什么是聚类分析

确定需要将数据集分成多少个簇或群组，并随机选择一些数据样本作为群组中心；

将 n 个数据对象分为 k 个簇，且各簇的中心采用算术平均法计算，然后重新计算每个簇的中心，使簇中点到中心距离最小，直到满足一定的收敛条件；

通过逐步将相邻数据点归类到一起形成不同的簇，逐步按照距离聚类而成，可以分为聚合型和分裂型两大类；

以某个点 P 为中心，以邻域内的点数目与密度来区分核心点、边界点和噪声点；

采用在样本空间内不断移动窗口中心的方法进行聚类；

混合模型是用于寻找数据集中不同成分的聚类方法，高斯混合模型是混合模型的一种特例，GMM 聚类则是利用高斯分布来建模数据分布的聚类算法。

聚类算法大致分为划分型算法、层次型算法和密度型算法等。用户需要了解和理解这些不同类型算法的基本特点和工作原理，才能找到最适合的聚类分析问题的算法；

内部评估方法是对密度、分离度和紧度等内部聚类指标进行比较，以确定数据集是否适合使用聚类分析算法。例如，在 K-Means 算法中，可以通过 WCSS (Within-Cluster-Sum-of-Squares) 和 SSE (Sum-of-Squared Errors) 等指标来评估聚类结果的准确性和性能；

外部评估方法则是将聚类分析结果与某些标准或参考数据进行比较，以评估聚类结果的质量。例如，在分类数据非常灵敏的任务中，可以使用 F-score 和混淆矩阵等外部标准方式；

通过可视化手段来展示所得到的聚类分析结果，如果相邻的簇之间没有重叠，簇内部的样本离得越近，簇间的样本离得越远，则意味着聚类分析结果具有较好的质量；

在时间和资源允许的情况下，人工评估方法可以有效评估聚类分析结果的质量，同时发现不适合自动评估的问题。