《西瓜书》笔记09：聚类

1.聚类任务

无监督学习：训练样本的标记信息是未知的。目标是通过对无标记样本的学习揭示数据内在性质，为进一步数学分析提供基础。

此类学习任务中研究最多，应用广泛的是聚类。

聚类：试图将数据集中的样本划分为若干个通常互不相交的子集。每个子集称为一个簇（cluster）。

每个簇可能对应于一些潜在概念。这些概念对于聚类算法而言事先未知。聚类过程仅能自动形成簇结构。簇所对应的概念语义需有使用者把握。

聚类可作为一个单独过程，也可作为分类等其他任务的先驱。比如商户定义用户类型不太容易，可先聚类根据结果将每个簇定义一个类，再基于这些类训练分类模型，用于判别新用户。

2.性能度量

聚类性能：评估聚类好坏。

直观的：簇内相似度高，簇间相似度低。

大致分为两类：

• 与某个参考模型比较，如该领域专家给出的划分结果。
• 不利用外部指标而直接考察聚类结果

对数据集D，假定聚类给出的簇为C1,C2,...,Ck