聚类分析的最大问题之一是，当基于使用的不同聚类方法（包括分层聚类中的不同链接方法）时，我们可能不得不得出不同的结论。
我想知道您对此的看法- 您将选择哪种方法以及如何选择。有人可能会说“最好的集群方法是为您提供正确的答案”；但我可能会回答，聚类分析应该是一种无监督的技术-那么我怎么知道哪种方法或链接是正确的答案？
总的来说：单独的集群是否足够强大才能依靠？还是我们需要第二种方法并获得基于这两种方法的共享结果？
我的问题不仅涉及验证/评估聚类性能的可能方法，而且涉及范围更广- 我们在什么基础上选择/优先于一种聚类方法/算法。另外，在选择一种对数据进行聚类的方法时，是否应该注意一些常见的警告？
我知道这是一个非常笼统的问题，很难回答。我只想知道您是否对我有任何意见或建议或建议，以了解更多信息。
Answers:
他们经常说，没有其他的分析技术像聚类分析一样具有“如你所愿播种”的强烈分析能力。
我可以想象这个或那个聚类方法的多个维度或“正确性”的各个方面：
集群隐喻。“我更喜欢这种方法，因为它构成了这样的集群（或这种方式），与我在特定项目中的集群概念相符。” 每个聚类算法或子算法/方法都暗含了其对应的聚类结构/构建/形状。关于分层方法，我在这里和这里的几点中都观察到了这一点。即，有些方法给出的簇通常是“类型”，另一些给出“按兴趣圈”，还有其他的“ [政治]平台”，“类”，“链”等。选择适合于您的簇隐喻的方法。例如，如果我将客户群视为类型-或多或少在中间有压实的球形，则将选择Ward的链接方法或K均值，但绝不会选择单个链接方法。如果我需要一个焦点代表点，可以使用medoid方法。如果需要筛选作为核心和外围代表的要点，则可以使用DBSCAN方法。
数据/方法假设。“我更喜欢这种方法，因为我的数据性质或格式易受它影响”。我上面的链接中也提到了这一重要而广泛的观点。不同的算法/方法可能需要不同的数据类型或将不同的接近度度量应用于数据，反之亦然，不同的数据可能需要不同的方法。有定量方法和定性数据方法。混合定量和定性特征极大地缩小了方法选择范围。沃德或K均值仅（显式或隐式）基于（平方）欧几里德距离接近度度量，而不基于任意度量。二进制数据可能需要特殊的相似性度量，而这些度量又会强烈地使用某些方法（例如Ward或K-means）对其提出质疑。大数据可能需要特殊的算法或特殊的实现。
内部有效性。“我喜欢这种方法，因为它给了我最清晰，紧密和隔离的群集”。从这个角度来看，选择能为您的数据显示最佳结果的算法/方法。内部簇越紧密，密集，外部簇密度越小（或者簇之间的距离越宽），内部有效性就越大。选择并使用适当的内部聚类标准（足够多 -Calinski-Harabasz，Silhouette等；有时也称为“停止规则”）来评估它。[谨防过度拟合：所有聚类方法寻求最大化的内部效度的一些版本（这是集群什么是大约），因此较高的有效性可能部分是由于给定数据集的随机性；拥有测试数据集总是有益的。]
外部有效性。“我之所以喜欢这种方法，是因为它给我的簇因背景而异，或者与我所知道的真实簇相匹配”。如果聚类分区所呈现的聚类在某些重要背景下（即未参与聚类分析）的特性明显不同，则产生该分区的该方法是一种资产。使用任何适用于检查差异的分析；还存在许多有用的外部聚类标准（Rand，F-measure等）。外部验证案例的另一种形式是，当您以某种方式知道数据中的真实簇时（知道“基本事实”），例如您自己生成簇时。然后，您的聚类方法能够发现实际聚类的准确度是衡量外部有效性的方法。
