聚类总结：分类、优缺点、适用场景总结

一.聚类的概念

1.定义
聚类指的是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。
（注：聚类方法是属于无监督的分类方式。）

2.聚类的分类

聚类方法主要划分为五大类：
（1）基于层次的聚类
原理：试图在不同层次上对数据集进行划分，从而形成树形的聚类结构。数据集的划分可采用“自底向上”的聚合策略和“自顶向下”的拆分策略。

（2）基于分割（划分）的聚类
原理：首先要确定一堆散点最后聚成几类，然后挑选几个点作为初始中心点，再然后依据预先定好的启发式算法（heuristic algorithms）给数据点做迭代重置（iterative relocation），直到最后到达“类内的点都足够近，类间的点都足够远”的目标效果。

（3）基于密度的聚类
原理：定一个距离半径，最少有多少个点，然后把可以到达的点都连起来，判断为同类。

（4）基于网格的聚类
原理：将数据空间划分为网格单元，将数据对象集映射到网格单元中，并计算每个单元的密度。根据预设的阈值判断每个网格单元是否为高密度单元，密度足够大的网格单元形成簇。

（5）基于模型的聚类
原理：为每簇假定了一个模型，寻找数据对给定模型的最佳拟合，这一类方法主要是指基于概率模型的方法和基于神经网络模型的方法，尤其以基于概率模型的方法居多。

二.五类聚类方法详解

1.基于层次的聚类

（1）算法流程
以下流程以自下向上为例。
a.将每个对象看作一类，计算两两之间的最小距离；
b. 将距离最小的两个类合并成一个新类；
c. 重新计算新类与所有类之间的距离；
d. 重复b, c, 直到所有类最后合并成一类。（在此我们了已选择我们需要多少个簇）

（2）代表算法：BIRCH、Chameleon、CURE等

算法	具体描述
BIRCH	BIRCH算法利用树结构对数据集进行处理，叶结点存储一个聚类，用中心和半径表示，顺序处理每一个对象，并把它划分到距离最近的结点，该算法也可以作为其他聚类算法的预处理过程
Chameleon	首先由数据集构造成一个K-最近邻图G