系列文章目录
第一章 【机器学习】初识机器学习
第二章 【机器学习】【监督学习】- 逻辑回归算法 (Logistic Regression)
第三章 【机器学习】【监督学习】- 支持向量机 (SVM)
第四章【机器学习】【监督学习】- K-近邻算法 (K-NN)
第五章【机器学习】【监督学习】- 决策树 (Decision Trees)
第六章【机器学习】【监督学习】- 梯度提升机 (Gradient Boosting Machine, GBM)
第七章 【机器学习】【监督学习】-神经网络 (Neural Networks)
第八章【机器学习】【监督学习】-卷积神经网络 (CNN)
第九章【机器学习】【监督学习】-循环神经网络 (RNN)
第十章【机器学习】【监督学习】-线性回归
第十一章【机器学习】【监督学习】-局部加权线性回归 (Locally Weighted Linear Regression, LWLR)
第十二章【机器学习】【监督学习】- 岭回归 (Ridge Regression)
十三、【机器学习】【监督学习】- Lasso回归 (Least Absolute Shrinkage and Selection Operator)
十四、【机器学习】【监督学习】- 弹性网回归 (Elastic Net Regression)
十五、【机器学习】【监督学习】- 神经网络回归
十六、【机器学习】【监督学习】- 支持向量回归 (SVR)
十七、【机器学习】【非监督学习】- K-均值 (K-Means)
十八、【机器学习】【非监督学习】- DBSCAN (Density-Based Spatial Clustering of Applications with Noise)
目录
系列文章目录
一、非监督学习
（一）、定义
（二）、训练流程
（三）、基本算法分类
二、层次聚类 (Hierarchical Clustering)
（一）、定义
（二）、基本概念
（三）、训练过程
（四）、特点
（五）、适用场景
（六）、扩展和变体
三、总结
一、非监督学习
（一）、定义
非监督学习是一种机器学习方法，它处理的是没有标签的数据集。与监督学习不同，非监督学习算法不需要知道数据的正确分类或目标值。它的目标是通过数据内部的结构和模式来推断出有意义的信息，如数据的分布、聚类、降维或异常检测等。
（二）、训练流程
非监督学习的训练流程通常包含以下几个步骤：
-
数据准备：收集和预处理数据，可能包括数据清洗、缺失值处理、数据标准化或归一化等。
-
模型选择：根据问题的性质选择合适的非监督学习算法。
-
参数初始化：初始化模型的参数，这一步对于某些算法至关重要，如K-means聚类。
-
模型训练：使用无标签数据训练模型，寻找数据中的结构或模式。这一过程可能涉及到迭代优化，直到满足某个停止准则，如收敛或达到预定的迭代次数。
-
结果评估：评估模型的结果，这通常比监督学习更具有挑战性，因为没有明确的“正确答案”。评估可能基于内在指标（如聚类的紧凑度和分离度）或外在指标（如与已知分类的比较）。
-
应用模型：使用训练好的模型对新数据进行分析或预测，如对新数据进行聚类或降维。
（三）、基本算法分类
非监督学习算法可以大致分为以下几类：
-
聚类算法：用于将数据点分组到不同的簇中，常见的算法有K-means、层次聚类、DBSCAN、Gaussian Mixture Models等。
-
降维算法：用于减少数据的维度，同时尽可能保留数据的结构信息，常见的算法有PCA（主成分分析）、t-SNE（t-分布随机邻域嵌入）、自编码器等。
-
关联规则学习：用于发现数据集中项之间的关系，如Apriori算法和Eclat算法。
-
异常检测算法：用于识别数据集中的异常点或离群点，如Isolation Forest、Local Outlier Factor等。
-
自组织映射（SOM）：一种神经网络模型，用于数据可视化和聚类，可以将高维数据映射到低维空间中。
-
生成模型：如变分自编码器（VAE）和生成对抗网络（GAN），它们可以生成类似训练数据的新样本。
非监督学习在很多场景中都有广泛应用，如客户细分、图像识别、自然语言处理、生物信息学和推荐系统等。由于其灵活性和在处理大量未标注数据时的优势，非监督学习是数据科学和人工智能领域的重要组成部分。
二、层次聚类 (Hierarchical Clustering)
（一）、定义
