问如何选择“最佳”的无监督机器学习算法来对特定数据集进行聚类？

EN

这是一个很重要的问题。没有找到“最佳”算法或“正确”数量的集群的一般规律(假设您不知道正确的集群数量)。

正如您已经提到的，某些算法对集群或一般数据的形状进行了假设。我建议的一件事是查看你的数据，检查假设，排除违反假设的算法。如果您处理高维数据，PCA、t-SNE、UMAP等降维方法在这里非常有用。

进一步了解聚类算法的复杂性。如果您熟悉偏差-方差权衡和奥卡姆剃刀，那么您已经知道，更简单的算法不太容易过度拟合，并且更有可能给出正确的结果。在这方面，比克和AIC是相当流行的措施。

通常，对于无监督的聚类，最好是查看许多不同的算法，将它们与不同的度量进行比较，并在其中找到高级的“一致性”。

谢谢你的回答。事实上，我是通过一些广泛的研究发现的。关键是定义“您认为是集群的内容”的(个人)含义，然后导出要用这些集群进行基准测试的指标(可以是剪影系数，也可以是群平方和等)。你提到的假设也是如此。这取决于您在集群中的个人目标以及您想要实现的结果。最后，您可以放弃一些算法，并有一组您想要处理的指标。

通过标准化许多具有不同超参数和簇数的模型的结果，您可以比较结果并决定哪一个最适合。