大数据开发中常见的聚类算法有哪些

小编给大家分享一下大数据开发中常见的聚类算法有哪些，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

(1) 首先我们选择一些类/组，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。这需要我们提前预知类的数量(即中心点的数量)。 

(2) 计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。 

(3) 计算每一类中中心点作为新的中心点。 

(4) 重复以上步骤，直到每一类中心在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好的一个。 

下图演示了K-Means进行分类的过程：

优点： 

速度快，计算简便 

缺点： 

我们必须提前知道数据有多少类/组。 

K-Medians是K-Means的一种变体，是用数据集的中位数而不是均值来计算数据的中心点。 

K-Medians的优势是使用中位数来计算中心点不受异常值的影响；缺点是计算中位数时需要对数据集中的数据进行排序，速度相对于K-Means较慢。

2. 均值漂移聚类

3. 基于密度的聚类方法(DBSCAN)

4. 用高斯混合模型（GMM）的最大期望（EM）聚类

5. 凝聚层次聚类

6. 图团体检测(Graph CommUnity Detection)

其他的算法可以查看：

https://blog.csdn.net/Katherine_hsr/article/details/79382249

导入数据

计算每个数据点到中心点的距离

对数据点分组

迭代收敛和更新质心

结果图展示：

相似的代码和演示的数据都上传到了网盘，大家可以去下载、尝试和应用到自己的项目中。

以上是“大数据开发中常见的聚类算法有哪些”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网精选频道！