28、无标签数据处理——聚类分析

无标签数据处理——聚类分析

1. 聚类分析简介

在之前的学习中，我们主要运用监督学习技术构建机器学习模型，这类模型使用的是已知答案（即训练数据中已有类别标签）的数据。而现在，我们将转向聚类分析，这是无监督学习技术的一个类别，它能帮助我们在事先不知道正确答案的数据中发现隐藏的结构。聚类的目标是在数据中找到自然的分组，使得同一簇内的项目彼此之间比与不同簇中的项目更相似。

聚类具有探索性，通过它我们可以学习以下概念，这些概念有助于将数据组织成有意义的结构：
- 使用流行的 k-means 算法寻找相似中心
- 采用自下而上的方法构建层次聚类树
- 使用基于密度的聚类方法识别对象的任意形状

2. 使用 k-means 按相似度对对象进行分组

2.1 k-means 算法概述

k-means 是最流行的聚类算法之一，在学术界和工业界都有广泛应用。聚类（或聚类分析）能让我们找到相似对象的组，这些组内的对象彼此之间的关联比与其他组的对象更紧密。例如，在商业应用中，聚类可用于按不同主题对文档、音乐和电影进行分组，或者根据共同的购买行为找出具有相似兴趣的客户，作为推荐引擎的基础。

2.2 使用 scikit-learn 进行 k-means 聚类

k-means 算法易于实现，并且与其他聚类算法相比，计算效率很高，这可能是它受欢迎的原因。它属于基于原型的聚类类别。基于原型的聚类意味着每个簇由一个原型表示，对于具有连续特征的相似点，原型通常是质心（平均值）；对于分类特征，原型是中心点（最具代表性的点或到属于特定簇的所有其他点的距离最小的点）。

虽然 k-mea