聚类算法的算法起源 俗话说：“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。所谓类，通俗地说，就是指相似元素的集合。聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
谱聚类算法的算法步骤 谱聚类算法将数据集中的每个对象看作是图的顶点V，将顶点间的相似度量化作为相应顶点连接边E的权值，这样就得到一个基于相似度的无向加权图G(V，E)，于是聚类问题就可以转化为图的划分问题。基于图论的最优划分准则就是使划分成的子图内部相似度最大，子图之间的相似度最小。虽然根据不同的准则函数及谱映射方法，谱聚类算法有着不同的具体实现方法，但是这些实现方法都可以归纳为下面三个主要步骤：1)构建表示对象集的相似度矩阵W；2)通过计算相似度矩阵或拉普拉斯矩阵的前k个特征值与特征向量，构建特征向量空间；3)利用K-means或其它经典聚类算法对特征向量空间中的特征向量进行聚类。上面的步骤只是谱聚类算法的一个总体框架，由于划分准则、相似度矩阵计算方法等因素的差别，具体的算法实现同样会有所差别，但其本质依然是图划分问题的连续放松形式。
文本聚类算法真正能实用的有哪些算法？ 在文本信息空间内寻找任何两个最相关的文本信息，并将之简并成一个文本信息，从而实现信息数量的收缩。简并算法的实现通过比较整个信息空间内的所有文本的相关性（相识性），得到相互之间的相关性后两两(注)进行配对。配对的要求是这两个文本信息的相关性最大，例如A 找到了文档B，那么B 也一定找到最相关的文档就是A。注，某些情况A 最相近的文档是C，那么B 而B 最相关的文档也是C，存在一种情况，A，B，C 三者之间自恰，就是构成空间信息最近的一个三角形。得到了最相似文档后，将只进行平均化，或者简单的迭加。信息空间中独立信息的数量会减少到原来的一半以下，然后重复实现1 的过程，在进行兼并。信息最后简并到唯一的一个信息，就是整个信息文本的平均值。画出信息树的结构，就能够根据要进行规模不同大小的聚类进行自动聚类了。
用于数据挖掘的聚类算法有哪些，各有何优势？ 如果真要做全面介绍的话，有可能是一部专著的篇幅。即使是做综述性的介绍，一篇三五十页的论文也可以写成…
聚类算法的经典综述有哪些？ 聚类算法是在数据挖掘领域常用的一类算法总称。聚类算法根据其实现原理又分为多种，大致可以分为：划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法。国内外相关的综述文章也有很多，我稍微总结了一下。Data clustering：a review作者：AK Jain，MN Murty，PJ Flynn这篇发表于1999年的综述比较全面的阐述了聚类算法的定义、发展、各类算法的思想、实现等。也是被引次数最多的一篇聚类相关的综述。被引用次数：14020如果只关注聚类算法实现的话，可以只看第五节-Clustering TechniquesSurvey of clustering algorithms这篇文章发表于2005年，比较详细的对各种不同类型的聚类算法进行了对比介绍，以及一些不同的距离度量方法等。相对于第一篇，这篇更加具体。被引次数：4687。A survey of clustering data mining techniques这篇距离上一篇的发表时间很紧，发表于2006年。更加偏重于具体算法的介绍和分析。其中就包括我们经常说的K-means等。被引次数：3032。其实，从Google学术上还可以找到很多聚类算法相关的综述文章，不过引用量和影响力都远远不如这几篇。而且，以上几篇也基本涵盖了我们工作中常用的聚类算法，如果能仔细的研读了解，应该对聚类算法。
用于数据挖掘的聚类算法有哪些，各有何优势？ （https：//www. coursera.org/course/ml）A List of Data Science and Machine Learning http：//conductrics.com/data-science-resources/） 转载自 THU数据派 官方微信公众。
k均值聚类算法原理 ？ 算法：第一步：选K个初始聚类中心，z1(1)，z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初始聚类中心。第二步：逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1)。假设i=j时，则，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类，其聚类中心为zj。第三步：计算各个聚类中心的新的向量值，zj(k+1)，j=1，2，…，K求各聚类域中所包含样本的均值向量：其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心，可使如下聚类准则函数最小：在这一步中要分别计算K个聚类中的样本均值向量，所以称之为K-均值算法。第四步：若，j=1，2，…，K，则返回第二步，将模式样本逐个重新分类，重复迭代运算；若，j=1，2，…，K，则算法收敛，计算结束。
