一致性聚类

一致性聚类（共识聚类）
定义：聚合多种聚类算法结果的方法，也称之为聚类集成或聚类的聚合。指的是对于一个特定的数据集已经获得了许多不同的（输入）聚类，并且希望找到一个单一的（一致的）聚类，在某种意义比现有的聚类更加合适。因此，一致性聚类是协调来自不同来源或同一算法的不同运行的关于同一数据集的聚类信息的问题。

非监督学习的一致性聚类类似于监督学习的中的集成学习（顾名思义，就是将多个单一模型进行组合，最后形成一个更好的模型的过程。之所以组合多个单一学习器，是因为很多时候单一学习器的效果不够理想，多个模型组合可以互帮互助，各取所长，从而更好地完成任务）

一致性聚类依赖于所选聚类方法在数据集子样本上的多次迭代。通过利用子采样来诱导采样变异性，这为我们提供了聚类稳定性和参数决策的指标。

参考 一致性聚类