机器学习课程-温州大学-10机器学习-聚类

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/fengdu78

摘要

文档主要介绍了机器学习中的聚类方法，包括无监督学习的基本概念、主要算法（如K-means聚类、层次聚类、密度聚类）以及聚类的应用场景。文档还详细讨论了聚类的评价指标，特别是调整兰德系数（ARI）及其计算方法。内容涉及医疗、搜索引擎、社交网络等多个领域的聚类应用案例，并通过实例说明了聚类算法在实际中的有效性。

AI总结

### 机器学习-聚类总结

#### 1. 无监督学习概述
- **无监督学习**：无需依赖标注数据，通过算法发现数据中的隐藏结构。
- **聚类**：将相似的数据点分组，形成簇（clusters）。
- **主要算法**：K-means聚类、密度聚类、层次聚类。
- **主要应用**：
- 市场细分、文档聚类、图像分割、图像压缩。
- 特征学习、犯罪易发地区分析、保险欺诈检测。
- 公共交通数据分析、IT资产集群、客户细分。
- 医疗应用（如疾病识别）、药物活性预测、搜索引擎优化。

#### 2. K-means聚类
- **基本思想**：将数据分成若干簇，簇内数据点相似，簇间数据点差异较大。
- **示例**：将数据点分成三个簇，计算簇内平均距离以确定簇的划分。

#### 3. 密度聚类和层次聚类
- **密度聚类**：基于数据点的密度来形成簇。
- **层次聚类**：通过层次化的方法（如凝聚或分裂）逐步形成簇。

#### 4. 聚类的评价指标
- **调整兰德系数（ARI）**：衡量两个聚类结果的吻合程度。
- 计算公式：综合考虑簇的重叠情况和随机性。
- 取值范围：[-1, 1]，值越大表示聚类结果越接近真实情况。

#### 5. 应用案例
- **保险欺诈检测**：通过聚类发现欺诈行为。
- **搜索引擎优化**：如百度提供相似结果。
- **医疗应用**：识别甲状腺疾病数据。
- **社交网络分析**：自动分组联系人或好友。

总结：聚类算法在无监督学习中具有广泛的应用，通过合理选择算法和评价指标，可以有效解决多种实际问题。