聚类算法概念、分类、特点及应用场景【机器学习】【无监督学习】

概念

机器学习聚类算法‌是一种无监督学习方法，旨在将数据集分割成不同的类或簇，使得同一簇内的数据对象相似性尽可能大，而不同簇之间的数据对象差异性也尽可能大。聚类算法广泛应用于新闻自动分组、用户分群、图像分割等领域。‌

主要聚类算法及其特点

‌层次聚类算法‌

层次法(hierarchical methods)

   通过构建数据点之间的层次结构来进行聚类，可以是自底向上的凝聚方法或自顶向下的分裂方法。代表算法包括CURE和ROCK，适用于任意形状和属性的数据集，但执行时间较长。‌

‌分割聚类算法‌

又叫划分法(partitioning methods)

   基于密度的聚类‌：如DBSCAN和OPTICS，能够识别任意形状的簇，并对噪声和离群点具有较好的鲁棒性。代表算法包括DENCLUE和DBCLASD，主要用于空间数据的聚类。
‌   基于网格的聚类‌：如STING和CLIQUE，利用属性空间的多维网格数据结构，适用于大规模数据集，但可能降低聚类质量。
‌   基于图论的聚类‌：将聚类问题转换为组合优化问题，利用图论和相关启发式算法解决，适用于复杂数据结构。

密度算法

基于密度的方法(density-based methods)，基于密度的方法与其它方法的一个根本区别是：它不是基于各种各样的距离的，而是基于密度的。这样就能克服基于距离的算法只能发现“类圆形”的聚类的缺点。
这个方法的指导思想就是，只要一个区域中的点的密度大过某个阈值，就把它加到与之相近的聚类中去。
代表算法有：DBSC