- 機(jī)器學(xué)習(xí)所負(fù)責(zé)的任務(wù)的分類方法介紹

聚類是一種無(wú)監(jiān)督的學(xué)習(xí)任務(wù)，用于基于數(shù)據(jù)集中的固有結(jié)構(gòu)來(lái)發(fā)現(xiàn)自然的觀測(cè)分組（即聚類）。例子包括客戶細(xì)分，電子商務(wù)中的類似項(xiàng)目分組以及社交網(wǎng)絡(luò)分析。

因?yàn)榫垲愂菬o(wú)監(jiān)督的（即沒(méi)有“正確答案”），所以通常使用可視化的數(shù)據(jù)來(lái)評(píng)估結(jié)果。如果有“正確的答案”（即你的訓(xùn)練集中有預(yù)標(biāo)記的聚類），那么選擇分類算法通常更合適。

3.1。K-Means算法

K-Means算法是一種通用算法，它根據(jù)點(diǎn)之間的幾何距離（即坐標(biāo)平面上的距離）進(jìn)行聚類。這些集群圍繞著質(zhì)心分組，使它們成為球形，并具有相似的大小。

對(duì)于初學(xué)者來(lái)說(shuō)，這是我們推薦的一種算法，因?yàn)樗芎?jiǎn)單，而且足夠靈活，可以為大多數(shù)問(wèn)題獲得合理的結(jié)果。

優(yōu)點(diǎn)：K-Means算法是最流行的聚類算法，因?yàn)槿绻腩A(yù)處理數(shù)據(jù)或者編譯有用的功能，它是一種快速，簡(jiǎn)單和擁有令人驚訝的靈活性的一種算法。

缺點(diǎn)：用戶必須指定簇的數(shù)目，這并不總是很容易的。另外，如果數(shù)據(jù)中真實(shí)的底層聚類不是球狀的，那么K-Means算法將產(chǎn)生錯(cuò)誤的聚類。

實(shí)現(xiàn)：Python/ R

3.2。近鄰傳播

近鄰傳播是一種相對(duì)較新的聚類技術(shù)，可以根據(jù)點(diǎn)之間的圖距進(jìn)行聚類。集群傾向于變得更小和具有不均勻的大小。

優(yōu)點(diǎn)：用戶不需要指定簇的數(shù)量（但是需要指定“樣本偏好”和“阻尼”超參數(shù)）。

缺點(diǎn)：近鄰傳播的主要缺點(diǎn)是速度很慢，占用內(nèi)存很大，難以擴(kuò)展到較大的數(shù)據(jù)集。另外，它也需要假設(shè)真正的底層集群是球狀的。

實(shí)現(xiàn)：Python/ R

3.3。分層/凝聚

分層聚類，又名聚集聚類，是基于相同思想的一套算法：（1）從它自己的聚類中的每個(gè)點(diǎn)開(kāi)始。 （2）對(duì)于每個(gè)簇，根據(jù)一些標(biāo)準(zhǔn)將其與另一個(gè)簇合并。 （3）重復(fù)，直到只剩下一個(gè)群集，并留下一個(gè)簇的層次結(jié)構(gòu)。

優(yōu)點(diǎn)：分層聚類的主要優(yōu)點(diǎn)是不會(huì)假設(shè)球體是球狀的。另外，它可以很好地?cái)U(kuò)展到更大的數(shù)據(jù)集里。

缺點(diǎn)：就像K-Means算法一樣，用戶必須選擇聚類的數(shù)量（即在算法完成之后要保留的層次級(jí)別）。

實(shí)現(xiàn)：Python/ R

3.4。 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）

DBSCAN是一種基于密度的算法，可以為密集的點(diǎn)區(qū)域生成集群。還有一個(gè)最近的新發(fā)展被稱為HDBSCAN，允許產(chǎn)生密度不同的集群。

優(yōu)點(diǎn)：DBSCAN不假設(shè)集群為球狀，其性能也是可擴(kuò)展的。另外，它不需要將每個(gè)點(diǎn)都分配給一個(gè)簇，從而減少簇的噪聲（這可能是一個(gè)弱點(diǎn)，取決于你的用的地方）。

缺點(diǎn)：用戶必須調(diào)用超參數(shù)“epsilon”和“min_samples”，它們定義了簇的密度。 DBSCAN對(duì)這些超參數(shù)非常敏感。

實(shí)現(xiàn)：Python/ R