聚类算法在MNIST和借贷俱乐部数据中的应用
1. 层次聚类在MNIST数据集上的表现
层次聚类在MNIST数字数据集上表现出色，且整个过程未使用任何标签。在实际应用中，通常先进行降维（如PCA），再进行聚类（如层次聚类），最后对每个聚类中的少量点进行手动标注。以MNIST数据集为例，如果没有标签，可查看每个聚类中的几张图像，根据显示的数字对这些图像进行标注。只要聚类足够均匀，手动标注的少量标签就可自动应用于该聚类中的所有其他图像，这样能以近77%的准确率标注50000个数据集中的所有图像，凸显了无监督学习的强大之处。
2. DBSCAN算法
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是基于密度的空间聚类算法。与k - means和层次聚类不同，DBSCAN根据点的密度进行分组，能明确将点标记为离群点，避免对其进行聚类，受数据中离群点导致的失真影响较小，且无需预先指定聚类数量。
2.1 DBSCAN算法原理
使用Scikit - Learn中的DBSCAN库时，需要指定两个关键参数：
-eps：两点之间的最大距离，若两点距离在此范围内，则认为它们在同一邻域。默认值为0.5。若设置过低，可能所有点都无法被聚类；若设置过高，大部分点会被聚类，只有少数点成为离群点。
-min_samples：一个组成为聚类所需的最小样本数，默认值为5。当有min_samples个紧密相邻的点时，任何与这些核心点距离在eps范围内的其他点都属于该聚类，即使这些其他
