于初始聚类中心。因此，我们要么用另外的 快速算法确定初始聚类中心，要么每次用不同的初始 聚类中心启动该算法，多次运行FCM。
FCM算法的应用
通过上面的讨论，我们不难看出FCM算法需要两个参数一个是 聚类数目C，另一个是参数m。一般来讲C要远远小于聚类样 本的总个数，同时要保证C>1。对于m，它是一个控制算法的 柔性的参数，如果m过大，则聚类效果会很次，而如果m过小 则算法会接近HCM聚类算法。 算法的输出是C个聚类中心点向量和C*N的一个模糊划分矩阵， 这个矩阵表示的是每个样本点属于每个类的隶属度。根据这 个划分矩阵按照模糊集合中的最大隶属原则就能够确定每个 样本点归为哪个类。聚类中心表示的是每个类的平均特征， 可以认为是这个类的代表点。 从算法的推导过程中我们不难看出，算法对于满足正态分布的 数据聚类效果会很好，另外，算法对孤立点是敏感的。
聚类算法的评价标准
1）可伸缩性：当聚类对象由几百上升到几百万，我们希 望最后的聚类结果的准确度能一致。 2）处理不同类型属性的能力：有些聚类算法，其处理对 象的属性的数据类型只能为数值类型，但是实际应用场 景中，我们往往会遇到其他类型的数据，比如二元数据， 分类数据等等。当然，在处理过程我们是可以将这些其 他类型的数据预处理成数值型数据的，但是在聚类效率 上或者聚类准确度上往往会有折损。 3）发现任意形状的类簇：因为许多聚类算法是用距离来 量化对象之间的相似度的，基于这种方式，我们往往只 能发现相似尺寸和密度的球状类簇或者成为凸形类簇。 但是，类簇的形状可能是任意的。
如果K=3，由于红色三角形所占比例为2/3，绿 色圆将被赋予红色三角形那个类，如果K=5， 由于蓝色四方形比例为3/5，因此绿色圆被赋 予蓝色四方形类。
FCM
模糊C均值聚类（FCM），即众所周知的模糊 ISODATA，是用隶属度确定每个数据点属于某 个聚类的程度的一种聚类算法。1973年， Bezdek提出了该算法，作为早期硬C均值聚类 （HCM）方法的一种改进。 K均值聚类算法------------------------------HCM
KNN
KNN方法虽然从原理上也依赖于极限定理，但 在类别决策时，只与极少量的相邻样本有关。 由于KNN方法主要靠周围有限的邻近的样本， 而不是靠判别类域的方法来确定所属类别的， 因此对于类域的交叉或重叠较多的待分样本集 来说，KNN方法较其他方法更为适合。
KNN - 图示
图中,绿色圆要被决定赋予哪个类， 是红色三角形还是蓝色四方形？
K-CENTERS
Eg: 类簇C1中已经包含点A(1,1)、B(2,2)、 C(1,2)、 D(2,1)， 假设N(100,100)为异 常点，当它纳入类簇C1时，计算质点 Centroid((1+2+1+2+100)/5,(1+2+2+1 +100)/5)=centroid(21,21),此时可能造 成了类簇C1质点的偏移，在下一轮迭代 重新划分样本点的时候，将大量不属于 类簇C1的样本点纳入，因此得到不准确 的聚类结果。
3
FCM
这里j，j=1到n，是（6.9）式的n个约束式的拉格朗 日乘子。对所有输入参量求导，使式（6.10）达到最 小的必要条件为：
ci
u
j 1 n j 1
n
m ij
xj
u
4
uij
1 dij 1 d k kj
c
5 2 /( m 1)
FCM
A {( A ( xi ), xi ) | xi X }
有了模糊集合的概念，一个元素隶属于模糊集合 就不是硬性的了，在聚类的问题中，可以把聚 类生成的簇看成模糊集合，因此，每个样本点 隶属于簇的隶属度就是[0，1]区间里面的值。
FCM
FCM把n个向量xi（i=1,2,…,n）分为c个模糊组， 并求每组的聚类中心，使得非相似性指标的价 值函数达到最小。FCM与HCM的主要区别在于 FCM用模糊划分，使得每个给定数据点用值在 0，1间的隶属度来确定其属于各个组的程度。 与引入模糊划分相适应，隶属矩阵U允许有取 值在0，1间的元素。不过，加上归一化规定， 一个数据集的隶属度的和总等于1：
FCM
FCM算法是一种基于划分的聚类算法，它的思 想就是使得被划分到同一簇的对象之间相似度 最大，而不同簇之间的相似度最小。 模糊C均值算法是普通C均值算法的改进，普 通C均值算法对于数据的划分是硬性的，而 FCM则是一种柔性的模糊划分。在介绍FCM具 体算法之前我们先介绍一些模糊集合的基本知 识。
FCM
i 1 那么，FCM的价值函数形式：
c c
u ij 1, j 1,..., n c1 ,..., cc ) J i u d
i 1 i 1 m ij j
n
2 ij
（2）
FCM
这里uij介于0，1间；ci为模糊组I的聚类中心， dij=||ci-xj||为第I个聚类中心与第j个数据点间的欧几 里德距离；且 m 1, 是一个加权指数。 构造如下新的目标函数，可求得使（6.10）式达到 最小值的必要条件 c