文章目录
一、基本概念
聚类是把一个数据对象划分成多个组或簇的过程，使得簇内对象相似度很高，而簇间对象相似度很低。
聚类属于无监督分类方式。
主要得的聚类方法主要有：基于划分的方法，基于层次的方法，基于密度的方法，基于网格的方法，基于模型的方法。
二、基于划分的方法
1.划分的思想
给定一个有n个数据对象的集合，基于划分的方法会构建数据的k个分组，其中每个分组表示一个簇。
对于给定的分组数k，算法会首先给出一个初始的分组方法，然后通过不断迭代的方法改变分组，使得同一组内的距离越来越近，不同组间的距离越来越远。
基于划分思想的算法有k-means，k-中心点。
如果想达到全局最优，则需要穷举所有可能的划分，计算量极大，可以采用启发式方法，比如k-means，k-中心点，逐渐的提高划分质量，逼近局部最优解。
2.K-means
算法步骤：
（1）在n个数据对象的集合中，随机的选择k个点，分别做为k个簇的中心。
（2）分别计算其余点和k个簇中心点的距离，离哪一个簇中心点最近，就将其划分到对应的簇。
（3）对于每个簇，重新计算簇中心点。
（4）不断循环下去，直至达到算法终止条件。
初始质心的选择：
最常见的方法是随机的选择初始质心，为了得到更好的结果可以多次运行算法。
距离度量：
对欧氏空间内的点使用欧几里得距离度量
对于文档使用余弦相似性度量
簇中心计算方法：
在步骤三中，如何重新计算簇中心呢，取簇中所有对象每一个维度的算术平均值。
其中d代表维度，v代表新的簇中心坐标点，|Ck|代表簇内点的个数。
目标函数：聚类的目标函数依赖于点到簇的质心的邻近性，使用误差的平方和（SSE）作为度量聚类质量的目标函数。
定义如下：
首先求每个簇中，每个数据点xi到簇中心vk的距离平方和，然后把所有簇的距离和再求和。
步骤（2）和步骤（3）就是在最小化SSE，但是只能确保找到的是局部最优解。
算法停止条件：
（1）设定迭代次数。
（2）簇类中心不再变化。
（3）前后两次聚类结果的SSE变化很小。
优缺点：
优点：K-means的复杂度O（tkn），其中n是数据对象的个数，k是簇数，t是迭代的次数，通常t，k都远远小于n
缺点：需要事先给出k的值，不能处理噪声数据和孤立点，鲁棒性较差，不适合发现非球形簇。
3.k-中心点算法
由于K-means不能处理噪声数据和离群点，k-中心点算法是对k-manes的改进，改进之后，能够能够处理噪声点和离群点。
PAM是一种k-中心点算法。
改进点如下：
在更新簇中心时，不是计算簇内所有点的算术平均值做为新的簇中心点，而是选择离所有点距离最小的点做为新的中心点。
PAM使用绝对误差标准来衡量聚类质量
其中k代表k个聚类，p代表簇Ci中非代表对象，Oi代表簇Ci中的代表对象。
步骤如下：
（1）在n个数据对象的集合中，随机的选择k个点，分别做为k个簇的中心。
（2）分别计算其余点和k个簇中心点的距离，离哪一个簇中心点最近，就将其划分到对应的簇。
（3）对于每个簇，将簇中每个点都依次做为代表对象，然后选择绝对误差标准最小的点做为簇中心点。
（4）不断循环下去，直至达到算法终止条件。
三、基于层次的方法
基于层次的方法可以分为凝聚与分类。
凝聚层次分类：自底向上，刚开始将每个对象单独做为一个簇，然后将相似的簇逐渐合起来，直到达到终止条件。
分类层次聚类：自顶向下，刚开始所有对象都在一个簇中，然后不断的分裂，直到达到终止条件。
1.簇间距离：
无论时哪一种方法，都需要度量簇间的距离，根据度量方法的不同，将层次聚类分为单连接，全连接和平均连接。
其中单连接采用的是最小距离
全连接采用的是最大距离
平均连接采用的是平均距离
除此之外，还有均值距离
最小距离：代表不同簇之间最近的两个点之间的距离
最大距离：代表不同簇之间最远的两个点之间的距离
均值距离：代表不同簇中心点之间的距离
平均距离：代表不同簇所有点之间距离的平均值
以上四种距离的示意图如下：
2.AGNES
该算法使用单连接方法和距离矩阵，然后合并距离最小的相异点，继续计算新的距离矩阵，继续合并距离最小的相异点。直到达到簇的数目。
一个实例如下：
二维空间中有以下五个点，使用单连接算法进行聚类。
第一步：计算距离矩阵
可以得到，3和4之间的距离5是最小的，所以将3和4聚成一类。
