5、数据聚类方法：从层次聚类到DBSCAN

数据聚类方法：从层次聚类到DBSCAN

1. 层次聚类概述

层次聚类是一种强大的聚类方法，它在处理数据时有着独特的优势。它主要有两种实现方式：凝聚式和分裂式。

1.1 凝聚式与分裂式聚类

• 凝聚式聚类 ：采用自下而上的方法，将每个数据点视为一个单独的簇，然后递归地将相邻的数据点合并，直到形成一个大的簇。
• 分裂式聚类 ：采用自上而下的方法，从一个大的簇开始，递归地将其分解，直到每个数据点都成为一个单独的簇。分裂式聚类虽然理论上可能更准确，因为它从一开始就对整个数据分布有全面的了解，但它增加了复杂性，降低了稳定性，并且增加了运行时间。

1.2 链接准则

链接准则用于计算候选簇之间的距离。常见的链接准则包括单链接和完全链接：
- 单链接 ：通过比较每个簇中最接近的点来确定簇之间的距离。
- 完全链接 ：通过比较每个簇中最远的点来确定簇之间的距离。

1.3 层次聚类的优势

与k - 均值聚类相比，层次聚类的一个巨大优势在于，当你对数据中的簇数量没有先验知识时，可以通过评估树状图来主观选择合适的簇。树状图可以直观地展示数据的分裂情况，帮助你确定合理的簇数量。

2. 回顾k - 均值和层次聚类

在无监督学习中，我们通常会面对一组特征数据，但没有对应的标签来告诉我们这些特征变量的具体含义。为了从数据中提取结构信息，我们可以使用聚类方法将相似的数据点分组。