反作弊中的无监督算法2_聚类的4种方式及典型算法

一、从迭代学习的过程，聚类的方式可分为：
1）基于原型聚类
2）基于密度的聚类
3）基于模型：基于概率模型（高斯混合模型）、基于神经网络的；
4）基于层次聚类：

二、从类或簇的形式分
1）以中心定义的簇：规则形的分布，形状与度量的距离有关
2）以密度定义的簇：对形状不敏感，在处理不规则或缠绕等复杂情况、有噪声和离群点的时候比较合适。
3）以联通定义的簇：这类数据集合中的数据点和数据点之间有连接关系，整个数据簇表现为图结构。它同样对数据形状不敏感。

一、基于原型聚类（K-means）

原型 通常指具有连续特征的相似点的质心，或者中心。简单说就是对于一堆待聚类的数据点，先确定最后期望聚成几类，然后挑选几个点作为初始中心点，根据预定的启发式的方法做迭代，直到达到我们的停止条件。在期望聚类数目确定、初始中心点的挑选、噪声和离群点处理，数值以及类别型数据处理方法、引入核方法等具体细节上的不同衍生出了不同的聚类算法，但是毫无疑问最起源的一个算法就是k-means算法，这也是我们这里将要详述的算法[1]。

1) 原理：

• 随机从样本中挑选k个质心作为初始集群中心
• 将每个样本分配到最近的质心${\mu }^{(j)}，j\in 1,...,k$
• 把质心分配到已分配样本的中心
• 重复步骤2和3，直到集群赋值不再改变，或者用户达到定义的公差或者最大迭代数。

度量对象之间相似性的方法，欧式距离的平方
距离和相似性的文章：https://cloud.tencent.com/developer/article/1668762

2）优缺点：
优点：极易实现且计算效率也很高。
缺点：必须指定集群数k，k的选择不当会导致性能不良。

3）超参数
分类数量、最大迭代次数

二、基于密度聚类：DBSCAN原理、参数

基于密度的聚类方法：把集群标签分配给样本数据点密集的区域。为了处理以密度为特征的类而设计的算法，最初始的算法为DBSCAN。
1）原理
3种点：
边界点：在半径范围 e p l i s o n eplison