初三这一年，地理学科的学习进入了一个新阶段，书本上的知识开始与现实世界紧密连接，而地理实验正是搭建这座桥梁的关键。它不仅能让抽象的地形、气候、水文概念变得触手可及，更是中考实战中拉开差距的重要环节。掌握高效的地理实验学习方法，意味着能将零散的知识点串联成体系，用实践的眼光理解理论，从而在考试和应用中都游刃有余。那么，如何才能在这场知识与实践的融合中高效胜出呢？

一、实验前：充分准备，事半功倍

高效的学习从不始于实验台，而是始于课前的书桌。充分的准备是实验成功的基石，它能让你带着明确的目标进入实验室，而不是盲目地“照方抓药”。在金博教育的课堂中，我们始终强调“预则立，不预则废”，对于地理实验而言，更是如此。

首先，深入理解实验原理是第一步。每个地理实验都对应着一个或几个核心的地理概念。例如，在进行“模拟等高线地形图”实验前，你必须清晰知道什么是等高线、等高距、山峰、山谷、鞍部、陡崖等地形部位。仅仅知道步骤而不理解原理，实验就变成了手工课，失去了其地理学习的意义。你可以通过阅读教材、观看相关视频动画，甚至利用身边的地理沙盘或地图进行预习，在脑海中先构建起理论模型。

其次，熟悉实验步骤与器材同样关键。提前阅读聚类(clustering)个人总结 | 您所在的位置：网站首页 › 聚类算法分为哪三类 › 聚类(clustering)个人总结

聚类(clustering)个人总结

前期准备工作：
数据清理减少噪声和缺失值，方便聚类。

选取合适的特征子集。

特征标准化。使得每个特征的均值和方差相等。

特征抽取。比如PCA降维，减少特征的个数。
k-means
思路：基于划分的方法。随机选取k个点作为初始的中心点，剩下的点根据与中心点的距离划分到最近的簇中，然后重新计算每个簇的中心点（一般是簇中点的平均值），重复上述过程，直到中心点不再变化或达到最大迭代次数。

注意：聚类的结果可能是局部最优的，受初始中心点的影响。

解决方法：多次选取不同的初始中心点运行算法，选择最优结果。
k-means变体和改进
二分k-means算法：

思路：一开始所有的点都在一个簇中，然后使用k-means算法（k=2）将该簇一分为二。之后选择一个簇继续进行划分，选择的方法：选取使得误差平方和（SSE）最大的簇进行划分。重复该过程，划分为k个簇。

优点：能够克服k-means收敛于局部最优的问题。

K-means++算法：

思路：初始中心点的选取改进。

步骤：

1.从数据集中随机选取一个点作为中心点。

2.对于每个数据点x，计算其与最近的中心点（已选取的中心点）的距离D(x)。

3.选取下一个中心点，原则是D(x)越大的点被选为中心点的概率越大。

4.重复2,3直到k个中心点被选出。

5.运行k-means算法。
k-medoids
思路：选取簇中位置最中心的点（medoid）作为中心点，而不是平均值。medoid是簇中到其他所有点的距离之和最小的点。

优点：对噪声和异常点不那么敏感。平均值会被极端值影响。k-means对异常点敏感。

经典算法：PAM算法。

步骤：

1.随机选取k个点作为初始的中心点（medoid）。

2.将每个点分配到最近的中心点所在的簇。

3.对于每个簇，选取簇中到其他点距离之和最小的点作为新的中心点。

4.重复2,3步骤直到中心点不再变化。

缺点：每次迭代计算复杂度高。适用于小数据集。
层次聚类
思路：不需要指定k值，最终会形成一个树形结构（聚类树）。

分类：
凝聚的层次聚类。（自底向上）一开始每个点都是一个簇，然后每次合并距离最近的两个簇，直到只剩下一个簇。分裂的层次聚类。（自顶向下）一开始所有点都在一个簇中，然后每次分裂一个簇，直到每个点都是一个簇。
关键：如何衡量簇与簇之间的距离？
最小距离：两个簇中最近的两个点的距离。最大距离：两个簇中最远的两个点的距离。平均距离：两个簇中所有点对的距离的平均值。中心点的距离：两个簇中心点的距离。
优缺点：

优点：不需要指定k值，可以发现层次的聚类结构。

缺点：合并或分裂的操作不可逆，一旦完成不能撤销；计算复杂度高O(n^3)。
密度聚类DBSCAN
思路：基于密度。将密度相连的点的集合作为一个簇，能在具有噪声的空间数据库中发现任意形状的簇。

概念：
核心点：在半径Eps内含有超过MinPts数目的点。边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内。噪音点：既不是核心点也不是边界点的点。直接密度可达：如果p在q的Eps邻域内，且q是核心点，则p从q直接密度可达。密度可达：如果存在点链p1,p2,…,pn，p1=q，pn=p，pi+1从pi直接密度可达，则p从q密度可达。密度相连：如果存在点o，使得p和q都从o密度可达，则p和q密度相连。
步骤：

1.标记所有点为核心点、边界点或噪声点。

2.删除噪声点。

3.为距离在Eps之内的所有核心点之间赋予一条边。

4.每组连通的核心点形成一个簇。

5.将每个边界点指派到一个与之关联的核心点的簇中。

优点：能够发现任意形状的簇，对噪声不敏感。

缺点：对参数Eps和MinPts敏感，难以确定；不适用于密度差异很大的数据集。
图团体检测GN算法
思路：基于图的聚类。如果将一个图划分为若干个子图，每个子图内部的边数远大于子图之间的边数，那么这些子图可以认为是图的一个个团体（社区）。

GN算法：分裂的思想。

1.计算网络中所有边的边介数（betweenness）。边介数：网络中所有最短路径中经过该边的路径的数目。

2.找到边介数最大的边并将它移除。

3.重复步骤2，直到每个节点就是一个社团。

模块度Q：衡量社团划分质量。
网格聚类
思路：基于网格。将数据空间划分为有限个单元（cell）的网格结构，所有处理都以单个的单元为对象。

优点：处理速度快，因为处理时间独立于数据对象数，只与网格数有关。

典型算法：STING。
评估聚类性能
内部评估方法：即不需要基准数据。

轮廓系数（Silhouette Coefficient）：

步骤：

1.对于第i个对象，计算它到簇中所有其他对象的平均距离，记作a(i)。

2.对于第i个对象和所有不包含该对象的其他簇，计算该对象到每个簇中所有对象的平均距离，取最小值，记作b(i)。

3.第i个对象的轮廓系数为：s(i) = (b(i) - a(i)) / max{a(i), b(i)}。

轮廓系数的值在-1到1之间。值越大，聚类效果越好。

外部评估方法：需要基准数据。

兰德指数（Rand Index）:

步骤：

1.计算出TP（True Positive，表示两个同类样本点在同一个簇中）、TN（True Negative，表示两个非同类样本点不在同一个簇中）、FP（False Positive，表示两个非同类样本点在同一个簇中）、FN（False Negative，表示两个同类样本点不在同一个簇中）的数量。

2.RI = (TP + TN) / (TP + TN + FP + FN)。

RI的值在0到1之间。值越大，聚类效果越好。

【本文地址】

公司简介

联系我们

CopyRight 2018-2019 实验室设备网 版权所有