基于密度的聚类算法，其聚类结果的意义是什么？ 举报 理由 举报 取消 这里默认用欧氏距离评价点的相似度。这些聚类算法对数据点的划分是符合“人类直觉”的，如上图的数据集会被划分成一大一小两个簇，但是对于橙色点A及其周围的点而言，它们虽然属于黑色簇，但是平均而言和绿色簇中的点更为相似，对黑色簇整体提取特征的话，结果也会和A的特征大相径庭。此时聚类结果的意义是什么？ 2017年12月17日 2 条回复 1310 次浏览 数据挖掘,算法,聚类
这里默认用欧氏距离评价点的相似度。这些聚类算法对数据点的划分是符合“人类直觉”的，如上图的数据集会被划分成一大一小两个簇，但是对于橙色点A及其周围的点而言，它们虽然属于黑色簇，但是平均而言和绿色簇中的点更为相似，对黑色簇整体提取特征的话，结果也会和A的特征大相径庭。此时聚类结果的意义是什么？
回复 ( 2 )
刚巧这个东东我也研究过一段时间。对于前面有人提到Clustering by fast search and find of density peaks。以我的知识框架来说，该篇论文似乎是第一个提出基于密度聚类的。文中主要进行的人脸识别。
我之前写过一篇关于这个的博客，自己的翻译稿也放到了博客上，但是刚刚看了一下非常粗糙。打算这两天再重新把这个回顾一下，重新总结点什么。
先占坑。
2014年science 上有一篇 文章 Clustering by fast search and find of density peaks 其中的density peaks 密度峰值，这个密度峰值，最典型的代表就是热力图，所以你可以使用热力图来理解他的物理意义，哈哈哈