知识卡片
聚类分析的本质是相似度定义的选择
内容
聚类分析把一组对象按”相似性”分组，但”相似”本身没有唯一定义——闵可夫斯基距离（连续变量，p=2时即欧氏距离）、杰卡德系数（分类变量，衡量集合交并比）、余弦相似度（衡量向量夹角，常用于文本/高维稀疏数据）适用于不同的数据类型和场景。选错距离度量，聚类算法即使跑得再对也会得到没有业务意义的分组，所以聚类本质上不是一个自动化任务，而是需要结合数据特点反复尝试的迭代过程。
参考来源
- 位置：《数据科学工程实践》第12章《基于LSTM-Autoencoder的无监督聚类模型》"12.1 聚类分析的广泛应用"一节（源文件：_epub-src/OEBPS/Text/part0066.xhtml）
- 结论依据：原文列出三种距离测量公式："闵可夫斯基距离，用于连续型数据……当p=2时，为欧氏距离"、"杰卡德系数，用于分类数据"、"余弦相似度，一般用于测量两个向量夹脚的余弦值"，并明确"聚类分析不是一个自动化的任务，而是知识的发现、尝试和交互的过程，是多目标优化的迭代过程"。
- 原始内容：常见的距离测量公式有以下3种。1）闵可夫斯基距离，用于连续型数据……当p=2时，为欧氏距离……2）杰卡德系数，用于分类数据……3）余弦相似度，一般用于测量两个向量夹脚的余弦值，以此度量向量之间的相似性……数据集和聚类的目的决定了我们对于距离函数、预期簇类个数以及聚类算法的选择，因此聚类分析不是一个自动化的任务，而是知识的发现、尝试和交互的过程，是多目标优化的迭代过程。