机器学习理论及案例分析(part3)--聚类

学习笔记，仅供参考，有错必纠
博客阅读索引：博客阅读及知识获取指南
上一节：回归

---

---

聚类

什么是聚类

聚类是无监督学习的主要任务

聚类一直是机器学习、数据挖掘、模式识别等领域的重要组成内容。2015年，中国人工智能学会理书长李德毅院士指出：人类的认知科学要想有所突破，首先就要在人数据聚类上取得突破，聚类是挖掘大数据资产价值的第一步。

和分类(监督学习的主要任务)不同，聚类是在无标记样本的条件下将数据分组，从而发现数据的天然结构，聚类在数据分析中扮演重要角色，它通常被用于以下三个方面：

• 发现数据的潜在结构
• 对数据进行自然分组
• 对数据进行压缩

这几个方面的功能使聚类既可以作为预处理程序，又可以作为独立的数据分析工具。

聚类描述

数据聚类(或聚类分组)的目标是在一个对象(模式、数据点)的集合中发现其自然的分组。关于聚类目前尚无统一的定义，比较常用的定义如下：聚类是把一个数据对象的集合划分成簇(子集)，使簇内对象彼此相似，簇间对象不相似的过程。

• 回答什么是簇这个根本性问方面，人们已经做了大量努力。给定一个数据集