当两个集群具有父子关系时，则调用?_综合

层次聚类:当两个集群具有父子关系或树状结构时。

为了建立父子关系，In要指定哪个文档类型应该是某个子类型的父类型。这必须在创建索引时完成，或者在创建子类型之前使用更新映射API完成。

返回子文档，其所联接的父文档与所提供的查询匹配。您可以使用联接字段映射在同一个索引中的文档之间创建父子关系。因为它执行连接，所以has_parent查询比其他查询要慢。

层次聚类首先将每个观察作为单独的聚类处理。然后，它重复执行以下两个步骤:(1)确定最接近的两个簇，(2)合并最相似的两个簇。这个迭代过程将继续下去，直到所有集群合并到一起。

分层聚类的优点是易于理解和实现。算法的树状图输出可以用来理解数据中的总体情况和分组。

层次聚类是一种功能强大的技术，它允许您从数据相似性构建树结构。现在可以看到不同的子集群之间的关系，以及数据点之间的距离。

有两种类型的层次集群:分裂的(自上而下)和聚集的(自下而上)。

分层集群涉及创建具有从上到下预定顺序的集群。例如，硬盘上的所有文件和文件夹都被组织在一个层次结构中。层次聚类有两种类型，分裂型和凝聚型。

层次聚类可分为两种主要类型:聚集型和分裂型。

烧结的聚类: ’也被称为AGNES(聚块嵌套)。它以一种自底向上的方式工作。分裂的等级集群:它它以一种自上而下的方式工作。

K-means是解决众所周知的聚类问题的最简单的无监督学习算法之一。该过程遵循一种简单易行的方法，通过固定的先验数量的聚类(假设有k个聚类)对给定的数据集进行分类。其主要思想是定义k个中心，每个集群一个中心。

K-Means聚类是一种无监督学习算法。与监督学习不同，这种聚类没有标记数据。

K-Means聚类的优缺点。1)如果变量很大，那么k - means在大多数情况下比层次聚类更快，如果我们保持k小的话。2) K-Means比层次聚类产生更紧密的聚类，尤其是球状聚类。

K-Means算法是如何工作的?

步骤1:选择数字K，确定集群数量。第二步:随机选择K个点或质心。步骤3:将每个数据点分配到离它们最近的质心，这些质心将形成预定义的K个簇。步骤4:计算方差，为每个簇放置一个新的质心。

随机选取k个点作为聚类中心。根据欧几里德距离函数，将对象分配到最近的群集中心。计算每个集群中所有对象的质心或平均值。重复步骤2、3和4，直到在连续的回合中为每个集群分配相同的点数。

平均剪影法计算不同k值的观测数据的平均剪影。最优的聚类数量k是在k的可能值范围内最大化平均剪影的那一个。这也意味着最优的聚类为2个。

K-means聚类是一种无监督机器学习算法，是数据科学领域中大量数据技术和操作的一部分。它是将数据点分类成组的最快、最有效的算法，即使在数据信息很少的情况下也是如此。

k-means聚类算法试图将给定的匿名数据集(一个不包含类身份信息的集合)分割成固定数量(k)的聚类。一开始要选k个所谓的质心。每个质心随后被设置为它定义的集群的算术平均值。

k近邻(KNN)算法是一种简单的、有监督的机器学习算法，可以用来解决分类和回归问题。

将监督聚类应用于分类实例，目标是识别对单个类具有高概率密度的聚类。半监督聚类是在聚类过程中利用侧面信息对聚类算法进行改进。

线性判别分析(LDA)是一种常用的监督子空间学习方法。

LDA和PCA都是线性变换技术:LDA是有监督的，而PCA是无监督的——PCA忽略类标签。与PCA相反，LDA试图找到一个特征子空间，最大限度地提高类的可分性(注意，在上图中，ld2将是一个非常糟糕的线性判别)。

当每个类的样本数量较少时，PCA表现更好。而LDA在具有多个类的大数据集上工作得更好;类的可分性是降低维数的一个重要因素。

LDA作为分类器算法在第一种方法中，LDA作为分类器，它会降低数据集的维数，然后由神经网络执行分类任务，两种方法的结果会在之后进行比较。