层次聚类（Hierarchical Clustering）是一种无监督学习的聚类算法，用于发现数据集中的自然分组或聚类。不同于k-means等迭代型聚类算法，层次聚类构建了一个聚类的层次结构，这个结构通常表现为一棵树，称为聚类树或树状图（dendrogram）。层次聚类可以分为两种主要类型：凝聚式（Agglomerative）和分裂式（Divisive）。
（二）、基本概念
- 凝聚式层次聚类：从最底层开始，每个样本被视为一个单独的聚类。算法随后计算每对聚类之间的相似度，并将距离最近的两个聚类合并。这一过程重复进行，直到所有样本被合并到一个单一的聚类，或者达到预设的停止条件。
- 分裂式层次聚类：相反，从顶层开始，所有样本被视为一个整体聚类。算法将这个聚类逐步分割成更小的聚类，直到每个样本成为一个独立的聚类，或者达到另一个预设的停止条件。
（三）、训练过程
-
初始化：
- 将数据集中的每个对象视为一个单独的聚类，形成初始的n个聚类（n为数据点的数量）。
-
计算距离矩阵：
- 构建一个距离矩阵，记录所有聚类两两之间的距离。距离可以由不同的度量方式定义，如欧氏距离、曼哈顿距离等。
- 通常，距离矩阵是基于聚类内部成员的点到点距离计算的。常用的方法有：
- 单连接（Single Linkage）：两个聚类间的距离定义为它们所有成员间的最小距离。
- 完全连接（Complete Linkage）：两个聚类间的距离定义为它们所有成员间的最大距离。
- 平均连接（Average Linkage）：两个聚类间的距离定义为它们所有成员间距离的平均值。
- UPGMA（Unweighted Pair Group Method with Arithmetic Mean）：类似于平均连接，但在构建树状图时考虑到聚类的大小。
- WPGMA（Weighted Pair Group Method with Arithmetic Mean）：在UPGMA的基础上，根据聚类大小加权平均距离。
-
合并聚类：
- 找到距离矩阵中距离最小的两个聚类，并将它们合并为一个新的聚类。
- 更新距离矩阵，移除已被合并的聚类，用新聚类替换，并重新计算新聚类与其他聚类之间的距离。
-
重复合并：
- 重复步骤3，直到所有数据点被合并成一个聚类或达到预定的聚类数目。
- 每一次合并后，都会在树状图中添加一个节点，表示两个聚类的合并。
-
构建树状图：
- 随着聚类的不断合并，可以构建出一个树状图，其中的叶节点对应原始数据点，而内部节点表示聚类的合并事件。
-
确定聚类数目：
- 树状图的截断决定了最终的聚类数目。通常，可以通过观察树状图的形态、设定距离阈值或采用统计方法（如Gap Statistic）来确定合理的聚类数目。
- 截断树状图可以得到不同层次的聚类结果，提供层次结构的信息。
（四）、特点
- 可视化：层次聚类的结果可以用树状图直观地表示，便于理解和解释。
- 灵活性：用户可以在不同的层次上决定聚类的数量，而不必在算法开始前指定。
- 稳定性：一旦聚类树建立，就不会因为随机初始化而改变，这使得结果更加可靠。
- 局限性：处理大规模数据集时效率较低，因为它涉及到大量的距离计算和存储。
（五）、适用场景
- 生物信息学：基因表达数据的聚类分析。
- 市场细分：消费者行为数据的分群。
- 图像分析：图像分割和特征提取。
- 文档分类：文本数据的主题分类。
（六）、扩展和变体
- Divisive Hierarchical Clustering：与凝聚式相反，从一个包含所有数据点的大聚类开始，逐渐分割成更小的聚类。
- BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies)：适用于大型数据集，通过构建CF树（Clustering Feature Tree）来近似数据，减少计算距离的开销。
- CURE (Clustering Using REpresentatives)：通过选择每个聚类的多个代表性点，避免了完全连接和平均连接的缺点，提高了鲁棒性。
层次聚类因其生成的树状图能够提供数据的层次结构信息，常用于生物信息学、文本分析等领域，特别适合于数据探索和理解数据的内在组织结构。
三、总结
层次聚类可以与其他技术结合，例如使用不同的距离度量或链接规则（如单链、全链、平均链等）来改进聚类效果。此外，为了提高大型数据集的处理能力，可以采用近似算法或数据降维技术。在某些情况下，层次聚类也可以与其它类型的聚类算法（如k-means）结合使用，以优化最终的聚类结果。例如，可以使用层次聚类来初步确定k-means算法中k的值，或作为预处理步骤来减少k-means的迭代次数。
