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。

群集算法形式的分组以这样的方式：组（或群集）内的数据具有比任何其他群集中的数据的相似性更高。可以使用各种相似度措施，包括欧几里德，概率，余弦距离和相关性。最多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. 硬群，每个数据点只属于一个群集，例如流行K- eans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。

群集分析用于各种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：

• 分层群集通过创建群集树来构建群集的多级层次结构。
• k-均值聚类将数据分区为基于与群集质心的距离的k个不同的群集。
• 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（例如基于流行的密度的DBSCAN）彼此在高密度区域彼此接近的群体，在低密度区域中跟踪异常值。可以处理任意的非凸形形状。
• 自组织映射使用学习数据拓扑和分布的神经网络。
• 光谱聚类将输入数据转换为基于图形的表示，其中群集优于原始特征空间中的群集。通过研究图形的特征​​值，可以估计簇的数量。
• 隐藏的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。

关键点

• 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。