Какие алгоритмы кластеризации вы знаете и в каких случаях их применяете?

Ну слушай, тут такая история с этими алгоритмами кластеризации, что просто ёперный театр начинается, как только пытаешься выбрать. Овердохуища вариантов, а толку — нихуя, если не понимаешь, с чем работаешь.

1. K-Means, эта классика жанра

• Суть в чём: Берёт и тыкает k этих самых центроидов, а потом гоняет их туда-сюда, пока сумма квадратов расстояний от точек до ближайшего центроида не станет минимальной. По сути, пытается сделать шарики ровные.
• Когда впендюривать: Когда у тебя данные, блядь, как будто шарики для пейнтбола рассыпали — кластеры сферические, размер примерно одинаковый. Ну, типа, сегментировать пользователей по их заёбам в приложении.
• Код и подводные камни:

  from sklearn.cluster import KMeans
  # Слушай сюда, чувак, признаки масштабировать ОБЯЗАТЕЛЬНО, а то получишь хуй в пальто вместо кластеров!
  kmeans = KMeans(n_clusters=5, random_state=42, n_init='auto')
  clusters = kmeans.fit_predict(X_scaled)

• Минусы, блядь, какие: Во-первых, ты должен заранее знать, сколько кластеров k тебе надо. А откуда я, сука, знаю? Во-вторых, если в данных есть выбросы — всё, пизда рулю, центроиды уползут куда не надо. И ещё он от стартовых точек зависит, так что random_state не забывай. Я обычно KElbowVisualizer врубаю, чтобы хоть как-то k подобрать, а то самому — терпения ноль ебать.

2. DBSCAN (Тот ещё хитрожопый метод)

• Как охуенно работает: Ищет не шарики, а просто плотные куски данных. Где точек дохуя и они близко — это кластер. Где редко — это шум, и он их помечает как -1. Гениально и просто.
• Когда его вызывать в бой: Когда твои кластеры похожи не на шарики, а на каких-то спрутов, которые друг за друга держатся. Или когда тебе нужно сразу выявить аномалии — вот эти все выбросы, которые портят всю малину. Например, ищешь подозрительную активность в логах сервера.
• Код:

  from sklearn.cluster import DBSCAN
  # eps - это радиус, в котором он ищет соседей, а min_samples - сколько их должно быть, чтобы не быть шумом.
  db = DBSCAN(eps=0.3, min_samples=10).fit(X)
  labels = db.labels_  # метка -1 — поздравляю, это шум, мусор, нахуй не нужен.

• Плюс, от которого сам от себя охуеешь: Ему похуй, сколько кластеров. Он сам разберётся. Сказал же — хитрая жопа.

3. Иерархическая кластеризация (Для любителей покопаться)

• В чём прикол: Она строит такую древовидную хуйню — дендрограмму. Сначала каждая точка — свой кластер, а потом она начинает сливать самые близкие, пока всё в одну кучу не соберёт.
• Когда глаза мозолит: Когда тебе не просто ответ нужен, а понять, как это всё устроено внутри. Глянул на дендрограмму — и видишь всю иерархию. Или когда числа кластеров не знаешь, но можешь по этой картинке порог выбрать.

4. Gaussian Mixture Models (GMM) — Для нежных и неуверенных

• Философия: Предполагает, что твои данные — это смесь нескольких гауссиан (нормальных распределений). Не «точка принадлежит кластеру 1», а «точка с вероятностью 70% из кластера 1, 30% из кластера 2».
• Куда пристроить: Когда кластеры накладываются друг на друга, как пьяные студенты после сессии, и чёткой границы нет. Ну или когда тебе важна не жёсткая принадлежность, а степень уверенности.

А на практике-то как, ёпта? Вот тебе мой чек-лист, чувак. Первым делом — визуализация. Запускаешь t-SNE или PCA, смотришь, что за зверь перед тобой. Увидел круглые сгустки — давай K-Means. Увидел какие-то червяки, амебы и кучу одиноких точек — твой выход, DBSCAN, спасай ситуацию. Главное — не тыкать наугад, а то будет тебе хиросима, а не кластеризация.