聚类#
术语解释#
聚类（Clustering）是机器学习中最核心的无监督学习（Unsupervised Learning）方法之一。它的目标是在没有预先给定标签或类别的情况下，根据数据点之间的相似度或距离，将未标记的数据自动划分为若干个有意义的“簇”（Cluster），其核心原则是组内相似度最大化，组间相似度最小化。 常见算法有 K-Means、层次聚类、DBSCAN 等。
与分类任务不同，聚类在训练过程中不需要真实值（Ground Truth）或人工标注的标签进行指导，模型仅仅接收输入的特征变量，通过自我学习来挖掘数据中潜藏的某种模式（Pattern）、结构或空间分布特性
出现动机#
聚类任务的出现主要基于以下实际需求：
-
挖掘未知规律：在没有明确分类目标的情况下，自动发现数据的内在关联。例如，将成千上万篇新闻自动归类，或发现病人群体中潜在的病症分布。
-
解决标注成本问题：高质量的标注数据需要耗费大量时间、财力和领域专家资源。聚类可以利用海量的未标注数据进行初步分析。
-
发现层次结构：在某些场景下，用户不仅需要得到簇结构，还需要发现样本分布的层级关系（例如科室级别与具体病症级别的关联） 。
-
处理异形数据与噪音：针对非线性分布、不规则形状的数据集（如环形数据），以及包含冗余或干扰信息的“噪音维度”进行有效处理 。
-
数据预处理与特征筛选：聚类结果可以作为有监督学习的前置步骤，或在大模型数据预处理中发挥作用。
优点缺点#
- 优点：
-
无需人工标注：能够直接利用原始、未经处理的特征数据进行训练，极大降低了数据准备的门槛。
-
发现潜在模式：能够识别出人类可能未曾察觉的细微差异和数据分布模式。
-
处理能力多样：DBSCAN 等算法能够对任何形状的数据集进行聚类，且无需预先指定簇的数量。
-
加权Kmeans 等算法能自动识别并降低噪音维度的影响。
-
识别异常点：某些聚类算法（如DBSCAN）在聚类过程中能自动发现数据中的异常样本，这对异常检测非常有用。
-
- 缺点：
-
结果含义不明确：模型只能将样本划分到不同的“簇”，但无法说明这个簇具体代表什么类别。
-
评估困难：由于没有真实标签，无法使用准确率等直观指标。通常只能依靠内部评价指标（如轮廓系数、CHI、DBI）或少量标注数据的外部指标来间接评估，过程较为繁琐。
-
对参数高度敏感：Kmeans 高度依赖初始簇中心的选择，若初始化不当可能导致聚类失败。
-
DBSCAN 对半径（r）和最小样本数（minPts）的选择需要丰富经验，且不适合处理密度差异巨大的数据集。
dbscan 聚类过程示例图 -
计算开销大：某些算法（如DBSCAN、层次聚类）在处理大规模、高维数据时的计算复杂度较高，响应速度较慢。
-
K值选取困难：在很多算法中，如何科学地确定聚类的数量（K值）是一个难题，通常需要结合肘部法或轮廓分析法进行经验性判断
-
相关术语#
-
分类
-
回归
-
聚类