交叉验证。“我更喜欢这种方法，因为它在等效的数据样本上给了我非常相似的聚类，或者很好地外推到此类样本上”。有多种方法及其混合方法，其中一些方法在某些聚类方法中更可行，而其他方法则在其他方法中可行。两种主要方法是稳定性检查和泛化校验。在检查一种聚类方法的稳定性时，可以对部分相交或完全不相交的数据集进行随机拆分或重新采样，然后对每个数据集进行聚类；然后匹配并比较解决方案是否具有某些紧急聚类特征（例如，聚类的中心趋势位置）在整个集合中是否稳定。检查可概括性意味着在训练集上进行聚类，然后使用其紧急聚类特征或规则来分配测试集的对象，此外还要在测试集上进行聚类。然后比较测试集对象的分配结果和聚类结果的聚类成员资格。
释义。“我之所以喜欢这种方法，是因为它给了我很多集群，据解释，这些集群最有说服力的是，世界上存在意义。” 这不是统计数据，而是您的心理验证。结果对您，领域以及受众/客户的意义如何？选择给出最可解释，最辛辣结果的方法。
群居。定期进行一些研究，有时所有研究都会说“我更喜欢这种方法，因为与我所研究的所有方法相比，该方法在我的数据中得出的结果与其他方法相似”。这是一种启发式但有问题的策略，它假定存在相当普遍的数据或相当普遍的方法。
第一点和第二点是理论上的，在获得结果之前；唯一依靠这些观点的是傲慢，自信的探索策略。第3、4和5点是经验性的，并遵循结果；唯一依靠这些观点的就是烦躁，尝试全部的探索性策略。第6点具有创造力，这意味着它拒绝任何结果以尝试对其进行调整。点7是忠诚的淡紫色。
选择“最佳” 簇数时，也可以判断第3点到第7点。
一个具体的内部聚类标准本身并不与聚类方法“正交”（与数据类型无关）。这就提出了一个哲学问题，即这种有偏见或偏见的准则在多大程度上可以发挥效用（请参见仅注意到它的答案）。
主要有危险信号标准。告诉您某种方法肯定会失败的数据属性。
如果您不知道数据意味着什么，请停止对其进行分析。您只是在猜测云中的动物。
属性是否按比例变化并且是非线性或偏斜的。除非您有适当归一化的好主意，否则这可能会破坏您的分析。停下来学习了解您的功能，现在群集还为时过早。
如果每个属性都是等效的（相同比例）并且是线性的，并且您想量化数据集（最小二乘误差对数据有意义），那么k均值值得一试。如果您的属性具有不同的种类和规模，则结果定义不明确。反例：年龄和收入。收入很不平衡，而且x years = y dollar是胡扯。
如果您对如何量化相似性或距离有一个非常清晰的想法（以一种有意义的方式；计算一些数字的能力还不够），那么层次聚类和DBSCAN是一个不错的选择。如果您不知道如何量化相似性，请首先解决该问题。
您会看到最常见的问题是，当人们第一次需要理解和规范化原始数据并找出相似性时，他们会尝试将其原始数据转储到集群中。
例子：
RGB空间中图像的像素。最小二乘有意义，所有属性都是可比较的-k均值是一个不错的选择。
地理数据：最小二乘不太合适。会有异常值。但是距离很有意义。如果噪声很大，请使用DBSCAN；如果数据非常干净，请使用HAC（分层聚集群集）。
在不同生境中观察到的物种。最小二乘可疑，但例如Jaccard相似性是有意义的。您可能只有很少的观察结果，没有“虚假”的栖息地-请使用HAC。
stop criteria。如您所知，“停止规则”或“停止条件”是分层聚类领域中“内部聚类条件” 的同义词。因此，这是一个全神贯注的术语。但是您在回答中用不同的含义指这些词，这可能会使读者感到困惑。
(non)linear attributes。你什么意思？以什么方式“线性”属性？还是您在谈论线性关系，即簇的椭圆（而不是弯曲）形状？
我认为没有很好的正式方法可以做到这一点。我认为，好的解决方案实质上是有意义的解决方案。
当然，您可以尝试将数据拆分和聚类多次，如此一来，但是仍然存在哪个是有用的问题。