三种聚类算法适用场景

Question

K-means算法， DBSCAN算法，层次聚类算法这三种聚类算法在电磁信号标注中不同点以及适用场景分别是什么？？聚类算法、伪标签、基于图的半监督学习、一致性正则化等在电磁信号标注中的差别？？有没有什么推荐的survery?

Answer 1

• 这篇文章：训练K-Means与DBSCAN算法模型 也许有你想要的答案，你可以看看
• 除此之外, 这篇博客: 学习笔记1 三大聚类方法：K-means聚类、层次聚类、DBSCAN聚类中的 二、层次聚类 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 通过计算两类数据点之间的距离，对最接近的两类数据点进行合并，并且反复迭代这一过程知道所有的数据点合成一类生成 谱系图

  层次聚类中，谱系图十分实用，可以通过观察谱系图来自行分类。当然，该聚类方法已经帮你分了很多小类并且计算出了各个类别之间的距离。

• 您还可以看一下 刘顺祥老师的Python数据分析与挖掘课程中的 DBSCAN与K-means的比较小节, 巩固相关知识点
  
• 以下回答由chatgpt基于相关博客总结生成:

  根据参考资料和已有知识，回答问题如下：

  1.电磁信号标注中，K-means算法、DBSCAN算法和层次聚类算法适用场景有哪些不同点？

  K-means适用于数据比较规则的场景，且需要先指定聚类数量，缺点是对噪声较为敏感；

  DBSCAN适用于没有指定聚类数量的场景，可以发现任意形状的聚类簇，并且对噪声不敏感；

  层次聚类适用于需要发现数据层次结构的场景，可以避免聚类数量指定的问题，但在数据量较大时计算复杂度较高。

  2.聚类算法、伪标签、基于图的半监督学习、一致性正则化等在电磁信号标注中有哪些差别？

  聚类算法是无监督的学习方法，通过对数据进行聚类，将相似的数据划分到同一类别中。伪标签是半监督学习方法，通过对少量有标记的数据进行聚类，然后将这些类别信息用于对大量无标记数据的分类。基于图的半监督学习是通过图的方式表达数据之间的关系，并将有标记的数据和无标记的数据都投射到图上，利用图中的连接关系来进行分类。一致性正则化是一种机器学习方法，通过引入一致性约束，将无标记样本的标签与有标记样本的标签尽可能相近，来实现半监督学习。

  3.能否推荐一些与电磁信号标注相关的综述或者文献？

  推荐一些综述和文献如下：

  1）"A Survey of Clustering Algorithms for Big Data: Taxonomy and Empirical Analysis"（https://ieeexplore.ieee.org/abstract/document/7168816）

  2）"Clustering based on Density with Self-Adaptation and Controlled Noise"（https://www.researchgate.net/publication/3084473_Clustering_based_on_density_with_self-adaptation_and_controlled_noise）

  3）"A Novel Density-Based Clustering Method for Large Data Sets"（https://ieeexplore.ieee.org/abstract/document/4243482/）

  4）"Density-based Clustering Algorithms: Review and Comparison"（https://ieeexplore.ieee.org/abstract/document/5755584/）

  5）"Power Line Fault Diagnosis Using Advanced Signal Processing Techniques"（https://www.hindawi.com/journals/js/2016/5736720/）