什么是集群？
集群是一组属于同一类的对象。换句话说，类似对象被分组在一个簇和异种分组在其他集群。
什么是聚类？
集群是制作小组抽象对象到类相似对象的过程。
你需要记住的
-
数据对象的一个集群可以被视为一组。
-
而这样做的聚类分析，我们首先根据数据相似性划分的一组数据分组，然后将标签分配给该组。
-
聚类在分类的主要优点是，它是适应变化，并帮助该区分不同群体挑出有用的功能。
聚类分析中的应用
-
聚类分析被广泛用于许多应用，如市场调查，模式识别，数据分析和图像处理。
-
群集也可以帮助营销人员发现不同的群体在他们的客户基础。他们可以根据购买模式的客户群体特征。
-
在生物学领域，可以用于推导植物和动物分类法进行分类的基因相似的功能，并深入了解所固有的种群结构。
-
集群也有助于识别类似土地利用在地球观测数据库的区域。它还有助于房子的群体在一个城市，根据房子的类型，价值，地理位置识别。
-
集群也有助于在网络上的信息发现文件分类。
-
聚类也可用于异常检测的应用，如检测信用卡欺诈的。
-
作为数据挖掘功能聚类分析作为一种工具来洞察数据，观察每个簇的分布性特点。
聚类在数据挖掘需求
这里是聚类数据挖掘的典型要求：
-
可扩展性 - 我们需要高度可扩展的聚类算法来处理大型数据库。
-
能够处理不同类型的属性 - 算法应该能够在任何种类的数据，如基于间隔（数字）数据，类别，二进制数据被应用。
-
集群与属性形状的发现 - 聚类算法应能够检测任意形状的簇。本不应该为界，往往发现小尺寸的球状星团只有距离测量。
-
高维 - 该聚类算法不仅能够处理低维数据，而且该高维空间。
-
能够处理噪声数据 - 数据库包含嘈杂，丢失或错误的数据。一些算法是这样的数据敏感，并且可能导致质量差的集群。
-
解释性 - 聚类结果应该是可解释的，可理解的和可用的。
聚类方法
聚类方法可以分为以下几种：
-
划分方法
-
分层方法
-
基于密度的方法
-
基于网格的方法
-
基于模型的方法
-
基于约束的方法
分割方法
假设我们给出n个对象的数据库，该划分方法构建数据的k个分区。每个分区将代表一个集群和k≤| N。这意味着它将对数据进行分类成k个组，其中满足下列要求：
-
各组至少包含一个对象。
-
每个对象必须属于正好一个组。
要记住的要点：
-
对于分区（K）的一个给定的数目，分区方法将创建一个初始划分。
-
然后，它使用了迭代搬迁技术，通过移动的物体从一组到其他改善分区。
层次方法
这个方法创建给定数据对象的层次分解。我们可以的层次分解是如何形成如下基础分层分类方法：
-
凝聚法
-
分裂法
凝聚进近
这种方法也被称为自下而上的方法。在此，我们开始与每个对象形成一个单独的组。它不断合并是彼此接近的物体或基团。它继续这样做，直到所有的组都合并成一个或直到终止条件成立。
分裂的进近
这种方法也被称为自顶向下的方法。在此，我们开始都在同一个簇中的对象的。在连续的迭代中，簇被分裂成更小的簇。这是直到在一个集群或终止条件的每个对象保存。
坏处这个方法是刚性的，即，一旦合并或拆分完成后，它不可能被撤消。
方法以提高质量层次聚类
这里是用来提高层次聚类的质量的两种方法：
-
在每个层次划分进行认真分析对象的联系。
-
首先使用分层凝聚算法组对象到微簇，然后在微簇进行宏簇整合分层结块。
基于密度的方法
此方法是基于密度的概念。其基本思路是将继续增长给定的簇，只要在附近的密度超过某个阈值，即对于一个给定集群内的每一个数据点，在给定簇的半径必须包含点中的至少一个最小数目。
基于网格的方法
在这个对象一起从一个网格。对象空间量化成形成一个网格结构单元的数量有限。
优点-
这种方法的主要优点是快速的处理时间。
-
它仅依赖于细胞中的量化空间的每个维度的数目。
基于模型的方法
在该方法中，模型是假设每个簇并找到数据的给定模型的最佳拟合。此方法通过聚类的密度函数找出集群。这反映了数据点的空间分布。
这种方法也有助于自动决定基于标准的统计聚类数，取异常或噪声考虑的方式。因此，产生强大的聚类方法。
基于约束的方法
在该方法中，聚类是由用户或应用程序面向约束掺入执行。约束是指用户期望或希望的聚类结果的属性。约束给我们的集群进程间通信的交互方式。该约束可以由用户或应用程序的要求来指定。