聚類是一種無監督的學習的結果，聚類的結果就是產生一組集合，集合中的物件與同集合中的物件彼此相似，與其他集合的物件相異。聚類演算法是推薦給初學者的演算法，因為該演算法不僅十分簡單，而且還足夠靈活以面對大多數問題都能給出合理的結果。
常用的聚類演算法：
k均值聚類演算法
k均值聚類是一種通用目的的演算法，聚類的度量基於樣本之間的幾何距離（即在座標平面中的距離）。集群是圍繞在聚類中心的族群，而集群呈現出類球狀並具有相似的大小。
ap聚類
ap聚類演算法是一種相對較新的聚類演算法，該聚類演算法基於兩個樣本點之間的圖形距離（graph distances）確定集群。採用該聚類方法的集群擁有更小的不相等的大小。
層次聚類：
層次聚類是一種基於以下概念的聚類演算法：
1.最開始由乙個資料點作為乙個集群
2.對於每個集群，基於相同的標準合併集群
3.重複這一過程知道留下乙個集群，因此就得到了積極群的層次結構
dbscan：
dbscan是乙個基於密度的演算法，它將樣本點的密集區域組成乙個集群，最近還有一項被稱為hdbscan的新進展，它允許改變密度集群。
關於聚類（Clustering）
聚類即物以類聚，他是為了實現將資料按照某一標準 相似度 將整個資料集分為若干子集 簇 最終的分類結果要盡量保證組內相似度盡可能大，組間相似度盡可能小。聚類是典型的無監督學習 unsupervised learning 它與分類問題最明顯的區別就是分類問題有事先的標註，而聚類的分組是完全靠自己學習得來...
聚類演算法 Clustering
此系列筆記 於 coursera上吳恩達老師的機器學習課程 步驟 1 隨機生成兩點 這兩點叫做聚類中心，選擇兩點是因為這裡想把資料分成兩類 2 迭代 在內迴圈中的第一步是 簇分配 這裡將每個綠點根據距離誰最近分成紅藍兩部分 即計算 c min k x mu k 2 k表示第k個聚類中心 第二步是 移...
一種無監督人臉聚類方法 SOTA效果
採用了無監督方法infomap進行人臉聚類github，在公開資料集上ms celeb 1m youtube faces deepfashion獲得較當前主流方法 如gcn人臉聚類等監督方法 同等或更優的效果.通過faiss加速鄰接邊的構建，提高聚類速度，單批百萬資料聚類僅需幾分鐘.效果及效能測試詳...