無監(jiān)督機器學(xué)習(xí)本身就非常強大，而聚類是迄今為止這類問題中最常見的表達方式 。
本文簡要介紹機器學(xué)習(xí)中三種最流行的聚類算法，以及每種算法最適合哪種情況 。每個算法都有其特點，具體取決于您要完成的任務(wù) 。
分層聚類
假設(shè)有一些你感興趣的k clusters 。您所知道的是，您可以將數(shù)據(jù)集分解為頂級的許多不同組，但您可能也對組內(nèi)的組或這些組內(nèi)的組感興趣 。為了獲得這種結(jié)構(gòu)，我們使用分層聚類 。
我們從n個不同的點和我們想要發(fā)現(xiàn)的k個不同的聚類開始; 就我們而言，n = 4，k = 2 。
首先將每個點視為自己的cluster 。
然后，我們開始使用最接近的聚類將每個單點聚類合并為更大的聚類 。我們找到距成對距離矩陣的最小距離 – 這只是每個cluster與每個其他cluster的距離的表 。
這被初始化為每個點之間的歐幾里德距離，但在此之后，我們切換到測量cluster距離的各種不同方式之一 。
無論如何，我們開始合并最接近的clusters 。假設(shè)我們知道x1和x3最接近 。然后我們將這兩個合并到一個新的cluster中，ca 。
我們現(xiàn)在重新計算ca與其他聚類之間的距離，使用前面提到的方法 。然后我們重復(fù)，一遍又一遍地合并我們的聚類，直到得到k個頂級聚類——在我們的示例中，是兩個clusters 。假設(shè)x2更接近于ca而不是x4 。
我們現(xiàn)在有兩個頂級聚類，cb和x4（請記住，每個點都以其自己的cluster開始） 。我們現(xiàn)在可以搜索我們創(chuàng)建的樹結(jié)構(gòu)來搜索sub-clusters，在我們原來的2-D視圖中看起來像這樣：
基于密度的聚類
分層聚類有助于理解數(shù)據(jù)中的任何隱藏結(jié)構(gòu)，但它有一個主要的缺陷 。在上面顯示的版本中，我們假設(shè)每個數(shù)據(jù)點都是相關(guān)的 – 在現(xiàn)實世界中幾乎不是這種情況 。
基于密度的聚類方法提供安全閥 。我們只關(guān)注緊密堆積的點并假設(shè)其他一切都是噪聲，而不是假設(shè)每個點都是某個cluster的一部分 。
該方法需要兩個參數(shù)：半徑ε和鄰域密度Σ 。對于每個點，我們計算Neps（x） – 距離x最多ε的點數(shù) 。如果Neps（x）≥Σ，不計算x，那么x被認為是核心點 。如果一個點不是核心點，但它是核心點鄰域的成員，那么它被認為是邊界點 。其他一切都被認為是噪音 。
基于密度的聚類的最常見的實現(xiàn)之一，實際上，是基于密度的有噪聲的應(yīng)用程序的空間聚類，稱為DBSCAN 。DBSCAN的工作原理是跨不同的核心點運行連通分量算法 。如果兩個核心點共享邊界點，或者核心點是另一個核心點鄰域中的邊界點，那么它們就是相同連通分量的一部分，這組成了一個聚類 。
假設(shè)我們有一個相對較小的ε和一個相當大的Σ 。我們可能會結(jié)束這樣的聚類：
那兩個孤獨的點距離兩個clusters很遠，而且他們真的沒有什么意義 – 所以它們只是噪音 。
請注意，我們也能夠以這種方式發(fā)現(xiàn)非凸簇（參見橙色?。?。很簡約！
我們不需要為基于密度的聚類指定一些我們感興趣的聚類 – 它會根據(jù)您的ε和Σ自動發(fā)現(xiàn)一些聚類 。當您希望所有群集具有相似的密度時，這尤其有用 。
K-Means聚類
分層聚類擅長于發(fā)現(xiàn)數(shù)據(jù)中的嵌入式結(jié)構(gòu)，而基于密度的方法在尋找具有相似密度的未知數(shù)量的聚類方面表現(xiàn)優(yōu)異 。但是，兩者都無法在整個數(shù)據(jù)集中找到“共識” 。分層聚類可以將看起來很接近的聚類放在一起，但不考慮其他點的信息 ?；诿芏鹊姆椒▋H查看附近點的小鄰域，同樣無法考慮完整數(shù)據(jù)集 。
這就是K-means聚類的用武之地 。從某種意義上說，K-means考慮數(shù)據(jù)集中的每個點，并使用該信息在一系列迭代中進化聚類 。
推薦閱讀
- 小米音響小愛設(shè)置方法是什么
- 鱔魚土池養(yǎng)殖方法是什么
- 汽車eco正確使用方法是什么
- ex泰蘭特是什么組成的
- 職業(yè)生涯的重要環(huán)節(jié)和流程是什么
- 7月19日是什么星座
- 8月22日是什么星座
- 3月14號是什么星座
- 10月27日是什么星座
- 農(nóng)村養(yǎng)的貓是什么品種