聚类集成是什么？把多次聚类的结果合成一个更稳的答案

聚类集成（Clustering Ensemble），也叫共识聚类，是把多个聚类结果组合起来，得到一个更稳定、更准确的最终聚类结果的方法。它把集成学习的思想从有监督的分类推广到了无监督的聚类。

为什么需要聚类集成

聚类算法往往不够稳定：K 均值对初始中心很敏感，换一个随机种子就可能得到不同的结果；不同的聚类算法基于不同的假设，适合不同形状的簇；参数，比如簇的数量、密度阈值，也很难选。而且聚类没有标签，很难判断哪一次的结果最好。聚类集成的思路是：与其纠结选哪一个，不如把许多个结果综合起来，取它们的“共识”。

第一步：生成多样的聚类成员

与分类集成一样，聚类集成的成员也需要“好而不同”。常用的产生方式有：用同一个算法、不同的随机初始化多次运行，比如多次运行 K 均值；使用不同的聚类算法；使用不同的参数，比如不同的簇数；对样本进行随机抽样，或对特征进行随机选择或随机投影；对数据加入扰动。

第二步：用共识函数整合

聚类集成的难点在于：不同聚类结果中的簇编号没有对应关系，这一次的“第 1 簇”可能对应另一次的“第 3 簇”，不能像分类那样直接投票。常用的整合方法有几类。基于共协矩阵：对任意两个样本，统计它们在所有聚类成员中被分到同一个簇的比例，得到一个相似度矩阵，如果两个样本在大多数结果中都在一起，它们很可能确实属于同一簇；然后在这个矩阵上再做一次层次聚类或谱聚类。Ana Fred 和 Anil Jain 在 2005 年提出的证据累积方法就是这一思路。基于超图划分：Alexander Strehl 和 Joydeep Ghosh 在 2002 年把每个聚类成员中的每个簇看作一条连接若干样本的超边，把共识问题转化为超图划分问题，并提出了 CSPA、HGPA、MCLA 等算法，用归一化互信息衡量共识结果与各成员的一致程度。基于标签对齐和投票：先通过匹配把不同结果的簇编号对齐，再进行投票。基于优化：寻找一个与所有成员平均差异最小的聚类结果。

效果与应用

聚类集成通常能够得到比单个聚类更稳定的结果，减少对初始化和参数的依赖；还能组合多个只能发现球状簇的简单聚类，得到形状复杂的簇；在分布式环境或隐私保护的场景中，也可以把在不同数据子集或不同特征上得到的聚类结果合并起来。它被用于基因表达数据分析、文档聚类和图像分割等。代价是需要多次运行聚类，并存储和处理样本两两之间的共协矩阵，大规模数据时开销较大。