无监督学习——聚类

1、基本概念理解

无监督学习——通过无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。

聚类——将数据集中的样本划分为若干个不相干的子集，每个子集称为一个“簇”，即类别。需要说明的是，聚类之前并不知道数据是属于哪一类的，我们就是要通过聚类来找出有哪些类别并把这些数据归类。

2、聚类的两个基本问题

2.1 性能度量

性能度量亦称有效性指标，一方面，我们需要通过某种性能度量来评价聚类结果的好坏；另一方面，若明确了最终将要使用的性能度量，则可直接将其作为聚类过程的优化目标，从而更好地得到符合要求的聚类结果。

那么，什么是符合要求的好的聚类结果呢？即，簇内相似度高且簇间相似度低。

因此性能度量 也大致分为两类，一类是“外部指标”，即将聚类结果与某个“参考模型”进行比较；另一类是“内部指标”，即直接考察聚类结果而不利用任何参考模型。

• 外部指标
  
  • JC系数
  • FM系数（FMI）
  • Rand系数（RI）
    上述度量结果都在[0,1]区间，值越大越好
• 内部指标
  
  • DB指数（DBI：值越小越好
  • Dunn指数（DI）：值越大越好

2.2 距离计算

• 闵科夫斯基距离
  p=1时，即欧式距离
  p=2时，即曼哈顿距离 <