聚类分析：物以类聚，人以群分

聚类分析

1. 无监督学习
   1）聚类中的簇与分类中的类的关系不能混为一谈，也不能理解成包含关系，二者不相同但是在实际中有一定联系。
   2）一个好的聚类算法应当具备：
   ①能够处理非球形的数据分布；
   ②能够处理噪点和离群点；
   ③对样本输入序列不敏感；
   ④对海量数据的可扩展性。
   3）数据预处理可能对聚类分析造成的影响：
   ①可能改变数据点之间的位置关系；
   ②可能改变簇的个数；
   ③可能产生不确定影响。
2. K-Means
   1）通过考虑数据点间的连通性来衡量聚类的质量。
   2）Silhouette图表可以体现出簇的紧凑性。
   3）K-Means算法对初始中心点较为敏感。
   4）K-Means算法中的初始中心点直接影响算法的收敛结果。
   5）在Sequential Leader算法中，聚类结果可能受数据访问顺序影响。
3. 期望最大法
   1）基于模型的聚类比基于分割的聚类对数据分布有更好的描述性。
   2）在混合高斯模型中，每一个数据点可以被任一高斯生成但概率可能不等。
   3）在混合高斯模型中，每个高斯的权重相加必须等于1 。
   4）以K-Means算法为例，期望最大化算法中的隐含参数指的是每个数据点的簇标号。
4. 密度与层次
   1）与K-Means相比，基于密度的DBSCAN的优点是：
   ①能妥善处理噪点和离群点；
   ②能处理不规则的数据分布；
   ③不需要预先设定簇的个数。
   2）在DBSCAN中，对数据点类型的划分中包括核心点、边缘点、噪点。
   3）在DBSCAN中，对于噪点可以直接无视。
   4）在层次型聚类中对于N个数据点，可生成1到N个簇。
   5）在层次型聚类中，两个点集之间的距离计算方法通常：
   ①由点集间距离最近的一对点的距离决定；
   ②由点集间距离最远的一对点的距离决定；
   ③由点集间所有点的平均距离决定。