Python实操案例中，如何全面掌握10种聚类算法的详细应用？

本文共计6743个文字，预计阅读时间需要27分钟。

聚类或聚类分析是无监督学习问题。它常用于数据分析技术，以发现数据中的有趣模式，例如基于行为的客户群组。有多种聚类算法可供选择，针对不同情况，没有单一的最好聚类方法。

聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的有趣模式，例如基于其行为的客户群。有许多聚类算法可供选择，对于所有情况，没有单一的最佳聚类算法。相反，最好探索一系列聚类算法以及每种算法的不同配置。在本教程中，你将发现如何在 python 中安装和使用顶级聚类算法。

完成本教程后，你将知道：

• 聚类是在输入数据的特征空间中查找自然组的无监督问题。
• 对于所有数据集，有许多不同的聚类算法和单一的最佳方法。
• 在 scikit-learn 机器学习库的 Python 中如何实现、适配和使用顶级聚类算法。

让我们开始吧。

教程概述

本教程分为三部分：

聚类

聚类算法

聚类算法示例

一.聚类

聚类分析，即聚类，是一项无监督的机器学习任务。它包括自动发现数据中的自然分组。与监督学习（类似预测建模）不同，聚类算法只解释输入数据，并在特征空间中找到自然组或群集。

聚类技术适用于没有要预测的类，而是将实例划分为自然组的情况。
—源自：《数据挖掘页：实用机器学习工具和技术》2016年。

群集通常是特征空间中的密度区域，其中来自域的示例（观测或数据行）比其他群集更接近群集。群集可以具有作为样本或点特征空间的中心(质心)，并且可以具有边界或范围。