演算法步驟：這個演算法需要事先知道資料有幾類。假設我們的資料一共有k類。然後從資料樣本點中任取k個點。作為每乙個類的中心點。然後計算每乙個樣本點到每乙個中心點的距離。對於每乙個樣本點，找到與他距離最近的中心點。然後把他歸於這個中心點所在的類。最後計算每乙個類別的均值。把這個均值作為新的中心點。遞迴前面的操作。直到中心點不在變動。
這個演算法是對初始值敏感的。取不同的中心點，可能將會有不同的結果。下面的k-means++演算法將會彌補這一缺點
演算法步驟：在資料集中任取乙個點作為初始類中心。計算所有樣本點到這乙個類中心的距離。把距離中心最遠的樣本點作為第二個類中心。重複這個步驟知道選出k個中心。然後利用前面的k-means演算法實現聚類。
這個用來做離群值和中心點檢測的。
首先定義區域性密度
定義高區域性密度點距離
然後得到這兩個指標我們就可以判斷中心點和離散點了。
有以下定義
核心點：給定半徑 r 。給定最少點的個數m。 對於樣本點 i 。如果在以 i 為圓心以r為半徑的圓內的樣本點的個數大於m。那麼 i 就叫做核心點。
邊界點：對於樣本點 j .如果在以 i 為圓心以r為半徑的圓內的樣本點的個數小於m。並且j在核心點 i的圓域內。那麼j就叫做邊界點。
直接密度可達：如果 i 是核心點，任意的j樣本點落在了 i 的圓域裡。那麼 i 是直接密度可達 j 的。
密度可達：i 是直接密度可達 j 的j是直接密度可達 m 的那麼 i 是密度可達m的。（其中i，j 都是核心點）
密度相連：核心點o是密度可達m，n的 。那麼m，n是密度相連的。
dbscan 演算法就是把所有能夠，直接密度可達，密度相連，密度可達的點。合併為乙個集合。最後得到多個集合。形成多個分類。聚類效果如下
r型聚類典型指標 常用的聚類演算法及聚類演算法評價指標
1.典型聚類演算法 1.1 基於劃分的方法 代表 kmeans演算法 指定k個聚類中心 計算資料點與初始聚類中心的距離 對於資料點，找到最近的ci 聚類中心 將分配到ci中 更新聚類中心點，是新類別數值的均值點 計算每一類的偏差 返回返回第二步 1.2 基於層次的方法 代表 cure演算法 每個樣本...
聚類演算法 近鄰聚類演算法
time is always too short for those who need it,but for those who love,it lasts forever.dracula untold 近鄰聚類法同樣是一種基於距離閾值的聚類演算法。coding utf 8 近鄰聚類演算法的pyth...
聚類演算法 層次聚類演算法
層次聚類演算法 hierarchical clustering method 又稱為系統聚類法 分級聚類法。層次聚類演算法又分為兩種形式 凝聚層次聚類 首先將每個物件作為乙個簇，然後合併這些原子簇為越來越大的簇，直到某個終結條件被滿足。層次聚類 首先將所有物件置於乙個簇中，然後逐漸細分為越來越小的簇...