机器学习之聚类算法（CANOPY)

参考：http://chiffon.gitcafe.io/2014/12/28/cluster-analysis.html

CANOPY是另外一个不需要指定K的聚类算法，它的速度很快，不过由于它分类比较粗，因此一般用于在K-Means之前用于确定K的值提供参考。

CANOPY算法分为两大步：

生成canopy

设定T1（松阈值）>T2（紧阈值）

将需要聚类的数据转化为一个list的形式

将list中的第一个点从list中删去,转化为一个新的’canopy’的中心.

对于每个list中的点,将距离在T1以内的点当作这个’canopy’内的点.

对于每个list中的点,将距离在T2以内的点从list中删去.

重复步骤3、4、5

canopy内聚类

有了上面的canopy，可以在各自的canopy内进行聚类计算。聚类算法可以是常用的kmeans，也可以是其他算法。因此，可以讲CANOPY看做是一种算法框架。

问题

上面有一个问题，T1和T2需要用户手动设置，不同的设置可能有不同的聚类结果

对于canopy，若第一步将阈值设置非常大，那么最后只能生成一个canopy，然后在这个canopy内进行聚类。只有T1和T2有意义才能生成超过1个canopy，从而在第二步计算距离时只需要计算同一canopy的距离，从而减少计算量。