聚类分析

聚类分析涉及应用聚类算法，目标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:一个组(或聚类)内的数据比任何其他聚类中的数据具有更高的相似性度量。可以使用各种相似度量，包括欧几里得、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:

1. 硬聚类，即每个数据点只属于一个聚类，如流行k——方法。
2. 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音的组合，以及可以参与多个生物过程的基因。

聚类分析被用于各种领域和应用，以识别模式和序列:

• 在数据压缩方法中，聚类可以表示数据而不是原始信号。
• 聚类在分割算法中表示图像和激光雷达点云的区域。
• 遗传聚类和序列分析用于生物信息学。

在半监督学习中，还使用聚类技术来建立有标签和无标签数据之间的相似性，其中用最小的标签数据构建初始模型，并用于为原始的无标签数据分配标签。相比之下，半监督聚类将关于聚类的可用信息整合到聚类过程中，比如已知某些观察数据属于同一聚类，或者某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聚类根据到群集质心的距离，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(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。可以处理任意的非凸形状。
• 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，其中集群比在原始特征空间中更好地分离。可以通过研究图的特征值来估计聚类的数量。
• 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，以及作为监督学习的预处理。
• 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和光谱聚类。
• 可用于发现数据分组的其他无监督方法包括降维技术和特征排序。