ml-clustering-toolkitlisted

# 聚类工具箱 — 没有标准答案的问题如何做出可辩护的选择 ## R — 原文 (Reading) > "我们希望'物以������'，即同一簇的样本尽可能彼此相似，不同簇的样本尽可能不同。换言之， > 聚类结果的'簇内相似度'(intra-cluster similarity)高且'簇间相似度'(inter-cluster > similarity)低。" > > — 周志华，《机器学习》第9章 9.2节 "性能度量" > "聚类性能度量大致有两类。一类是将聚类结果与某个'参考模型'(reference model)进行比较， > 称为'外部指标'(external index)；另一类是直接考察聚类结果而不利用任何参考模型，称为'内 > 部指标'(internal index)。" > > — 周志华，《机器学习》第9章 9.2节 > "DBSCAN 将'簇'定义为：由密度可达关系导出的最大的密度相连样本集合。"（D 中不属于任何簇 > 的样本被认为是噪声或异常样本） > > — 周志华，《机器学习》第9章 9.5节 "密度聚类" --- ## I — 方法论骨架 (Interpretation) 聚类是无监督的：没有"正确答案"可供比对，所以整个方法论围绕两个问题重组——**怎么判断结果好不好**，以及**用什么方式切分才匹配数据形状**。 评估侧是一条二岔口：���上有参考模型（如领域专家给的划分）就走**外部指标**（两两配对计数：同簇同参考、同簇异参考……）；没有参考就走**内部指标**——用簇内平均距离 avg、簇内最远距离 diam、簇间最近距离 dmin、簇中心间距 dcen 组装出 DB 指数（越小越好）或 Dunn 指数（越大越好）这类自洽判据。 算法侧是三大范式按数据几何形态分流： - **原型聚类**（k均值/LVQ/高斯混合）：假设簇能被一组原型（均值向量/概率成分）刻画——适合团状凸簇；k 均值最小化平方误差是 NP 难，贪心迭代只保证局部解。 - **密度聚类**（DBSCAN）：假设簇由样本分布的紧密程度确定——能刻出任意形状的簇，还能顺带标出噪声点；靠邻域参数 (ε, MinPts) 定义核心对象与密度可达链。 - **层次聚类**（AGNES 自底向上 / DIANA 自顶向下）：产出树状图，在不同层切割得到不同粒度的簇——适合需要多分辨率解读的场景。 距离度量是横贯三者的底层选择：先审属性有没有"序"，有序算闵可夫斯基，无序用 VDM，混合拼接，必要时允许违反直递性的非度量距离。 --- ## A1 — 书中的应用 (Past Application) ### 案例 1: 西瓜数据集 4.0 五连演算 (c27) - **问题**: 同一份数据（30 样本、密度×含糖率），不同聚类范式给出的结果差多少？ - **方法论的使用**: 作者依次跑五种算法并给出逐步数值：k 均值（x₁ 距三中心 0.369/0.506/0.166 入 C₃，第五轮收敛）；LVQ（利用类别监督信息拉推原型 p₅=(0.725;0.445)→(0.722;0.442)）；高斯混合 EM（后验 γ₁₁=0.219 加权更新参数）；DBSCAN（ε=0.11, MinPts=5，从 13 个核心对象出发生成四簇）；AGNES（dmax 链接建树状图，特定层切割得 7 簇）。 - **结论**: 三大范式在同一数据上的簇划分各不相同且都"说得通"——聚类结果的合理性永远相对于所选范式与参数而言。 - **结果**