集群的重要性是什么？

Question

在无监督学习期间，我们进行聚类分析（如K-Means）将数据分组到多个聚类中 但是在实际场景中这些集群数据的用途是什么。

我认为在群集过程中我们会丢失有关数据的信息 是否有一些实际的例子，聚类可能是有益的？

Answer 1

信息丢失可能是故意的。以下是三个例子：

• PCM信号量化（Lloyd＆＃39; k-means出版物）。你知道传输的是一定数量（比方说10个）不同的信号，但是有失真。量化消除了失真并重新提取原始的10种不同信号。 在这里，您将丢失错误并保留信号。
• 颜色量化（见维基百科）。为了减少图像中的颜色数量，一种非常好的方法使用k-means（通常在HSV或Lab空间中）。 k是所需输出颜色的数量。 此处的信息丢失是故意的，以便更好地压缩图像。 k-means试图用k种颜色找到图像的最小二乘误差近似值。
• 在按时间序列搜索图案时，您还可以使用k-means等量化来将数据转换为符号表示。在深度学习之前，用于图像识别的最先进的视觉词语方法也使用了这种方法。
• 探索性数据挖掘（聚类 - 有人可能会争辩说上面的用例不是数据挖掘/聚类;而是量化）。如果您的数据集一百万分，您要调查哪些分数？聚类方法尝试将数据分成多组，这些组应该更加同质并且更加不同。您不必查看每个对象，而只需查看每个群集的某些，以便了解有关整个群集（以及整个数据集）的信息。诸如k-means之类的质心方法甚至可以提供一个＆＃34;原型＆＃34;对于每个群集，尽管在群集中的其他点也是一个好主意。您可能还想进行异常值检测并查看一些异常对象。此方案介于采样代表对象和减少数据集大小之间，以便更易于管理。以上几点的关键区别在于，结果通常不会被操作＆＃34;自动，但因为探索性聚类结果太不可靠（因此需要多次迭代）需要手动分析。