机器学习方法与实践 课件 DPC

密度峰值聚类:DPC（DensityPeakClustering:DPC）主讲：耿阳李敖计算机与信息技术学院视觉智能实验室（VisInt）BeijingJiaotong

University聚类聚类(Clustering)是一种无监督算法，其旨在按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，位于不同簇中的数据对象的差异性尽可能地大。聚类聚类算法分类聚类算法划分式聚类方法K-meansK-means++等基于密度的聚类方法DBSCANDPC等层次化聚类方法AgglomerativeDivisive等其他方法量子聚类谱聚类等/p/104355127密度峰值聚类：DPC密度峰值聚类，全称是基于快速搜索和发现密度峰值的聚类。2014年由Rodriguez等在Science上提出的聚类算法，该算法能够自动地发现簇中心，实现任意形状数据的高效聚类。该算法的基本思想：聚类中心的密度比其邻居更高，并且与密度更高的点距离相对较大。该算法有两个基本假设：簇中心（密度峰值点）的局部密度大于围绕它的邻居的局部密度；不同簇中心之间的距离相对较远。密度峰值聚类：DPC

基本概念

密度峰值聚类：DPC

基本概念

密度峰值聚类：DPC

确定簇中心簇中心密度峰值聚类：DPC确定簇中心之后，DPC算法将剩余数据点分配给局部密度比它高的最近数据点所在类簇，形成多个从密度峰值出发的树状结构，每一个树状结构代表一个类簇。簇中心剩余数据点分类密度峰值聚类：DPC

/qq_37055672/article/details/130000567

密度峰值聚类：DPC算法流程

密度峰值聚类：DPCDPC算法优缺点总结

缺点：当类簇间的数据密度差异较大时，DPC算法可能会忽略低密度簇。对截断距离参数敏感。DPC算法的分配策略存在分配连带错误。密度峰值聚类：DPC改进的DPC算法及论文算法改进改进局部密度和相对距离的定义改进确定截断距离的方法改进确定聚类中心的方法改进分配策略改进距离矩阵[1]赵嘉,姚占峰,吕莉,等.基于相互邻近度的密度峰值聚类算法[J].控制与决策,2021,36(3):543-552.[2]辜振谱,刘晓波,韩子东,等.基于改进密度峰值聚类的航空发动机故障诊断[J].计算机集成制造系统,2020,26(5):1211-1217.[3]王军华,李建军,李俊山,等.自适应快速搜索密度峰值聚类算法[J].计算机工程与应用,2019,55(24):122-127.[4]吴斌,卢红丽,江惠君.自适应密度峰值聚类算法[J].计算机应用,2020,40(6):1654-1661.[5]王芙银,张德生,张晓.结合鲸鱼优化算法的自适应密度峰值聚类算法[J].计算机工程与应用,2021,57(3):94-102.[6]丁志成,葛洪伟,周竞.基于KL散度的密度峰值聚类算法[J].重庆邮电大学学报(自然科学版),2019,31(3):367-374.[7]谢娟英,高红超,谢维信.K近邻优化的密度峰值快速搜索聚类算法[J].中国科学:信息科学,2016,46(2):258-280.[8]LIUR,WANGH,YUX.Shared-nearest-neighbor-basedclusteringbyfastsearchandfindofdensitypeaks[J].InformationSciences,2018,450:200-226.缺点：当类簇间的数据密度差异较大时，DPC算法可能会忽略低密度簇。对截断距离参数敏感。DPC算法的分配策略存在分配连带错误。DPC应用案例：球状数据聚类DPC算法K-meansDPC应用案例：非球状数据聚类DPC算法K-meansDPC应用案例：人脸识别采用OlivettiFaces人脸数据集。该数据集由40个人组成，共计400张人脸；每人的人脸图片为10张，包含正脸、侧脸以及不同的表情。该案例中只使用了前100张图片，即10个人的全部照片。目的：研究DPC算法的泛化性和鲁棒性。局部密度-相对距离分布图

9个点DPC应用案例：人脸识别聚类结果：人脸识别的效果不太理想，虽然确定了九个簇中心，但是整体识别效果很差。主要因为理想的簇数与数据集数目是可比的（每个类都有10张图），这导致密度的估计变得不可靠，错误率变高。且数据集较小，当增加到400张图片是效果有一定提升。扩展阅读RodriguezA,LaioA.Clusteringbyfastsearchandfindofdensitypeaks[J].science,2014,344(6191):1492-1496.LiuR,WangH,YuX.Shared-nearest-neighbor-basedclusteringbyfastsearchandfindofdensitypeaks[J].informationsciences,2018,450:200-226.MehmoodR,ZhangG,BieR,etal.Clusteringbyfastsearchandfindofdensitypeaksviaheatdiffusion[J].Neuro