文档聚类

δ-开放集的聚类思路还蛮有意思的，尤其适合那种形状不规则、数据分布不太平均的复杂数据集。你只要输入一个δ值，它就能帮你把数据切得细致，还能自动识别噪声点，挺智能的。 不光能高维数据，在 Olivetti 人脸数据库上的表现也不错。比起那些只能球形簇的传统方法，比如 K-means，它更像是“拓扑流派”的聚类方式，玩法不一样。 哦对了，它还有个升级版，能搞定那种密度差别大的数据集。如果你平时喜欢玩模式识别、数据挖掘、聚类这一类的算法实验，可以试试它，是在人脸、图像、或者非结构化数据时。 有需要的话，下面这些资源你也可以顺手看看，有代码也有讲义，挺全的： 聚类工具-MATLAB 模式识别应用

聚类分析中的分割聚类技术 数据挖掘算法中的一种聚类方法

基于密度的聚类算法不少，像你平时用的 DBSCAN 啦，密度峰值聚类 啦，都挺经典的。但说实话，这篇《基于拓扑聚类的密度聚类算法研究》把它们背后的概念整合得还挺清楚的。拓扑结构的思路其实蛮有意思，把簇看作一种“连通”的结构，挺像用图做聚类时的感觉。对老 DBSCAN 用户来说，能换个视角重新理解密度连通，嗯，挺值的。文章里还提了个新算法，用拓扑改进密度聚类，理论上说效果比传统 DBSCAN 更稳，对一些边界模糊的簇聚得还不错。代码细节没展开说太多，但思路清晰，有兴趣的你可以顺手看看配套的源码资源，像这个 密度峰值聚类算法源码 或 Python GUI 版，都还蛮实用的。如果你之前用密度类聚类感

聚类算法的总结类资源其实不少，但《聚类算法研究_孙吉贵.pdf》这篇文章还挺有参考价值的。里面把近年来比较火的聚类方法都梳理了一遍，像K-Means、DBSCAN、谱聚类这些常用的算法，都有详细。关键是，它不仅讲原理，还搭配实验，讲清楚了算法在不同数据集下的表现。对比做得蛮细，准确率、效率都有考虑。 从算法思想讲起，再到关键技术，讲优缺点，说实话，讲得挺透。你要是正好在搞数据挖掘或者图像聚类，拿这篇文章做入门或者查漏补缺都挺合适。尤其是对比那块，看完你基本就知道哪个算法适合自己的场景了。 还有一点蛮好的，作者选的实验数据都来自UCI那类公开库，比较有代表性。你可以用同样的数据复现实验，方便。对

本视频讲解基于王斌会《多元统计分析及 R 语言建模》第 7 章第 2 节聚类分析，重点介绍系统聚类法（层次聚类法）中的最短距离法、最长距离法和 Ward 法的比较，以及基于中心化和标准化数据的相关算例。

聚类基准数据信息-数据集挺适合做聚类研究，尤其是像你这种做数据的，应该会觉得蛮实用。它包含了 5000 个向量和 15 个高斯聚类，重叠度刚好合适，能让你比较精准地测试聚类算法的效果。如果你对高斯混合模型什么的有兴趣，肯定会觉得它有价值。对了，里面的数据集是二维的，挺容易上手的。如果你正在找这样的数据集，应该是挺不错的选择。 此外，如果你在使用过程中有些技术上的需求，这里有不少相关的资源可以参考。比如，Matlab 开发自定义二维高斯生成，或者你可以试试Matlab中的二维混合高斯分布的期望最大化算法，这些都可以你更好地进行数据。更多资源可以参考后面的相关链接，都会对你进一步的研究有所。

该研究深入探讨了数据挖掘中的聚类算法，全面比较了各种算法的优点和局限性。

探索聚类算法以有效提取 Web 数据洞察力。

K-means 算法的老朋友们应该都知道，它在聚类这块算是老大哥了，用来自动把数据分成一堆堆，方便后续。基础原理其实不复杂，核心就是让每个数据点离“自己人”尽近。先选好几个初始中心点，不断分组、算平均、再更新中心，迭代几次，收敛了就结束，整个流程还挺快的。OKM 算法就是在这个基础上加了点料，了 K-means 只能“一对一分组”的问题。它允许一个点属于多个组，像那种一个基因涉及多个生物通路的情况，就挺适用的。如果你做的是多标签分类、文本或者信息检索这类任务，传统 K-means 确实有点吃力，OKM 这类重叠聚类方法就更贴近实际需求。不过 OKM 也有坑，比如在大数据量或者高维数据上还不够稳

系统聚类的基本性质之一是单调性。所谓单调性指的是在系统聚类法中，随着并类过程的进行，距离逐渐减小。除了中间距离法和重心法外，大多数系统聚类方法都具有这种性质。