聚类分析

群集分析涉及应用聚类算法，其目标是在数据集中查找隐藏模式或分组的目标。因此，它经常在探索性数据分析中使用，但也用于受监督学习的异常检测和预处理。

群集算法形式的分组以这样的方式：组（或群集）内的数据具有比任何其他群集中的数据的相似性更高。可以使用各种相似度措施，包括欧几里德，概率，余弦距离和相关性。最多无人监督的学习方法是一种聚类分析形式。

聚类算法落入两组广泛的组：

1. 硬群，每个数据点只属于一个群集，例如流行K.- eans方法。
2. 软聚类，其中每个数据点可以属于多个群集，例如在高斯混合模型中。示例包括语音中的音素，其可以被建模为可以参与多个生物过程的多个基本声音和基因的组合。

群集分析用于各种域和应用程序以识别模式和序列：

• 群集可以代表数据而不是数据压缩方法中的原始信号。
• 群集表示分割算法中的图像区域和激光雷达云。
• 遗传聚类和序列分析用于生物信息学。

聚类技术还用于在半监督学习中建立标记和未标记的数据之间的相似性，其中初始模型由最小标记数据构建，并用于将标签分配给最初未标记的数据。相比之下，半监督群集将有关群集的可用信息包含到聚类过程中，例如，如果已知某些观察属于同一群集，或者某些集群与特定的结果变量相关联。

马铃薯^®万博1manbetx支持许多流行的聚类分析算法：

• 分层群集通过创建群集树构建多级层次结构。
• k-means聚类将数据分区为基于与群集质心的距离的k个不同的群集。
• 高斯混合模型形成簇作为多变量正常密度组分的混合物。
• 空间聚类（例如基于流行的密度的DBSCAN）彼此在高密度区域彼此接近的群体，在低密度区域中跟踪异常值。可以处理任意的非凸形形状。
• 自组织地图使用学习数据拓扑和分发的神经网络。
• 光谱聚类将输入数据转换为基于图形的表示，其中群集优于原始特征空间中的群集。通过研究图形的特征​​值，可以估计簇的数量。
• 隐藏的马尔可夫模型可用于发现序列中的模式，例如生物信息学中的基因和蛋白质。

关键点

• 群集分析经常用于探索性数据分析，用于异常检测和分割，以及监督学习的预处理。
• K.- 模拟和分层聚类仍然很流行，但对于非凸形形状，需要更高级技术，如DBSCAN和频谱聚类。
• 可用于发现数据中的分组的其他无监督方法包括维度减少技术和特征排名。