聚类方法

【聚类算法的类型】

聚类算法可分为三种类型：

• 原型聚类（Prototype-based Clustering）：假设聚类结构能够通过一组原型求解
  • 通常算法先对原型进行初始化，然后进行迭代求解
  • 不同的原型表示、不同的迭代求解方式，将会产生不同的原型聚类算法
  • 常见的原型聚类算法有：K-Means、高斯混合模型 GMM 等
• 密度聚类（Density-based Clustering）：假设聚类结构能通过样本分布的紧密程度确定
  • 从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇来获得最终的聚类结果
  • 常见的密度聚类算法有：DBSCAN 等
• 层次聚类（Hierarchical Clustering）：试图在不同层次对数据集进行划分，从而形成树形的聚类结构
  • 数据集划分可采用自底向上的聚合策略，也可采用自顶向下的分拆策略
  • 常见的层次聚类算法有：AGNES、DIANA 等

【硬聚类与软聚类】

• 硬聚类（Hard Clustering）：每个数据点都被精确地分配到一个簇
  • 数据点和聚类之间是排他性的，即一个数据点只能属于一个簇
  • 适用于预期有明确的分组的情况
  • 常见的硬聚类算法有：K-Means、DBSCAN、AGNES、DIANA 等
• 软聚类（Soft Clustering）：也称模糊聚类，允许数据点属于多个成员程度不同的簇
  • 当聚类之间的界限没有明确界定，或者数据点有重叠的特征时，常采用该种聚类方法
  • 适用于有重叠或不明确的分组边界的情况
  • 常用的软聚类算法有： 高斯混合模型 GMM 等

简单来说，硬聚类和软聚类之间的区别在于它们对数据点的分组方法，两者关系如下：

• 灵活性：软聚类相较于硬聚类更加灵活，因为它允许数据点在多个聚类中有不同程度的成员资格，这在集群之间的界限不明确或数据中存在噪音的情况下特别有用。
• 可解释性：硬聚类提供了一个更简单和更直接的结果解释，软聚类中的成员资格值可能需要额外的解释和分析，以确定聚类分配的适当截止点
• 噪声敏感度： 硬聚类方法对噪声和异常值很敏感，因为它们会大大影响聚类的分配，软聚类对噪声更加稳健，因为成员价值可以容纳与数据点相关的不确定性