聚类分析
- 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。 - 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。 - 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。 - 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。