聚类分析

聚类分析：是依据数据相似度或相相异度而将数据分群归属到数个聚类的方法；使得同一群内的数据或个体相似程度大，而各群之间相似程度小。
分类分析：是根据已知或所给定目标数据的类别，找出其分类属性，建立分类规则或模式，将数据分类至对应的目标类别。其大部分算法为监督学习。
聚类分析是分群找出各个自聚类数据背后可能隐藏的特性、样型或关联现象。聚类分析实现并不知道聚类书目，而分群结果的特征及其代表的意义仅能事后加以解释。因此，聚类分析可视为无监督学习。
聚类分析的阶段;
(1). 数据准备与分群特征选取
(2). 相似度计算
(3). 分群算法
(4). 分群结果评估与解释
相似度分析：衡量相似度方法如下
(1). 距离（欧氏距离，曼哈顿距离，闵式距离，加权距离，标准化距离，马氏距离）
(2). 相关系数（皮尔逊相关系数，等级相关系数）
(3). 二元关系系数
聚类分析方法：
(1). 层次聚类分析
(2). 划分聚类分析
(3). 以密度为基础的方法
(4). 以模式为基础的方法

层次聚类分析
层次聚类分析是对数据对进行层次划分的聚类，而用属性图表示各聚类中所包括的数据点，树形图的根节点仅包含单一聚类，代表所有数据点均落在同一聚类中，而树形图中的叶节点皆各自为单一聚类，代表各数据点均独立聚类。
层次聚类分群方式可以分为凝聚和分裂两种。
层次聚类算法是以龙聚类间的相近程度为基础，根据不同距离的选用，表示两聚类的相似度。
方法：
(1). 单一连接法
(2). 完全连接法
(3). 平均连接法
(4). 中心点连接法
(5). Ward 法

划分聚类分析
划分聚类分析法：划分聚类分析是先选择数个不同的起始聚类中心点，每一个数据点只会被分到一个聚类，首先所有样本数据均计算与每个中心点的距离或相似度，而每个样本会根据具有最小距离或相似度的结果将其划分至该聚类，往往以平方误差为衡量划分结果，具有最小平方误差的划分即为最终的分群。
划分聚类的方法：
(1). K均值法
(2). K中心点法

以密度为基础的分群算法
基于密度为基础的方法：
适用于数据点的分布为任意形状的情况。可以处理不同大小，形状聚类的方法。
其算法主要为DBSCAN算法。

以模式为基础的分群算法
以模式为基础的方法：
以模式为基础的方法是将数据根据模型予以适配而产生聚类。
其算法有：
(1). 期望最大化算法
(2). 自组织映射网络