聚类算法

聚类算法属于机器学习或数据挖掘领域内，范畴比较小，一般都算作机器学习的一部分或数据挖掘领域中的一类算法，可结合机器学习进行学习

---

1.1 聚类的基本概念

聚类是数据挖掘中的概念，就是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。

1.2 聚类和分类的区别

• Clustering (聚类)，简单地说就是把相似的东西分到一组，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起；unsupervised learning (无监督学习)
• Classification (分类)，对于一个classifier，通常需要你告诉它“这个东西被分为某某类”这样一些例子；supervised learning (监督学习)

1.3 聚类算法分类

• 层次化聚类算法， 又称树聚类算法，透过一种层次架构方式，反复将数据进行分裂或聚合。

• 划分式聚类算法，预先指定聚类数目或聚类中心，反复迭代逐步降低目标函数误差值直至收敛，得到最终结果。

• 基于模型的聚类算法， 为每簇假定了一个模型，寻找数据对给定模型的最佳拟合，同一”类“的数据属于同一种概率分布，即假设数据是根据潜在的概率分布生成的。

• 基于密度聚类算法，只要邻近区域的密度(对象或数据点的数目)超过某个阈值，就继续聚类
  擅于解决不规则形状的聚类问题。

-基于网格的聚类算法，基于网格的方法把对象空间量化为有限数目的单元，形成一个网格结构。

---