【机器学习|学习笔记】聚类（Clustering）vs 降维（Dimensionality Reduction）对比详解？

【机器学习|学习笔记】聚类（Clustering）vs 降维（Dimensionality Reduction）对比详解？

【机器学习|学习笔记】聚类（Clustering）vs 降维（Dimensionality Reduction）对比详解？

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/148877490

🧠 一、什么是聚类（Clustering）？

✅ 定义：

• 聚类是一种无监督学习（Unsupervised Learning）方法，它的目标是：将数据划分为多个相似的子集（簇），使得同一簇内的数据相似度高，不同簇之间差异大。

📌 聚类应用场景：

• 客户分群（Marketing Segmentation）
• 图像分割
• 社交网络分析
• 异常检测（如信用卡欺诈）

🧪 Python 示例：使用 K-Means 聚类

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 生成示例数据
X, y = make_blobs(n_samples=300, centers=3, random_state=42)

# 应用 KMeans 聚类
kmeans = KMeans(n_clusters=3, random_state=42)
y_pred = kmeans.fit_predict(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap='viridis', s=50)
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1],
            color='red', marker='x', label='Centroids')
plt.title("KMeans Clustering")
plt.legend()
plt.show()

🧠 二、什么是降维（Dimensionality Reduction）？

✅ 定义：

• 降维是将高维数据压缩到低维空间的一种方法，同时尽可能保留原数据的重要特征结构。

📌 降维的目的：

• 可视化（如将 100 维压缩到 2D）
• 加快算法效率
• 降低噪声影响
• 避免“维度灾难”

常见的降维方法：

🧪 Python 示例：使用 PCA 可视化高维数据

from sklearn.decomposition import PCA
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt

# 加载高维数据
digits = load_digits()
X = digits.data     # 64维
y = digits.target   # 标签

# 将64维降到2维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 可视化
plt.figure(figsize=(8, 6))
scatter = plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='tab10', s=15)
plt.legend(*scatter.legend_elements(), title="Digits")
plt.title("PCA Visualization of Digits Dataset")
plt.xlabel("Principal Component 1")
plt.ylabel("Principal Component 2")
plt.grid(True)
plt.show()

🔄 三、聚类 vs 降维：关系与区别

✅ 总结一句话：

• 聚类是将样本划分成相似组的过程，降维是把高维样本压缩到低维空间的技术，它们常常联合使用：先降维再聚类，或降维可视化聚类结果。