问KMeans与DBSCAN

EN

简而言之，KMeans是一种基于距离的集群技术，根据初始化(通常是kmeans++)和集群之间的数据点之间的距离。在kmeans中，您初始化集群中心，然后查找每个点与每个集群之间的距离，然后将点聚到它们最近的中心。这里，我们解决的优化问题是找到簇的no，使距离每个点的距离和最近的聚类最小。

kmeans的缺点是

• 不管数据是如何分散的，the都会尝试创建相同大小的集群。
• 对于非球状结构来说，Kmeans不太好用。
• Kmeans不关心数据的密度
• 维数的诅咒因使用距离度量而影响高维数的k均值。

DBSCAN通过处理点的密度来解决kmeans的一些问题。这是一种基于密度的方法。DBSCAN的主要假设是两个稠密区域被一个稀疏区域分开。由于DBSCAN的工作密度，它可以很容易地模拟非球状结构。这是DBSCAN的高级概述，我可以详细介绍，但这本身就是一个单独的博客。希望能帮上忙

主要的区别在于，它们的工作方式完全不同，并且解决了不同的问题。

Kmeans是最小二乘优化，而DBSCAN则发现密度连通区域.

哪种技术适合使用取决于您的数据和目标。如果你想最小化最小二乘，使用k-均值。如果要查找密度连接区域，请使用DBSCAN。

欲知更多详情，请参阅教科书。