Grid-based methods：其原理是将数据空间划分为网格单元，将数据对象映射到网格单元中，并计算每个单元的密度。根据预设阈值来判断每个网格单元是不是高密度单元，由邻近的稠密单元组成”类”。
1.将数据空间划分为网格单元
2.依照设置的阈值，判定网格单元是否稠密
3.合并相邻稠密的网格单元为一类
优点：执行效率高，因为其速度与数据对象的个数无关，而只依赖于数据空间中每个维上单元的个数。
缺点：对参数敏感、无法处理不规则分布的数据、维数灾难等。
鉴于基于划分和层次聚类方法都无法发现非凸面形状的簇，真正能有效发现任意形状簇的算法是基于密度的算法，但基于密度的算法一般时间复杂度较高，1996年到2000年间，研究数据挖掘的学者们提出了大量基于网格的聚类算法，网格方法可以有效减少算法的计算复杂度，且同样对密度参数敏感。
典型算法：
STING（Statistical Information Grid ）：基于网格多分辨率，将空间划分为方形单元，对应不同分辨率
CLIQUE（Clustering In Quest）：结合网格和密度聚类的思想，子空间聚类处理大规模高维度数据
WaveCluster：用小波分析使簇的边界变得更加清晰
补充：Model-based methods：主要是指基于概率模型的方法和基于神经网络模型的方法，尤其以基于概率模型的方法居多。这里的概率模型主要指概率生成模型（generative Model），同一”类”的数据属于同一种概率分布。这中方法的优点就是对”类”的划分不那么坚硬，而是以概率形式表现，每一类的特征也可以用参数来表达；但缺点就是 执行效率不高，特别是分布数量很多并且数据量很少的时候。其中最典型、也最常用的方法就是高斯混合模型（GMM，Gaussian Mixture Models）。基于神经网络模型的方法主要就是指SOM（Self Organized Maps）了，
Original: https://blog.csdn.net/m0_65392155/article/details/123017914
Author: corina_qin
Title: 机器学习 – 聚类 基于网格的聚类算法（学习笔记）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/549744/
转载文章受原作者版权保护。转载请注明原作者出处！