Kmeans、KNN、DBSCAN的区别

1、Kmeans
是无监督学习，是一种聚类算法。
步骤：
1.初始化一个常数K，也就是最终的聚类类别数，随机选取K个质心；
2.计算每个样本与质心的相似度，把它归到最相似的类中；
3.重新计算每个类的质心，重复上述步骤，直到质心不再改变；
4.最后输出每个样本所属的类以及每个类的质心。
注：可以通过手肘法，取最佳的K值。
时间复杂度：\(O(n)\)
2、KNN
是有监督学习，一种基于近邻的算法，可以解决分类任务和回归任务：

• 分类任务： 步骤：
  • 1.计算出样本数据和待分类数据的距离；
  • 2.为待分类数据选择K个与其距离最小的样本；
  • 3.统计出K个样本中大多数样本所属的分类；
  • 4.这个分类就是待分类数据所属的分类。
• 回归任务： 通常对周围的K个点，求平均得到最后预测点的回归值。

3、DBSCAN
是无监督学习，一种基于密度的聚类算法。
步骤：
1.指定邻域半径Eps和最小点数MinPts(半径内的密度值)。若当前点的半径范围内密度大于等于设定密度值，则设置当前点为核心点；若某点刚好在某核心点的半径边缘上，则设定此点为边界点；若某点既不是核心点又不是边界点，则此点为噪声点。
2.删除噪声点。
3.将距离在扫描半径内的所有核心点赋予边进行连通。
4.每组连通的核心点标记为一个簇。
5.将所有边界点指定到与之对应的核心点的簇中。
优点：
可以处理不同大小或形状的簇，不容易受噪声的影响。
时间复杂度：\(O(n^2)\)

参考资料：
聚类算法