聚類是一種無監督的學習任務，用于基于數據集中的固有結構來發現自然的觀測分組（即聚類）。例子包括客戶細分，電子商務中的類似項目分組以及社交網絡分析。

因為聚類是無監督的（即沒有“正確答案”），所以通常使用可視化的數據來評估結果。如果有“正確的答案”（即你的訓練集中有預標記的聚類），那么選擇分類算法通常更合適。

3.1。K-Means算法

K-Means算法是一種通用算法，它根據點之間的幾何距離（即坐標平面上的距離）進行聚類。這些集群圍繞著質心分組，使它們成為球形，并具有相似的大小。

對于初學者來說，這是我們推薦的一種算法，因為它很簡單，而且足夠靈活，可以為大多數問題獲得合理的結果。

優點：K-Means算法是最流行的聚類算法，因為如果您想預處理數據或者編譯有用的功能，它是一種快速，簡單和擁有令人驚訝的靈活性的一種算法。

缺點：用戶必須指定簇的數目，這并不總是很容易的。另外，如果數據中真實的底層聚類不是球狀的，那么K-Means算法將產生錯誤的聚類。

實現：Python/ R

3.2。近鄰傳播

近鄰傳播是一種相對較新的聚類技術，可以根據點之間的圖距進行聚類。集群傾向于變得更小和具有不均勻的大小。

優點：用戶不需要指定簇的數量（但是需要指定“樣本偏好”和“阻尼”超參數）。

缺點：近鄰傳播的主要缺點是速度很慢，占用內存很大，難以擴展到較大的數據集。另外，它也需要假設真正的底層集群是球狀的。

實現：Python/ R

3.3。分層/凝聚

分層聚類，又名聚集聚類，是基于相同思想的一套算法：（1）從它自己的聚類中的每個點開始。 （2）對于每個簇，根據一些標準將其與另一個簇合并。 （3）重復，直到只剩下一個群集，并留下一個簇的層次結構。

優點：分層聚類的主要優點是不會假設球體是球狀的。另外，它可以很好地擴展到更大的數據集里。

缺點：就像K-Means算法一樣，用戶必須選擇聚類的數量（即在算法完成之后要保留的層次級別）。

實現：Python/ R

3.4。 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）

DBSCAN是一種基于密度的算法，可以為密集的點區域生成集群。還有一個最近的新發展被稱為HDBSCAN，允許產生密度不同的集群。

優點：DBSCAN不假設集群為球狀，其性能也是可擴展的。另外，它不需要將每個點都分配給一個簇，從而減少簇的噪聲（這可能是一個弱點，取決于你的用的地方）。

缺點：用戶必須調用超參數“epsilon”和“min_samples”，它們定義了簇的密度。 DBSCAN對這些超參數非常敏感。

實現：Python/ R