iso data 聚类算法

isodata算法就是先拟定一个预期类，再选取一些聚类中心，通过不断合并或者分裂聚类，达到分类的目的

关键就是在于，如何分裂，合并

 

要合并或者分裂 必须要确定一些指标

所以第一步就是要确定 某些指标

 

1.设置参数，

a，确定样本 {xn}  ，

b，设置一个预期的分类数C，

c，确定聚类中心的个数Nc，（Nc不一定要等于C）

d ,确定每一个类最少数目

e，每个类样本维度的分量维度的标准差

f，类间最小距离

g 合并分裂次数

 

2.观察样本点与拟定聚类中心的关系

样本点{Xn} 与聚类中心{Nc} 哪一个近就归为哪一类

3.分裂或者合并

分裂的条件：

a.类太少

b，类中样本的某一维度的标准差过大，即超过我设置的标准值

c 类内样本平均距离大于所有类平均距离  （你这个聚类 太分散了）

d 类中元素太多

 

合并条件：

a  一个类里面点太少.

b 两个类距离太近

c 类的数目太多

 

 

一次分裂或者合并不够，需要多次迭代才能得到较好结果

4.设置迭代循环条件

递归的方式重复步骤三

 

 

以上是通俗的话

用教材的原文是

不要在乎加加减减 你高兴你可以自己改参数