聚类(Clustering)：按照某个特定标准(如：距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，不在同一个簇中的数据对象的差异性也尽可能地大；聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
聚类一般过程：
- 数据准备：特征标准化、降维
- 特征选择：从最初的特征中选择最有效的特征，并将其存储在向量中
- 特征提取：通过对选择的特征进行转换形成新的突出特征
- 聚类：基于某种距离函数进行相似度度量，获取簇
- 聚类结果评估：分析聚类结果，如
距离误差和(SSE)等
数值型数据相似度度量：
Minkowski?就是LP范数(P >= 1)，而?Manhattan?、Euclidean、Chebyshev对应 P = 1、2、无穷
簇间距离度量：Ci 和 Cj 为两个簇
Single-link：两个簇间的距离为两个簇间距离最近的两个点之间的距离，会在聚类过程中产生链式效应，可能会出现非常大的clusterComplete-link：两个簇间的距离为两个簇间距离最远的两个点之间的距离，可以避免链式效应`，对异常样本点非常敏感，容易产生不合理的聚类。UPGMA：Single-link和Complete-link的折中，两个簇间的距离为两个簇间所有点距离均值WPGMA：两个簇间的距离的加权平均值，加权是为了使两个簇对距离的计算的影响在同一层次上，而不受簇大小的影响，具体公式和采用的权重方案有关。
聚类方法
划分式聚类：需要事先指定簇类的数目或者聚类中心，反复迭代达到 簇内的点足够近，簇间的点足够远 的目标；如：k-means、k-means++、bi-kmeans、kernel k-means等；对于凸性数据具有良好的效果。
k-means 特定：需要提前确定 k 值、对初始质心点敏感、对异常数据敏感。
k-mean++:
bi-kmeans:针对kmeans算法会陷入局部最优的缺陷进行的改进算法。基于SSE最小化的原理，首先将所有的数据点视为一个簇，然后将该簇一分为二，之后选择其中一个簇继续进行划分，选择哪一个簇进行划分取决于对其划分是否能最大程度的降低SSE的值。SSE(Sum of Squared Error)，一种度量聚类效果的指标，表示聚类后离该簇的聚类中心距离的平方和，SSE越小，聚类效果越好。
bi-kmeans 是全局最优的方法，所以每次计算出来的SSE值基本是一样的。
密度聚类方法：需要定义两个参数，邻域半径和邻域密度阈值。
构建邻域半径可使用 kd-tree 优化；
DBSACN 密度聚类特点：
- 需要提前确定邻域半径和邻域密度阈值
- 不需要提前设置聚类的个数
- 对初值选取敏感，对噪声不敏感
- 对密度不均的数据聚合效果不好
OPTICS 聚类：DBSCAN算法使用了统一的邻域半径，当数据密度不均匀的时候，如果设置了较小的值，则较稀疏的簇中的节点密度会小于邻域密度阈值，会被认为是边界点而不被用于进一步的扩展；如果设置了较大的值，则密度较大且离的比较近的簇易被划为同一个簇。
核心距离：给定邻域半径和邻域密度，在邻域半径内能达到邻域密度的最小半径值。
可达距离：给定的领域半径和密度内，在核心距离外同时在领域半径内的点的距离。
insert_list() 算法过程：
算法最终获取知识是一个输出序列，该序列按照密度不同将相近密度的点聚合在一起，而不是输出该点所属的具体类别，获取该点所属类型，需要再设置参数
提取出具体的类别。
?
层次聚类方法：?将数据集分为一层一层的簇，后一层簇是基于前面一层的结果。
前面的算法可以在较小复杂度内获取较好的结果，但却存在链式效应，如：A与B相似，B与C相似，聚类时会将A、B、C聚合到一起，但如果A与C不相似，就会造成聚类误差，误差可能一直传下去。层次聚类可解决链式效应问题。
- Agglomerative 层次聚类：自底向上（bottom-up）的层次聚类，每一个对象开始都是一个 簇，每次按一定的准则将最相近的两个簇合并生成新簇，直至最终所有的对象都属于一个簇。
- Divisive 层次聚类： 自顶向下（top-down）的层次聚类，开始所有对象均属于一个簇，每次按一定的准则将某个簇划分为多个簇，直至每个对象均是一个簇。
层次聚类是贪心算法（greedy algorithm），其每一次合并或划分都是基于某种局部最优的选择。
聚类方法比较
?
参考：