User Tools

Site Tools


keynote:lesson04

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
keynote:lesson04 [2010/04/26 14:59]
20921038 Extended GMM
keynote:lesson04 [2021/04/13 21:35] (current)
Line 23: Line 23:
  
 ===== 4.1.2 几种聚类方法 ===== ===== 4.1.2 几种聚类方法 =====
-==== 1.层次(从顶到下)聚类 ====+==== 1.层次(自底向上)聚类 ====
   * **__思想__:** 顺序地将最近的两个点/​类合并;   * **__思想__:** 顺序地将最近的两个点/​类合并;
   * **__具体过程__**   * **__具体过程__**
     - 找到两个最近的点(类),并将其合并;     - 找到两个最近的点(类),并将其合并;
-    - 重复上操作,直至所有的点聚为一个类; +    - 重复上操作,直至所有的点聚为一个类; 
-  * **__变量定义__** +  * **__变量定义(可聚类的两个前提条件)__** 
-    - 两个数据点间的距离:$d(x_i,​ x_j)$; +    - 可以度量两个数据点间的距离:$d(x_i,​ x_j)$; 
-    - 两个类间的距离:+    - 可以度量两个类间的距离:
          - 单点距离: ​ \[ d_{kl} = min_{x_i \in C_k, x_j \in C_l} d(x_i, d_j)\]          - 单点距离: ​ \[ d_{kl} = min_{x_i \in C_k, x_j \in C_l} d(x_i, d_j)\]
          - 平均点距离:\[ d_{kl} = \frac{1}{ |C_k| + |C_l| } \sum_{x_i \in C_k, x_j \in C_l} {d(x_i, d_j)} \]          - 平均点距离:\[ d_{kl} = \frac{1}{ |C_k| + |C_l| } \sum_{x_i \in C_k, x_j \in C_l} {d(x_i, d_j)} \]
Line 47: Line 47:
        - 若两点间无边,则其权值为0;        - 若两点间无边,则其权值为0;
      - 变换成概率矩阵 {{:​keynote:​24.jpg|}};      - 变换成概率矩阵 {{:​keynote:​24.jpg|}};
-  * **__随机流动的性质__**+  * **__随机漫步的性质__**
   * {{:​keynote:​26.jpg|}}   * {{:​keynote:​26.jpg|}}
   * 随着t的增大,t步后数据点的分布渐趋相似。若图为连通的,则最终的结果与初始点的选取无关。   * 随着t的增大,t步后数据点的分布渐趋相似。若图为连通的,则最终的结果与初始点的选取无关。
Line 399: Line 399:
  
 {{:​keynote:​qfqf23.jpg|}}\\ {{:​keynote:​qfqf23.jpg|}}\\
 +<note important>​ Revised by Feiwei Qin(秦飞巍),​ <​qinfeiwei@zjucadcg.cn>​ </​note>​
 +
  
  
keynote/lesson04.1272265164.txt.gz · Last modified: 2021/04/13 21:34 (external edit)