30、无监督数据处理与多层人工神经网络实现

无监督数据处理与多层人工神经网络实现

1. 无监督学习中的聚类分析

在无监督学习领域，聚类分析是发现数据中隐藏结构和信息的重要手段。这里介绍三种不同的聚类算法。

1.1 k - 均值算法

k - 均值是一种基于原型的方法，它依据指定数量的聚类中心，将样本聚类成球形。由于聚类是无监督方法，没有真实标签来评估模型性能，因此采用了诸如肘部法或轮廓分析等内在性能指标，尝试量化聚类质量。

1.2 凝聚层次聚类

与 k - 均值不同，凝聚层次聚类无需预先指定聚类数量，其结果可以用树状图表示，有助于对结果进行解读。

1.3 DBSCAN 算法

DBSCAN 算法基于局部密度对数据点进行分组，能够处理离群点并识别非球状形状。

下面是这三种聚类算法的对比表格：
| 算法名称 | 是否需指定聚类数 | 处理离群点能力 | 聚类形状 |
| ---- | ---- | ---- | ---- |
| k - 均值 | 是 | 弱 | 球形 |
| 凝聚层次聚类 | 否 | 一般 | 多种 |
| DBSCAN | 否 | 强 | 非球状 |

mermaid 格式流程图展示聚类分析流程：

graph LR
    A[数据输入] --> B{k - 均值聚类}
    A --> C{凝聚层次聚类}
    A --> D{DBSCAN 聚类}
    B --> E[评估聚类质量]
    C --> E