聚类概念

无监督问题：我们手里没有标签

聚类：相似的东西分到一组

难点：如何评估，如何调参

算法概述

一、k-means 算法

基本概念：

1.要得到簇的个数，需要指定k值

2.质心：均值，即向量各纬取平均即可

3.距离的度量：常用欧几里得距离和余弦相似度（先标准化）

4.优化目标：

k-means优化目标

工作流程：

聚类过程

k-means 

优势：

简单，快速，适合常规数据集

劣势：

··k值难确定

··复杂度与样本呈线性关系

··很难发现任意形状的簇

二、DBSCAN算法

基本概念：

1. 核心对象：若某个点的密度达到算法设定的阈值则其为核心点。（即r领域内点的数量不小于minPts）

2.ϵ-邻域的距离阈值：设定的半径r

3.直接密度可达：若某点p在点q的r 邻域内，且q是核心点则p-q直接密度可达。

4.密度可达：若有一个点的序列q0、q1、…qk，对任意qi-qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可达的“传播”。

5.密度相连：若从某核心点p出发，点q和点k都是密度可达的,则称点q和点k是密度相连的。

6.边界点:属于某一个类的非核心点,不能发展下线了

7.直接密度可达：若某点p在点q的r 邻域内，且q是核心点则p-q直接密度可达。

8.噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的

见下图：

A：核心对象;    B,C：边界点;    N：离群点

工作流程：

参数D：输入数据集

参数ϵ：指定半径

MinPts：密度阈值

参数选择：

半径ϵ，可以根据K距离来设定：找突变点

K距离：给定数据集P={p(i); i=0,1,…n}，计算点P(i)到集合D的子集S中所有点之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k-距离。

MinPts：k-距离中k的值，一般取的小一些，多次尝试

dbscan算法

优势：

不需要指定簇个数

可以发现任意形状的簇

擅长找到离群点（监测任务）

两个参数就够了

劣势：

高维数据有些困难（可以做降维）

参数难以选择（参数对结果的影响非常大）

SKLEARN中效率很慢（数据削减策略）