本文將介紹四種基本的聚類演算法—層次聚類、基於質心的聚類、最大期望演算法和基於密度的聚類演算法，並討論不同演算法的優缺點。
聚類演算法十分容易上手，但是選擇恰當的聚類演算法並不是一件容易的事。
資料聚類是搭建乙個正確資料模型的重要步驟。資料分析應當根據資料的共同點整理資訊。然而主要問題是，什麼通用性引數可以給出最佳結果，以及什麼才能稱為「最佳」。
本文適用於菜鳥資料科學家或想提公升聚類演算法能力的專家。下文包括最廣泛使用的聚類演算法及其概況。根據每種方法的特殊性，本文針對其應用提出了建議。
四種基本演算法以及如何選擇
聚類模型可以分為四種常見的演算法類別。儘管零零散散的聚類演算法不少於100種，但是其中大部分的流行程度以及應用領域相對有限。
基於整個資料集物件間距離計算的聚類方法，稱為基於連通性的聚類（connectivity-based）或層次聚類。根據演算法的「方向」，它可以組合或反過來分解資訊——聚集和分解的名稱正是源於這種方向的區別。最流行和合理的型別是聚集型，你可以從輸入所有資料開始，然後將這些資料點組合成越來越大的簇，直到達到極限。
層次聚類的乙個典型案例是植物的分類。資料集的「樹」從具體物種開始，以一些植物王國結束，每個植物王國都由更小的簇組成（門、類、階等）。
層次聚類演算法將返回樹狀圖資料，該樹狀圖展示了資訊的結構，而不是集群上的具體分類。這樣的特點既有好處，也有一些問題：演算法會變得很複雜，且不適用於幾乎沒有層次的資料集。這種演算法的效能也較差：由於存在大量的迭代，因此整個處理過程浪費了很多不必要的時間。最重要的是，這種分層演算法並不能得到精確的結構。
同時，從預設的類別一直分解到所有的資料點，類別的個數不會對最終結果產生實質性影響，也不會影響預設的距離度量，該距離度量粗略測量和近似估計得到的。
計算過程包括多個步驟。首先，輸入資料集的目標類別數。聚類的中心應當盡可能分散，這有助於提高結果的準確性。
其次，該演算法找到資料集的每個物件與每個聚類中心之間的距離。最小座標距離（若使用圖形表示）確定了將物件移動到哪個群集。
之後，將根據類別中所有點的座標平均值重新計算聚類的中心。重複演算法的上一步，但是計算中要使用簇的新中心點。除非達到某些條件，否則此類迭代將繼續。例如，當簇的中心距上次迭代沒有移動或移動不明顯時，聚類將結束。
儘管數學和**都很簡單，但k均值仍有一些缺點，因此我們無法在所有情景中使用它。缺點包括：
k-means演算法可以算是em原理的簡化版本。它們都需要手動輸入簇數，這是此類方法要面對的主要問題。除此之外，計算原理（對於gmm或k均值）很簡單：簇的近似範圍是在每次新迭代中逐漸更新的。
與基於質心的模型不同，em演算法允許對兩個或多個聚類的點進行分類-它僅展示每個事件的可能性，你可以使用該事件進行進一步的分析。更重要的是，每個聚類的邊界組成了不同度量的橢球體。這與k均值聚類不同，k均值聚類方法用圓形表示。但是，該演算法對於不服從高斯分布的資料集根本不起作用。這也是該方法的主要缺點：它更適用於理論問題，而不是實際的測量或觀察。
具有雜訊的基於密度的聚類方法（dbscan）將逐步檢查每個物件，將其狀態更改為「已檢視」，將其劃分到具體的類別或雜訊中，直到最終處理整個資料集。用dbscan確定的簇可以具有任意形狀，因此非常精確。此外，該演算法無需人為地設定簇數 —— 演算法可以自動決定。
儘管如此，dbscan也有一些缺點。如果資料集由可變密度簇組成，則該方法的結果較差；如果物件的位置太近，並且無法輕易估算出ε引數，那麼這也不是乙個很好的選擇。
總而言之，我們並不能說選擇了錯誤的演算法，只能說其中有些演算法會更適合特定的資料集結構。為了採用最佳的（看起來更恰當的）演算法，你需要全面了解它們的優缺點。
例如，如果某些演算法不符合資料集規範，則可以從一開始就將其排除在外。為避免繁瑣的工作，你可以花一些時間來記住這些資訊，而無需反覆試驗並從自己的錯誤中學習。
我們希望本文能幫助你在初始階段選擇最好的演算法。繼續這了不起的工作吧！
choosing the right clustering algorithm for your dataset
機器學習實戰 如何正確選擇聚類演算法？
聚類演算法十分容易上手，但是選擇恰當的聚類演算法並不是一件容易的事。資料聚類是搭建乙個正確資料模型的重要步驟。資料分析應當根據資料的共同點整理資訊。然而主要問題是，什麼通用性引數可以給出最佳結果，以及什麼才能稱為 最佳 本文適用於菜鳥資料科學家或想提公升聚類演算法能力的專家。下文包括最廣泛使用的聚類...
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...
聚類演算法 層次聚類演算法
層次聚類演算法 hierarchical clustering method 又稱為系統聚類法 分級聚類法。層次聚類演算法又分為兩種形式 凝聚層次聚類 首先將每個物件作為乙個簇，然後合併這些原子簇為越來越大的簇，直到某個終結條件被滿足。層次聚類 首先將所有物件置於乙個簇中，然後逐漸細分為越來越小的簇...