C. 人工智能 --- 聚类算法

C. 聚类算法
	概要
		距离：包括曼哈顿距离、欧拉距离等等
		相似系数：主要有夹角余弦和相关系数
		核函数：核函数的功能就是把数据从低维空间投影（project）到高维空间去
		DTW
	层次化聚类算法：该主要有两种路径：agglomerative和divisive，也可以理解为自下而上法（bottom-up）和自上而下法（top-down）自下而上算法流程：1. 将每个对象看作一类，计算两两之间的最小距离； 2. 将距离最小的两个类合并成一个新类；3. 重新计算新类与所有类之间的距离；4. 重复2、3，直到所有类最后合并成一类。
		距离计算方法
			单链接算法
			全链接算法
			均链接算法
	划分式聚类方法：k-means及其变体经典K-means算法流程：1. 随机地选择k个对象，每个对象初始地代表了一个簇的中心；2. 对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；3. 重新计算每个簇的平均值，更新为新的簇中心；4. 不断重复2、3，直到准则函数收敛。
	基于密度的聚类：其原理简单说画圈儿，其中要定义两个参数，一个是圈儿的最大半径，一个是一个圈儿里最少应容纳几个点。
		DBSCAN
	基于网格的聚类
	基于模型的聚类算法：这一类方法主要是指基于概率模型的方法和基于神经网络模型的方法，尤其以基于概率模型的方法居多。
	基于约束的聚类
	基于模糊的聚类方法
	基于粒度的聚类方法
	量子聚类
	核聚类
	谱聚类