聚类分析

聚类分析涉及应用聚类算法，目的是在数据集中发现隐藏的模式或分组。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，即一组(或一簇)中的数据比任何其他簇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。例如，语音中的音素可以建模为多个基本声音的组合，基因可以参与多种生物过程。

聚类分析用于多种领域和应用，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。
• 在分割算法中，簇表示图像和激光雷达点云的区域。
• 遗传聚类和序列分析被用于生物信息学。

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，其中初始模型使用最小标记数据建立，并用于为原始未标记数据分配标签。相比之下，半监督聚类将有关聚类的可用信息合并到聚类过程中，例如，如果已知某些观测值属于同一个聚类，或者某些聚类与特定的结果变量相关联。

MATLAB^®金宝app支持多种流行的聚类分析算法：

• 分层聚类通过创建群集树来构建群集的多级层次结构。
• k-均值聚类根据到聚类中心的距离将数据划分为k个不同的聚类。
• 高斯混合模型以多元正态密度分量的混合形式形成簇。
• 空间聚类(例如流行的基于密度的DBSCAN)对高密度区域中彼此接近的点进行分组，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数据拓扑和分布的神经网络。
• 谱聚类将输入数据转换为基于图的表示，其中的聚类比原始特征空间中分离得更好。通过研究图的特征值可以估计出簇的数目。
• 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-均值和层次聚类仍然很流行，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无监督方法包括降维技术和特征排序。