引导者

## 聚类分析方法概述聚类分析是一种无监督学习技术，旨在将数据点分组为称为簇的相似组。这些簇由算法根据数据点的特征或属性创建，无需任何先验知识或标记的数据。聚类分析可用于识别数据中的模式、发现异常值和执行市场细分。### 层次聚类

单链法 (SLINK)：

根据两个簇中最接近的数据点之间的距离来测量簇之间的距离。

全链法 (CLINK)：

根据两个簇中最远的两个数据点之间的距离来测量簇之间的距离。

截断距离法：

根据超过给定阈值的簇对之间的最短距离来合并簇。

沃德法：

最小化簇内差异的平方和来合并簇。### 划分聚类

k 均值：

将数据点分配到 k 个簇中，每个簇由簇中心或质心表示。迭代算法将数据点移动到与之最接近的质心。

k 中值：

类似于 k 均值，但质心是用簇中数据点的中值而不是均值来计算的。

BIRCH（平衡迭代归约和聚类层次）：

建立一个层次结构来表示簇，使用中心点和直径来表示每个簇。### 基于密度聚类

DBSCAN（基于密度的空间聚类）：

识别由高密度点组成的簇，并用低密度点分隔。

OPTICS（排序点识别）：

将数据点排序并基于密度可达性识别簇。### 谱聚类

谱聚类：

将数据点映射到较低维度的空间，然后使用标准聚类算法在该空间中聚类数据点。### 模糊聚类

模糊 c 均值：

允许数据点同时属于多个簇，具有不同的隶属度。

FPC（模糊可能性 C 均值）：

类似于模糊 c 均值，但它通过考虑数据的不确定性来提高鲁棒性。### 基于模型的聚类

有限混合模型：

将数据建模为多个正态分布的混合，其中每个分布代表一个簇。

混合高斯模型：

使用高斯分布来表示簇的形状和大小。

聚类分析方法概述聚类分析是一种无监督学习技术，旨在将数据点分组为称为簇的相似组。这些簇由算法根据数据点的特征或属性创建，无需任何先验知识或标记的数据。聚类分析可用于识别数据中的模式、发现异常值和执行市场细分。

层次聚类* **单链法 (SLINK)：**根据两个簇中最接近的数据点之间的距离来测量簇之间的距离。 * **全链法 (CLINK)：**根据两个簇中最远的两个数据点之间的距离来测量簇之间的距离。 * **截断距离法：**根据超过给定阈值的簇对之间的最短距离来合并簇。 * **沃德法：**最小化簇内差异的平方和来合并簇。

划分聚类* **k 均值：**将数据点分配到 k 个簇中，每个簇由簇中心或质心表示。迭代算法将数据点移动到与之最接近的质心。 * **k 中值：**类似于 k 均值，但质心是用簇中数据点的中值而不是均值来计算的。 * **BIRCH（平衡迭代归约和聚类层次）：**建立一个层次结构来表示簇，使用中心点和直径来表示每个簇。

基于密度聚类* **DBSCAN（基于密度的空间聚类）：**识别由高密度点组成的簇，并用低密度点分隔。 * **OPTICS（排序点识别）：**将数据点排序并基于密度可达性识别簇。

谱聚类* **谱聚类：**将数据点映射到较低维度的空间，然后使用标准聚类算法在该空间中聚类数据点。

模糊聚类* **模糊 c 均值：**允许数据点同时属于多个簇，具有不同的隶属度。 * **FPC（模糊可能性 C 均值）：**类似于模糊 c 均值，但它通过考虑数据的不确定性来提高鲁棒性。

基于模型的聚类* **有限混合模型：**将数据建模为多个正态分布的混合，其中每个分布代表一个簇。 * **混合高斯模型：**使用高斯分布来表示簇的形状和大小。