聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集成为一个簇,通过这样的划分,每个簇可能对应于一些潜在的概念(类别),如本地瓜、外地瓜等,但是和分类不同的是,分类是先有本地瓜和外地瓜两个类别,需要判断特定的某个瓜是哪个类;但是聚类是一堆瓜放在一起,先聚类成了两类,然后对这两类瓜,卖瓜的人总结其中是本地瓜和外地瓜的区别。
1、距离计算
对于不同的任务,需要根据样本来确定合适的聚集计算方法,通常距离度量需要满足:
1、非负性:两点距离非负
2、同一性:同一个点距离为0
3、对称性:a到b的距离等于b到a的距离
4、直递性:a到c的距离小于等于a到b再到c的总距离
但是有些任务中,可能对上述性质的要求是不一样的(比如不需要满足直递性),所以对于现实任务,可以对距离计算方法进行自定义。
常用的距离计算方法包括:
1、 连续属性:常用的是闵可夫斯基距离
对于两个样本