聚類是乙個把資料物件集劃分成多個組或者簇的過程，使得簇內的物件具有很高的相似性，但與其他簇中的物件很不相似．聚類是無監督學習，不依賴於預定義的類和類標號的訓練例項。我們常見的聚類演算法分為以下幾類：劃分方法、層次方法、基於密度的方法和基於網格的方法。
給定n個物件的集合，劃分方法構建資料的k個劃分，每個劃分表示乙個簇，k<=n。也就是說，劃分方法將資料分為k個組，每個組至少包含乙個物件。
大部分的劃分方法是基於距離的，但是這只能發現球狀簇。。它採用一種迭代的重定位技術，通過將物件從乙個組移動到另乙個組來改進劃分結果。乙個好的劃分方法的一般準則是：同乙個簇內的物件盡可能相互接近或相關，而不同簇的物件盡可能遠離或者不同。
常見的基於劃分的演算法有：k-均值演算法和k-中心點演算法。
層次方法建立給定資料物件集的層次分解。分為凝聚的方法和**的方法兩種。凝聚的方法，也稱自底向上的方法，開始將每個物件看作單獨的一組，然後逐次向上合併相近的物件或者分組，直到所有的組合並為乙個大組，或者滿足終止條件。**的方法，也成為自頂向下的方法，開始將所有物件看作乙個簇，然後在每次迭代中乙個簇被劃分為更小的簇，直到每個物件在乙個單獨的簇，或者滿足終止條件。
層次聚類方法是可以基於距離或者基於密度和連通性的。但是缺陷在於，一旦乙個步驟（合併或者**）完成，它就不能再被撤銷。
基於密度的聚類方法主要思想是：只要「鄰域」中的密度（物件或者資料點的數目）超過某個閥值，就繼續增長給定的簇。也就是說，對於沒頂的簇中的每個資料點，在給定半徑的鄰域中必須至少包含最少數目的點。這可以用來過濾雜訊或者立群點，發現形狀任意的簇。
基於網格的方法把物件空間量化為有限個單元，形成乙個網格結構。所有聚類都在這個網格結構（量化的空間）上進行，它僅僅依賴於量化空間中的每一維的單元數。因此可以和其他聚類方法進行整合。
注：以上讀自《資料探勘概念與技術》 一書
聚類系列 概述
本系列要講解一下本人這一段時間工作中 使用聚類來做的一些事情，第一次寫部落格大家不喜勿噴，有錯誤請及時指出，本人一定改正。nlp中的聚類就是在沒有任何的指導資料的情況下，將相似的實體聚集到乙個類別中，將不相似的聚集到不同的類別中去。但是這裡相似或者不相似用什麼去衡量呢？又是怎麼計算出來的相似度呢？之...
譜聚類概述
一 簡述 聚類是對探索性資料分析最廣泛使用的技術，在現在各個科學領域中處理沒有類標的資料時，人們總是想通過確定資料中不同樣本的歸類，來獲取對資料的直觀印象。傳統的聚類方法有很多，像k means，single linkage等，但是k means演算法有些缺點，比如當樣本維度特別大的時候，k mea...
聚類演算法 近鄰聚類演算法
time is always too short for those who need it,but for those who love,it lasts forever.dracula untold 近鄰聚類法同樣是一種基於距離閾值的聚類演算法。coding utf 8 近鄰聚類演算法的pyth...