【发布时间】：2018-12-03 02:49:36
【问题描述】：
传统的无监督学习方法通常需要在计算之前分配聚类数（K），但是如果我不知道K的确切数量并排除算法中的k，我的意思是，有没有无监督学习算法不需要分配任何k，所以我们可以自动得到k聚类？
【问题讨论】：
标签： machine-learning deep-learning supervised-learning unsupervised-learning
【发布时间】：2018-12-03 02:49:36
【问题描述】：
在图的理论中有一个hierarchical clustering。您可以实现自下而上或自上而下的聚类。
自下而上
- 定义距离度量（欧几里得、曼哈顿...）
- 从自己集群中的每个点开始
- 合并最近的两个集群
有三种方法可以选择最近的集群：
- 完整链接 -> 具有最小最大成对距离的两个集群
- single link -> 两个最小成对距离最小的簇
- 平均链接 -> 所有成对距离之间的平均距离
单链接聚类可以用 Kruskalov 最小生成树算法来解决，但是虽然很容易理解，但它在 O(n^3) 中运行。 Prim 的 MST 算法有一个变体，可以在 O(nˇ2) 内解决这个问题。
自上而下的分裂分析 从同一个簇中的所有点开始，在每次迭代中划分簇。
您可以搜索其他聚类算法，其中一些已经在其他答案中提到。我没有用过其他人，所以我会忽略它。
【讨论】：
您可以尝试通过Akaike information criterion、Bayes information criterion 等指标推断集群数量，使用Silhouette 或Elbow。我还听人谈论过基于自组织地图的自动聚类方法 (SOM)，但您必须在那里进行自己的研究。
根据我的经验，它通常归结为使用多种方法（例如 t-SNE）和/或基于密度的方法（例如 DBSCAN）来探索数据，然后手动或使用合适的启发式设置 k。
【讨论】：
- 亲和传播
- DBSCAN
- 均值偏移
有关更多详细信息，请查看 scikit-learn 文档here。
【讨论】：