optics聚類演算法是基於密度的聚類演算法，全稱是ordering points to identify the clustering structure，目標是將空間中的資料按照密度分布進行聚類，其思想和dbscan非常類似，但是和dbscan不同的是，optics演算法可以獲得不同密度的聚類，直接說就是經過optics演算法的處理，理論上可以獲得任意密度的聚類。因為optics演算法輸出的是樣本的乙個有序佇列，從這個佇列裡面可以獲得任意密度的聚類。
optics演算法的基礎有兩點，
乙個是輸入的引數，包括:半徑
ε ，和最少點數mi
npts
。 另乙個是相關概念的定義：
核心點的定義，如果乙個點的半徑內包含點的數量不少於最少點數，則該點為核心點，數學描述即 nε
(p)>=mi
npts
在這個基礎上可以引出核心距離的定義，即對於核心點，距離其第mi
npts
th近的點與之的距離co
redi
st(p
)={u
ndif
ed,m
inpt
sthd
ista
ncei
nn(p
),if n(p
)<=mi
npts
else
可達距離，對於核心點p，o到p的可達距離定義為o到p的距離或者p的核心距離，即公式re
achd
ist(
o,p)
={un
dife
d,ma
x(co
redi
st(p
),di
st(o
,p))
,if n(
p)<=mi
npts
else
o到p直接密度可達，即p為核心點，且p到o的距離小於半徑。
optics演算法的難點在於維護核心點的直接可達點的有序列表。演算法的計算過程如下：
給定半徑
ε ，和最少點數mi
npts
，就可以輸出所有的聚類。
計算過程為：
給定結果佇列
K Means聚類演算法原理
k means演算法是無監督的聚類演算法，它實現起來比較簡單，聚類效果也不錯，因此應用很廣泛。k means演算法有大量的變體，本文就從最傳統的k means演算法講起，在其基礎上講述k means的優化變體方法。包括初始化優化k means 距離計算優化elkan k means演算法和大資料情況...
DBSCAN聚類演算法原理
概念 鄰域 給定點的 為半徑的區域 核心點 core points 如果點p 的 鄰域內的點數大於mi npts 那麼p 是核心點 直接可達 directly reachable 核心點p到其 鄰域內的所有點是直接可達的。注意必須是 p 必須是核心點 可達 reachable 如果存在一條路徑p1 ...
AP聚類演算法原理
ap演算法在開始時，將所有的節點都看成潛在的聚類中心，然後通過節點之間的通訊找到最合適的聚類中心。輸入為節點間的相似度矩陣s 其中s i，j 表示節點i與節點j之間的相似度，也表明了j作為i的聚類中心的合適程度。s k，k 表示節點k作為k的聚類中心的合適程度，即節點k成為聚類中心的合適程度。在最開...