聚类

kl195375

于 2019-04-30 17:37:56 发布

阅读量380

点赞数

CC 4.0 BY-SA版权

分类专栏：理论及专业名词解释

本文链接：https://blog.youkuaiyun.com/kl195375/article/details/89713693

本文介绍了聚类分析，作为非监督学习的一种方法，应用于数据减少、K-邻近搜索优化、基于群体的预测和异常值检测。讨论了聚类任务的基本步骤，包括特征选择、相似性测量、聚类标准、算法和结果验证。提到了好的聚类方法应具备的特性，并概述了聚类算法的分类，如基于划分、层次、密度和网络的聚类。此外，还提及了应对扩展性、属性处理和解释性等挑战的问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

聚类分析

聚类非监督学习方法
聚类的应用
1.减少数据
Data reduction
数据压缩
classification
数据概括
summarization
2.寻找K-邻近
将搜索化为一个或少量的聚类
3.基于群体的预测
聚类并查找每个组的特征
3.异常值检测

开发聚类任务的基本步骤
Basic Steps to Develop a Clustering Task
1.feature selection特征选择
2.Proximity measure 接近测量:Similarity of two feature vectors 两个特征向量相似性
3.clustering criterion聚类标准
4.clustering algorithms聚类算法
5.validation of the results验证结果
6.interpretation of the results解释结果

什么是一个好的聚类
A good clustering method will produce high quality clusters
一个好的聚类方法会产生高质量的聚类
1.high intra-class similarity:cohesive within clusters
高类间相似：聚类内的凝聚力
2.low inter-class similarity:distinctive berween clusters
低类阶级相似：聚类间的独特性
The quality of a clustering method depends on
聚类方法的质量基于
1.the similarty measure used by the method
该方法使用的相似性度量
2.its