聚类分析

 概要：

1. 聚类分析仅根据在数据中发现的描述对象及其关系的信息，将数据对象分组。其目标是，组内的对象相互之间是相似的（相关的），而不同组中的对象是不同的（不相关的）。组内的相似性（同质性）越大，组间差别越大，聚类就越好。

 

 

应用场景：

   聚类。

聚类分析的3种大类和其代表技术：

1. 划分聚类法。K均值。是基于原型的、划分的聚类技术。它试图发现用户指定个数K的簇（由质心代表）。
2. 层次聚类。凝聚的层次聚类。开始，每个点作为一个单点簇；然后，重复地合并两个最靠近的簇，直到产生单个的、包含所有点的簇。
3. 基于密度的聚类。DBSCAN。是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。低密度区域中的点被视为噪声而忽略，因此DBSCAN不产生完全聚类。

 

 

层次聚类的优缺点：

优点：

1. 距离和规则的相似度容易定义，限制少；
2. 不需要预先指定聚类数；
3. 可以发现类的层次关系；
4. 可以聚类成其他形状。

 

缺点：

1. 计算复杂度太高；
2. 奇异值也能产生很大影响；
3. 算法很可能聚类成链状。

 

 

DBSCAN的优缺点：

优点：

1. 不需要事先知道要形成的簇的数量。
2. 可以发现任意形状的簇类。
3. 对噪声点不敏感。
4. 对样本点的顺序不敏感。

 

缺点：

1. 簇的密度变化太大时，