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

Выбор алгоритма кластеризации зависит от структуры данных, наличия шума и необходимости интерпретируемости.

1. K-Means

• Как работает: Итеративно находит k центроидов, минимизируя сумму квадратов расстояний от точек до ближайшего центроида.
• Когда применяю: Для данных со сферическими кластерами примерно одинакового размера и плотности. Например, сегментация пользователей по нескольким метрикам.
• Код и нюансы:

  from sklearn.cluster import KMeans
  # Важно масштабировать признаки!
  kmeans = KMeans(n_clusters=5, random_state=42, n_init='auto')
  clusters = kmeans.fit_predict(X_scaled)

• Минусы: Требует указания k, чувствителен к выбросам и начальной инициализации. Использую KElbowVisualizer для подбора k.

2. DBSCAN (Density-Based Spatial Clustering)

• Как работает: Объединяет в кластеры области высокой плотности, разделенные областями низкой плотности. Точки в разреженных областях помечает как шум (-1).
• Когда применяю: Для кластеров произвольной формы и для очистки данных от выбросов. Например, обнаружение аномалий в логах.
• Код:

  from sklearn.cluster import DBSCAN
  # eps - радиус окрестности, min_samples - минимальное число точек в окрестности
  db = DBSCAN(eps=0.3, min_samples=10).fit(X)
  labels = db.labels_  # -1 означает шум

• Плюс: Не требует задания числа кластеров.

3. Иерархическая (агломеративная) кластеризация

• Как работает: Строит дендрограмму, последовательно объединяя ближайшие кластеры.
• Когда применяю: Когда нужна визуализация иерархии кластеров или когда число кластеров неизвестно, но можно выбрать по дендрограмме.

4. Gaussian Mixture Models (GMM)

• Как работает: Вероятностная модель, предполагающая, что данные порождены смесью нескольких гауссовых распределений.
• Когда применяю: Когда кластеры могут перекрываться и нужна "мягкая" кластеризация (вероятность принадлежности к каждому кластеру).

На практике начинаю с визуализации (t-SNE, PCA). Если кластеры сферические — пробую K-Means. Если форма сложная или есть шум — DBSCAN.