knn/kmeans/kmeans++/Mini Batch K-means/Affinity Propagation/Mean Shift/层次聚类/DBSCAN 区别

可以看出来除了KNN以外其他算法都是聚类算法

1.knn/kmeans/kmeans++区别

先给大家贴个简洁明了的图，好几个地方都看到过，我也不知道到底谁是原作者啦，如果侵权麻烦联系我咯~~~~

knn模型的三要素：距离度量（如何计算样本之间的距离）、k值的选择（选择要判断的目标周围的几个样本去判断类别）、分类决策规则（如何决定目标的类别）

图中所谓没有明显的训练过程就是给定目标样本，只需要直接计算其周围K个样本的类别，通过分类决策规则判断出来目标样本的类别就可以，不需要预先训练一个判别模型。

Kmeans算法的缺陷

• 聚类中心的个数K 需要事先给定，但在实际中这个 K 值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适
• Kmeans需要人为地确定初始聚类中心，不同的初始聚类中心可能导致完全不同的聚类结果。（可以使用Kmeans++算法来解决）

上面就引出了kmeans++，也就是选择初始种子到底是哪个样本时（主要不是选择中心个数，而是人为给定聚类个数，初始化具体哪些样本为初始质心），不是像kmeans那样随机选择，而是：初始的聚类中心之间的相互距离要尽可能的远。

上面这部分主要是参考 https://blog.csdn.net/loadstar_kun/article/details/39450615

2.其余聚类算法间的区别

参考链接 http://blog.sina.com.cn/s/blog_7103b28a0102w4e1.html （我还没有细看，下次再补充~~~~~~~）