聚类算法学习总结

聚类的概念

    聚类是无监督学习的一种，目的是为了对一组没有标签的数据，按照特定的特征，把它们分成不同的类，换句话说，就是把这一组无标签的的数据中，特征相近的那些数据聚合成一个类，聚合成的一个类叫做一个簇。

不同类型的聚类

    按照数据分布的特点，采用的聚类方法可能会有所不同，常见的聚类算法 包含以下几种：

         基于原型的聚类：对于聚类结果的每一个簇，我们都可以找到一个典型的数据来代表这个簇，换句话说，该数据的特征是这个簇中数据特征最标准的体现，那么这个标准数据就叫做这个簇的原型。以普通数据与原型数据之间的距离为标准，可以把所有数据聚合到不同的簇中。

       层次聚类：顾名思义，就是在不同层次上对数据进行聚类，如：有一组数据，我们可以先把他们聚成四个簇a、b、c、d,然后通过衡量这四个簇之间的相似度，进一步把这四个簇两两聚合（如a和c聚合，b和d聚合），最后得到两个簇。

       基于密度的聚类：把数据中分布密度相同的数据聚合成一类，也就是以数据分布的密度作为聚类的标准。

几种常见的聚类算法

    K-均值聚类（k-means聚类）