應用聚類算法比選擇最佳算法要容易得多。 每種類型都有其優缺點，如果您想要一個整潔的集群結構，就必須認真考慮。

數據聚類是安排正確的整個數據模型的重要步驟。為了進行分析，應根據共同點整理信息。 主要的問題是，什么樣的公共參數提供最好的結果以及“最好”包含什么意思。

本文介紹了最廣泛的聚類算法及其深入闡述。根據每種方法的特殊性，提供了對使用其應用的建議。

四種基本算法以及如何選擇

根據聚類模型，可以區分四種常見的算法類別。一般而言，算法不少于100種，但是它們的流行程度以及應用領域都不是較為廣泛。

基于整個數據集對象之間距離的計算，被稱為基于連接的或分層的。根據算法的“方向”，它可以聯合或相反地分割信息數組——聚集和分裂的名稱就是從這種精確的變化中出現的。最流行或者說最合理的類型是凝聚型，您首先輸入數據點的數量，然后將這些數據點合并成越來越大的集群，直到達到極限。

基于連接的集群化最突出的例子是植物分類。數據集的“樹”開始于一個特定的物種，結束于一些植物“王國”，每個“王國”由更小的集群(門、類、目等)組成。

在應用了其中一種基于連接的算法之后，您將收到一個數據樹狀圖，它將向您展示信息的結構，而不是其在集群上的明顯分離。這樣的特性既有好處也有壞處:算法的復雜性可能會變得過于復雜，或者根本不適用于層次結構很少甚至沒有層次結構的數據集。還會出現糟糕的性能:由于大量的重復，完整的處理將花費大量時間。最重要的是無法得到精確的結構使用層次算法。

同時，需要從計數器輸入的數據歸結為數據點的數量，不會對最終結果產生實質性的影響，或者是預先設定的距離度量，它是粗略測量的。

根據我的經驗，基于中心體的集群是最常見的模型，因為它比較簡單。該模型旨在將數據集的每個對象分類到特定的集群中。集群的數量(k)是隨機選擇的，這可能是該方法最大的“弱點”。這種算法由于與k近鄰(k-nearest neighbor, kNN)方法的相似性，在機器學習中特別受歡迎。

計算過程包括多個步驟。首先，選擇輸入數據，將數據集劃分的大致聚類數。聚類的中心應放置在盡可能遠的位置，這將提高結果的準確性。

其次，該算法找到數據集的每個對象與每個聚類之間的距離。最小坐標確定了將對象移動到哪個群集。

之后，將根據所有對象坐標的平均值重新計算聚類的中心。重復算法的第一步，但是重新計算了集群的新中心。除非達到某些條件，否則此類迭代將繼續。例如，當集群的中心距上次迭代沒有移動或移動不明顯時，該算法可能會結束。

盡管數學和編碼都很簡單，但k均值仍有一些缺點，因此我無法在所有可能的地方使用它。那包括：

• 疏忽了每個集群的邊緣，因為優先級設置在集群的中心，而不是邊界;
• 無法創建一個數據集結構，該結構的對象可以按等量的方式分類到多個群集中;
• 需要猜測最佳k值，或者需要進行初步計算以指定此量規。

同時，期望最大化算法可以避免那些復雜情況，同時提供更高的準確性。簡而言之，它計算每個數據集點與我們指定的所有聚類的關聯概率。用于該聚類模型的主要“工具”是高斯混合模型(GMM)，假設數據集的點通常遵循高斯分布。

k-means算法基本上是EM原理的簡化版本。它們都需要手動輸入集群數，這是此方法所要面對的主要問題。除此之外，計算原理(對于GMM或k均值)很簡單：集群的近似范圍是在每次新迭代中逐漸指定的。

與基于質心的模型不同，EM算法允許對兩個或多個聚類的點進行分類-它僅向您展示每個事件的可能性，您可以使用該事件進行進一步的分析。更重要的是，每個聚類的邊界組成了不同度量的橢球體，這與k均值不同，在k均值中，聚類在視覺上表示為圓形。但是，該算法對于對象不遵循高斯分布的數據集根本不起作用。這是該方法的主要缺點：它更適用于理論問題，而不是實際的測量或觀察。

最后，基于數據密度的聚類成為數據科學家心中最青睞的非官方方法，包括模型的要點，將數據集劃分為聚類，計數器會輸入ε參數，即“鄰居”距離。因此，如果對象位于ε半徑的圓(球)內，則它與群集有關。

DBSCAN(基于密度的應用程序噪聲空間聚類)算法會逐步檢查每個對象，將其狀態更改為“已查看”，將其分類到集群或噪聲中，直到最后處理整個數據集。使用DBSCAN確定的集群可以具有任意形狀，因此非常精確。此外，算法不會讓你計算集群的數量，它是自動確定的。

不過，即使是DBSCAN這樣的杰作也有缺點。如果數據集是由可變密度的數據集組成，則該方法的結果較差。如果對象的位置太近，并且無法輕松估算出ε參數，那么這也不是您的選擇

綜上所述，不存在錯誤選擇的算法——它們中的一些只是更適合特定的數據集結構。為了選擇最好的、更合適的算法，您需要全面了解它們的優點、缺點和特性。

有些算法可能在一開始就被排除在外，例如它們不符合數據集規范。為了避免重復的工作，你可以花一點時間來整理和記憶信息，而不是選擇試錯的道路。