聚类（一）—— 聚类分析概述

主要内容
聚类分析概述
K-Means聚类
层次聚类
基于密度的聚类
其他聚类方法
聚类评估
小结

一、聚类分析概述

聚类分析的概念

无监督学习（Unsupervise Learning）着重于发现数据本身的分布特点。与监督学习（Supervised Learning）不同，无监督学习不需要对数据进行标记。从功能角度讲，无监督学习模型可以发现数据的“群落”，同时也可以寻找“离群”的样本。另外，对于特征维度非常高的数据样本，同样可以通过无监督学习进行数据降维，保留最具有区分性的低维度特征。

聚类是一个将数据对象集划分为多个组或簇的过程，使得簇内的数据对象具有很高的相似性，但不同簇间的对象具有很高的相异性。

聚类算法分类

随着聚类分析技术的蓬勃发展，目前已有很多类型的聚类算法。但很难对聚类方法进行简单的分类，因为这些类别的聚类可能重叠，从而使得一种方法具有一些交叉的特征。

一般而言，聚类算法被划分为以下几类：
1.划分方法
（基于距离判断数据对象相似度：K-Means算法和K中心点算法）
2.基于层次的方法
（凝聚的方法和分裂的方法）
3.基于密度的方法
（不规则形状的簇）
4.基于网格的方法
（使用一种多分辨率的网格数据结构）