【聚类算法】Kmeans聚类
everyblogeverymotto:Youcandomorethanyouthink.https://blog.csdn.net/weixin_39190382?type=blog
0.前言Kmeans梗概
1.正文1.1简介简单来说，对于一堆数据，先选出k个样本作为簇中心，并所有样本到他们的距离，根据距离远近，划分到其中最近的一个簇中心；对于得到的各个簇，计算他们各自的平均值作为新的簇中心，重复上面过程，直到簇中心变化趋于稳定。即完成了对数据的聚类。
整体过程也比较好理解。
1.2步骤数据预处理，主要为：数据标准化和异常点过滤。随机选取k个中心计算样本到k个中心的距离，将其分配到最近的某个中心对于上面划分出的的若干个类，重新计算各类的中心重复上面3、4步，直到最后中心稳定。1.3k的选择1.3.1拐点法（手肘法）计算不同k值下，距离平方和，随着k值的增加，距离会逐渐变小。当斜率突然由大变小时，且之后变化缓慢，则认为k值为合适的kz值。
1.3.2轮廓系数每个样本都有对应的轮廓系数，其有两部分组成：
样本与同一簇类（类内）中其他样本点的平均距离（量化凝聚度）样本与距离最近的簇类（类间）中所有的样本平均聚类（量化分类度）S=b−amax(a,b)S={b-aovermax(a,b)}S=max(a,b)b−aS取值为[-1，1]
一组数据集中轮廓系数：等于该数据集中每个样本的轮廓系数的平均值
1.4优缺点(1).优点属于无监督学习，不需要标签原理简单，实现容易结果可解释性好(2).缺点聚类数据k的选取，选择不当可能得到不理想的结果可能收敛到局部最优，在大规模数据上收敛较慢对噪声、异常点比较敏感1.5算法改进主要有以下方法（暂时不展开）
kmeans++二分kmeansminbatchKmeans参考[1]https://blog.csdn.net/Claire_chen_jia/article/details/111060253#t2[2]https://blog.csdn.net/weixin_45788069/article/details/108853816#t3[3]https://blog.csdn.net/qq_43741312/article/details/97128745#t11[4]https://zhuanlan.zhihu.com/p/432230028[5]https://www.zhihu.com/tardis/zm/art/158776162?source_id=1005[6]https://zhuanlan.zhihu.com/p/184686598
聚类算法学习笔记（一）
聚类算法学习笔记（一）方法EuclideanCluster[1]^{[1]}[1]SuperVoxel[1]^{[1]}[1]DepthCluster[1]^{[1]}[1]SLR:Scan-lineRun[1]^{[1]}[1]RangeImage-based[2]^{[2]}[2]实验对比其他概念PQClusterToleranceKD-TreeRefercence方法EuclideanCluster[1]^{[1]}[1]SuperVoxel[1]^{[1]}[1]DepthCluster[1]^{[1]}[1]SLR:Scan-lineRun[1]^{[1]}[1]RangeImage-based[2]^{[2]}[2]其实就是DepthCluster
实验对比其他概念PQPanopticQuality
ClusterTolerance拓扑容限（又叫做拓扑容差、聚会容限），决定多大范围内要素能够被捕捉在一起。当两个相邻近点的xyz距离小于给定的阈值时，两个点会聚合成为一个点，共享同一坐标。其单位为m。其作用对象为xyz坐标，当xyz任一坐标，比如说两点的x坐标之间的差值小于阈值时，两点就会融合成为一点。
KD-TreeRefercence[1]ATechnicalSurveyandEvaluationofTraditionalPointCloudClusteringMethodsforLiDARPanopticSegmentation
[2]FastRangeImage-BasedSegmentationofSparse3DLaserScansforOnlineOperation
[3]拓扑分析的专有名词
[4]关于ArcGIS中拓扑的理解