一、聚类

聚类：物以类聚，人以群分，是无监督学习中的一种。
没有y，只有x，把不同的x根据相似度自动的聚成好多堆儿
本质上，N个样本，映射到K个簇中，每个簇中至少含有一个样本，一个样本只属于一个簇
最基本：先给定一个初始划分，迭代改变样本和簇的隶属关系，每次都比前一次好

二、相似度用于场景

Ⅰ，系统推荐

两点在二维空间距离公式：在这里插入图片描述
两点在三维空间距离公式：
闵可夫斯基距离公式：
当p=2时，即为欧氏距离；当p=1时，即为曼哈顿距离(Block Distance)；当p趋近于∞，即为切比雪夫距离。

Jaccard similarity coefficient，用于比较有限样本集之间的相似性与差异性
Jaccard系数值越大，样本相似度越高
在这里插入图片描述
例如：狗蛋儿喜欢1，2，3，4，5
系统给狗蛋儿推荐方案①[1,2,3,6,7,8]，方案②[1,2,3]
这两个方案按个推荐的效果好？此时就可以通过Jaccard相似系数来进行比较
方案①：3/8、方案②：3/5
故方案②效果更佳

在这里插入图片描述

集合A和集合B相交越多，它的相似性越强，当然要考虑它们并在一起的大小，因为集合越大越可能相交的越多，这就有了Jaccard相似系数
可以度量集合，考虑热门商品
空间嵌入点的问题，有时会用欧式距离，有时会用余弦距离，度量文档相似性

Ⅱ，网页去重、防考试作弊、论文抄袭检查等

在这里插入图片描述

Ⅲ，余弦相似度

余弦距离，余弦相似度
在这里插入图片描述

余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；越趋近于0，这两个向量几乎正交
最常见的应用是计算文本相似度，将两个文本根据他们的词，来建立两个向量，计算这两个向量的余弦值，就可以知道这两个文本在统计学方法中他们的相似度情况
文档相似度测量考虑推荐SimHash
余弦其实就是Jaccard的分母，看重的是相同的部分，如果是欧氏距离，看重的是差异