系统聚类和k均值聚类区别（系统聚类与k均值的异同）

简介：

在数据挖掘和机器学习领域中，聚类是一项重要的任务。其中，系统聚类和k均值聚类是两种常见的聚类算法。本文将就这两种算法的区别作详细说明。

一、系统聚类算法

系统聚类又称为分层聚类，是指不断将对象合并成一个更大的集群，最终形成完整的聚类树。具体的操作是：先将每个对象视为一个独立的簇，然后逐步合并簇，直到所有对象都被合并至同一个簇。

系统聚类方法有许多种，如：层次聚类（Agglomerative Hierarchical Clustering）和分裂聚类（Divisive Hierarchical Clustering）。其中，层次聚类是最常见的一种。

二、k均值聚类算法

k均值聚类是一种基于距离的聚类算法，它可以将数据划分为k个簇。具体的操作是：首先随机选择k个初始簇中心，然后计算每个点到簇中心的距离，将其划分到距离最近的簇中去，而后重新计算每个簇的中心点。重复上述过程，直到达到簇内样本变化的阈值，或者满足某些停止准则时结束。

三、系统聚类和k均值聚类的区别

1.目标不同

系统聚类的目标是将所有对象归类到簇中，并建立聚类的层次体系（树状结构）；而k均值聚类的目标则是将对象划分为k个簇，并使得同一个簇内的对象距离较近，不同簇的对象距离较远。

2.结果不同

系统聚类的结果以聚类树状结构的形式呈现，而且树状结构中任意两个节点之间的距离代表它们的相似程度；而k均值聚类结果则是k个簇和每个簇的中心点。

3.处理方式不同

系统聚类对每个对象都建立了一个簇，然后逐层合并簇。因此，该算法的时间复杂度较高，适用于较小的数据集。而k均值聚类是基于梯度下降的方法，只需要迭代几次，就可以得到结果。因此，它可以处理大量数据。

四、结论

本文依次介绍了系统聚类和k均值聚类这两种聚类算法，并列举了它们的区别。总体而言，系统聚类适用于较小的数据集，可以建立聚类层次树；k均值聚类则适用于大量数据，可以快速跑出结果。根据不同数据集的需求，选择不同的算法会更为合适。