研究共识聚类以表示屡次聚类算法的共识，并分析聚类关于采样变异性的稳固性。

详情

在本文中，我们将探讨一种称为共识聚类的技术，以评估聚类算法针对数据集中的小扰动生成的聚类的稳固性。我们将回顾用Apache Spark机器学习库构建的示例应使用程序，以显示如何用K-means，Bisecting K-means和Gaussian Mixture（三种不同的聚类算法）能用共识聚类。

机器学习中的聚类分析[1]旨在根据数据点之间的类似性度量将数据划分为单独的，不重叠的集合。同一集群中的数据点必需尽可可以相近（类似），并且不同集群中的数据点必需尽可可以相距（不类似）。聚类分析在生物学，生物信息学，医学，商业，计算机科学和社会科学等各种科学学科中有很多应使用[1]。以下是少量例子。

• 聚类可使用于医学图像的像素分类，以辅助医学诊断[2]。
• 为了分析患者的预期寿命取决于他们属于哪一个群，[3]，癌症患者的数据能根据某些属性（例如“区域节点阳性”和“阶段组群”）聚类为一组。
• 癌细胞的基因表达可通过聚类技术进行分析，以分析细胞结构并预测生存[4]。

许多不同的技术和算法可使用于聚类分析，其中[5]和[6]提供了极好的评论。

问题陈述

不同的聚类算法能为相同的数据集创立不同的聚类。在不同的执行过程中，即便是相同的算法也会产生不同的簇，例如因为随机启动。作为一个例子，我们从美国国家癌症研究所GDC数据门户网站下载了关于多形性成胶质细胞瘤（GBM）和低级别胶质瘤（LGG）患者的数据集，并用K均值聚类算法将它们分成三个聚类。

结果如图1.a，1.b所示，使用于两种不同的解决。