第二步：重新计算距离矩阵
原来簇1，2，5之间的距离不变，改变的是1，2，5和簇（3，4）之间的距离。更新后的距离矩阵如下
可以得到簇1和簇5之间的距离1.07是最小的，所以把1和5聚成一类。
第三步：重新计算距离矩阵
需要计算簇2和簇（1，5）和簇（3，4）这三种之间的距离。更新之后的距离矩阵如下：
可以得到簇2和簇（3，4）之间的距离最小，所以将簇2和簇（3，4）聚成一类。
第四步：重新计算距离矩阵
只需要计算簇（2，3，4）和簇（1，5）
之间的距离。
最后将簇（1，5）和簇（2，3，4）聚成一类。
单连接算法的距离都是指的最小距离。
如果设置了终止条件，在中途就会退出。
用树状图将其可视化描述出来如下：
用户可以定义希望得到的簇数作为一个终止条件。
最小最大度量对于离群点和噪声数据很敏感。
使用均值距离和平均距离是一种折中的方案，可以克服离群点敏感性问题。
四、基于密度的方法
基于划分和层次的方法都旨在发现球状簇，不能发现任意形状的簇。而基于密度聚类的方法可以发现任意形状的簇，可以把簇看作数据空间中被稀疏区域分开的稠密区域。
1.DBSCAN算法
EPS邻域：某个点指定半径为r的圆区域。
Minpts：最少包含的点的个数。
核心点：该点的邻域内的点的个数超过指定阈值MinPoints。
边界点：边界点是位于核心点内的点，同时，该点的EPS邻域内，没有新的，未被标记的点。
离群点：既不是边界点也不是核心点。
直接密度可达：给定一个对象集合D，如果p在q的Eps邻域内，而q是一个核心对象，则称对象p从对象q出发时是密度可达的。
密度可达：如果存在一个对象链，p1，p2，…，pn，p1 = q，pn = p，且对于任意的pi，pi+1是直接密度可达的，则对象p是从对象q出发是密度可达到。
密度相连：如果存在一个对象O，使得对象p和对象q都是从O密度可达的，那么对象p和对象q是密度相连的。
由于MinPts = 3，
M，P是核心点，Q不是核心点。
O，T是核心点，S，R不是核心点。
由于M在P的邻域内，P是核心点，所以M从P出发直接密度可达。
由于Q在M的邻域内，M是核心点，所以Q从M出发直接密度可达，Q从P出发密度可达。
同理，S从O出发密度可达，R从O出发密度可达，所以S和R密度相连。
算法步骤：
可以看到，DBSCAN会找到最大密度相连的点的集合。
优点：
基于密度定义，对噪声不敏感，可以发现任意形状的簇
缺点：
当聚类密度不均匀时，聚类质量不好。
当数据量较大，数据维度较高时，容易内存溢出。
五、聚类评估
聚类评估主要包括如下任务：
估计聚类趋势，确定数据集中的簇数
测定聚类质量
1.估计聚类趋势
只有当数据集中存在非随机结构，聚类分析才有意义。
（1）如果聚类误差随着聚类类别数量的变化而变化不显著，说明数据是随机分布的，即不存在非随机结构。
（2）霍普金斯统计量：
第一步，均匀在数据集D中抽取n个点p1，p2，p3，…，pn。对于其中每一个点，都计算数据集D中离该点最近的点，并记录其距离为xi。
第二步，均匀在数据集D中抽取n个点q1，q2，q3，…，qn。对于其中每一个点，都计算数据集D中离该点最近的点，并记录其距离为yi。
如果D为随机分布，H大约为0.5
如果聚类趋势明显，则H的值接近于1或0
一般H>0.75,则可以聚类的置信度90%
2.聚类簇数的确定
经验方法：簇数p大约为
拐点法：绘制簇内方差和关于簇数的曲线，拐点的簇数就是设置的簇数。
交叉验证法：对于给定的数据集分成m份，用m-1份构建聚类模型，用剩下的一份检验聚类的质量，选择聚类质量最高的聚类模型，并使用其K作为聚类簇数。
3.聚类质量的测定：
外在方法：有监督的方法，熵，纯度，精度，召回率，F度量。具体公式看教材。
内在方法：无监督方法，考察簇间的分离情况和簇内的紧凑情况。
轮廓系数S（O）
其中数据集D被分成了k个簇，分别为C1,C2,C3,…,Ck，对于每一个数据对象O
a（O）代表着O与O所在的簇其他所有点的平均距离。
b（O）代表着O与O所不在的其他所有簇的簇间最小平均距离。
a（O）的值反映簇内的紧凑性，值越小越紧凑。b（O）的值反映簇间的分离程度，值越大越分离。
当o簇的轮廓系数S（O）值越接近于1，O所在的簇是紧凑的，并且远离其他簇。