15、无监督机器学习算法：聚类、降维与关联规则挖掘

无监督机器学习算法：聚类、降维与关联规则挖掘

1. 层次聚类与 DBSCAN 算法

层次聚类在数据未明确显示最优聚类数量时非常有用，它还能提供树状图，有助于可视化数据的嵌套分组和理解层次结构。不过，它的计算量比 k - means 更大，不太适合处理大型数据集。

DBSCAN（基于密度的带噪声空间聚类应用）是一种无监督学习技术，基于数据点的密度进行聚类。其基本思想是将高密度空间中的数据点聚集在一起，以实现有意义的聚类。这种聚类方法有两个重要特点：
- 算法能够将存在于一起的数据点聚类，而不考虑它们的形状或模式，有助于创建任意形状的聚类，这对于处理复杂的非线性现实数据非常有利。
- 与 k - means 算法不同，无需指定聚类的数量，算法可以自动检测数据中合适的分组数量。

DBSCAN 算法的步骤如下：
1. 建立邻域 ：为每个数据点建立一个邻域，通过计算在距离 eps 内的数据点数量来确定。eps 表示两个数据点被视为在同一邻域内的最大距离，默认使用欧几里得距离度量。
2. 量化密度 ：使用变量 min_samples 来量化每个数据点的密度。如果一个数据点在 eps 距离内有至少 min_samples 个其他数据点，则该数据点被视为“核心实例”。
3. 确定聚类 ：每个确定的邻域对应一个聚类。一个核心实例的邻域可能包含其他核心实例，因此核心实例可以对多个聚类的形成做出贡献，导致聚类边界可能重叠，形成复杂的相互连接的聚类结构。
4. 识别离群点 ：任何不是核心实例且不在核心实