查找并可视化数据中的自然分组和模式
聚类分析涉及应用聚类算法,目的是在数据集中找到隐藏的模式或分组。因此,它经常用于探索性数据分析,但也用于异常检测和监督学习的预处理。
聚类算法以这样一种方式形成分组:组(或集群)中的数据比任何其他集群中的数据具有更高的相似性度量。可以使用各种相似度量,包括欧氏、概率、余弦距离和相关性。大多数无监督学习方法是聚类分析的一种形式。
聚类算法分为两大类:
- 硬聚类,其中每个数据点只属于一个聚类,如流行的k——方法。
- 软聚类,其中每个数据点可以属于多个聚类,例如在高斯混合模型中。例子包括语音中的音素,它可以被建模为多个基本声音的组合,以及可以参与多个生物过程的基因。
聚类分析用于各种领域和应用程序,以识别模式和序列:
- 在数据压缩方法中,聚类可以代替原始信号来表示数据。
- 在分割算法中,聚类表示图像和激光雷达点云的区域。
- 遗传聚类和序列分析是生物信息学中常用的方法。
在半监督学习中,聚类技术还用于建立标记数据和未标记数据之间的相似性,其中初始模型用最小的标记数据建立,并用于为原始的未标记数据分配标签。相比之下,半监督聚类将关于聚类的可用信息合并到聚类过程中,例如,如果已知一些观察数据属于同一聚类,或者一些聚类与特定的结果变量相关。
MATLAB®支持许多流行的聚类分析算法:
- 分层聚类通过创建集群树来构建集群的多层层次结构。
- k - means聚类根据到群集中心的距离,将数据划分为k个不同的群集。
- 高斯混合模型形成集群作为多元法向密度成分的混合物。
- 空间聚类(例如流行的基于密度的DBSCAN)将高密度区域中彼此接近的点分组,跟踪低密度区域中的异常值。可以处理任意非凸形状。
- 自组织映射使用学习拓扑和数据分布的神经网络。
- 谱聚类将输入数据转换为基于图形的表示,其中集群比原始特征空间中更好地分离。通过研究图的特征值可以估计出簇的个数。
- 隐马尔可夫模型可用于发现序列中的模式,如生物信息学中的基因和蛋白质。
要点
- 聚类分析常用于探索性数据分析、异常检测和分割以及监督学习的预处理。
- k-means和分层聚类仍然流行,但对于非凸形状,需要更先进的技术,如DBSCAN和谱聚类。
- 可用于发现数据分组的其他非监督方法包括降维技术和特征排序。
MATLAB中的聚类分析实例
使用imsegkmeans
命令(该命令使用k-means算法),MATLAB对原始图像(被血氧素和伊红染色的组织)分配了三个聚类,提供了组织的分割为三类(表示为白色、黑色和灰色)。尝试它自己以及相关的分割方法以下代码示例.