【无监督学习之层次聚类】

曾梦想执剑走天涯，我是程序猿【AK】

简述概要

了解无监督学习之层次聚类

知识图谱

层次聚类（Hierarchical Clustering）是一种无监督学习算法，它通过构建一个层次结构来组织数据点，从而将数据点分组成不同的簇。层次聚类的结果通常以树状图（树状图）的形式表示，这种图展示了数据点之间的层次关系。

层次聚类的主要类型：

1. 凝聚型（Agglomerative）：

   • 从每个数据点作为一个单独的簇开始，逐步合并最接近的簇对，直到所有数据点都在一个簇中或者达到预设的簇数量。
   • 常用的凝聚方法包括最近邻（Single Linkage）、完全连接（Complete Linkage）、平均连接（Average Linkage）和Ward方法。

2. 分裂型（Divisive）：

   • 从所有数据点在一个簇开始，逐步分裂簇，直到每个数据点都是一个单独的簇或者达到预设的簇数量。
   • 这种方法不如凝聚型常见，且计算复杂度较高。

主要解决的问题：

• 数据结构发现：层次聚类能够揭示数据的内在层次结构，有助于理解数据的组织方式。
• 簇数量的灵活性：与K-Means等需要预先设定簇数量的算法不同，层次聚类不需要预先指定簇的数量，可以通过分析树状图来确定合适的簇数。
• 任意形状的簇：层次聚类能够发现任意形状的簇，不受簇形状的限制。

应用场景：

• 生物信息学：在基因表达数据分析中，层次聚类用于发现具有相似表达模式的基因或蛋白质。
• 社交网络分析：分析社交网络中的用户关系，发现社区结构或社交圈子。
• 文本挖掘：对文档集合进行层次聚类，以便发现文档的层次化主题结构。
• 市场细分：在商业分析中，层次聚类可以帮助识别不同层次的消费者群体。
• 图像分割：在图像处理中，层次聚类可以用于图像分割，识别图像中的不同区域。
• 组织结构分析：在组织管理中，层次聚类可以帮助分析组织结构，如员工关系、部门结构等。

层次聚类的优点在于它能够提供数据的层次结构视图，并且不需要预先设定簇的数量。然而，它也有一些局限性，如计算复杂度较高，尤其是对于大型数据集，且一旦合并或分裂操作完成，就无法逆转，这可能导致错误的聚类结果。此外，层次聚类对于噪声和异常值也比较敏感。在实际应用中，可能需要结合其他方法来优化聚类结果。在Java中，可以使用如Weka等库来实现层次聚类。

推荐链接：
层次聚类算法原理总结（阿里云天池）

利用 k 阶空间邻近图的空间层次聚类方法（武 汉 大 学 学 报 信 息 科 学 版）

                                                                                                         ---- 永不磨灭的番号：我是AK