如何为数据集选择正确的聚类算法_可思数据-人工智能媒体资讯平台！

如何为数据集选择正确的聚类算法

作者：张晓艺来源：IT168|

应用聚类算法比选择最佳算法要容易得多。每种类型都有其优缺点，如果您想要一个整洁的集群结构，就必须认真考虑。

数据聚类是安排正确的整个数据模型的重要步骤。为了进行分析，应根据共同点整理信息。主要的问题是，什么样的公共参数提供最好的结果以及“最好”包含什么意思。

本文介绍了最广泛的聚类算法及其深入阐述。根据每种方法的特殊性，提供了对使用其应用的建议。

四种基本算法以及如何选择

根据聚类模型，可以区分四种常见的算法类别。一般而言，算法不少于100种，但是它们的流行程度以及应用领域都不是较为广泛。

基于整个数据集对象之间距离的计算，被称为基于连接的或分层的。根据算法的“方向”，它可以联合或相反地分割信息数组——聚集和分裂的名称就是从这种精确的变化中出现的。最流行或者说最合理的类型是凝聚型，您首先输入数据点的数量，然后将这些数据点合并成越来越大的集群，直到达到极限。

基于连接的集群化最突出的例子是植物分类。数据集的“树”开始于一个特定的物种，结束于一些植物“王国”，每个“王国”由更小的集群(门、类、目等)组成。

在应用了其中一种基于连接的算法之后，您将收到一个数据树状图，它将向您展示信息的结构，而不是其在集群上的明显分离。这样的特性既有好处也有坏处:算法的复杂性可能会变得过于复杂，或者根本不适用于层次结构很少甚至没有层次结构的数据集。还会出现糟糕的性能:由于大量的重复，完整的处理将花费大量时间。最重要的是无法得到精确的结构使用层次算法。

同时，需要从计数器输入的数据归结为数据点的数量，不会对最终结果产生实质性的影响，或者是预先设定的距离度量，它是粗略测量的。

根据我的经验，基于中心体的集群是最常见的模型，因为它比较简单。该模型旨在将数据集的每个对象分类到特定的集群中。集群的数量(k)是随机选择的，这可能是该方法最大的“弱点”。这种算法由于与k近邻(k-nearest neighbor, kNN)方法的相似性，在机器学习中特别受欢迎。

计算过程包括多个步骤。首先，选择输入数据，将数据集划分的大致聚类数。聚类的中心应放置在尽可能远的位置，这将提高结果的准确性。

其次，该算法找到数据集的每个对象与每个聚类之间的距离。最小坐标确定了将对象移动到哪个群集。

之后，将根据所有对象坐标的平均值重新计算聚类的中心。重复算法的第一步，但是重新计算了集群的新中心。除非达到某些条件，否则此类迭代将继续。例如，当集群的中心距上次迭代没有移动或移动不明显时，该算法可能会结束。

尽管数学和编码都很简单，但k均值仍有一些缺点，因此我无法在所有可能的地方使用它。那包括：

疏忽了每个集群的边缘，因为优先级设置在集群的中心，而不是边界;

无法创建一个数据集结构，该结构的对象可以按等量的方式分类到多个群集中;

需要猜测最佳k值，或者需要进行初步计算以指定此量规。

同时，期望最大化算法可以避免那些复杂情况，同时提供更高的准确性。简而言之，它计算每个数据集点与我们指定的所有聚类的关联概率。用于该聚类模型的主要“工具”是高斯混合模型(GMM)，假设数据集的点通常遵循高斯分布。

k-means算法基本上是EM原理的简化版本。它们都需要手动输入集群数，这是此方法所要面对的主要问题。除此之外，计算原理(对于GMM或k均值)很简单：集群的近似范围是在每次新迭代中逐渐指定的。

与基于质心的模型不同，EM算法允许对两个或多个聚类的点进行分类-它仅向您展示每个事件的可能性，您可以使用该事件进行进一步的分析。更重要的是，每个聚类的边界组成了不同度量的椭球体，这与k均值不同，在k均值中，聚类在视觉上表示为圆形。但是，该算法对于对象不遵循高斯分布的数据集根本不起作用。这是该方法的主要缺点：它更适用于理论问题，而不是实际的测量或观察。

最后，基于数据密度的聚类成为数据科学家心中最青睐的非官方方法，包括模型的要点，将数据集划分为聚类，计数器会输入ε参数，即“邻居”距离。因此，如果对象位于ε半径的圆(球)内，则它与群集有关。