BIRCH

BIRCH（英文全称：balanced iterative reducing and clustering using hierarchies，中文：利用层次方法的平衡迭代规约和聚类）[1]是一个非监督式分层聚类算法，于1996年由 Tian Zhang 提出。算法的优势在于能够利用有限的内存资源完成对大数据集的高质量的聚类。[2]该算法通过构建聚类特征树（Clustering Feature Tree，简称CF Tree），在接下来的聚类过程中，直接对聚类特征进行聚类，而无需对原始数据集进行聚类。[3]因此在多数情况下只需要扫描一次数据库即可进行聚类，IO成本与数据集尺寸呈线性关系。[4]

机器学习与資料探勘
问题 分类 聚类 回归 异常检测 自动机器学习 关联规则 强化学习 结构预测 特征学习 線上機器學習 無監督學習 半监督学习 排序学习 语法归纳
監督式學習 (分类 · 回归) 决策树 集成（装袋，提升，随机森林） k-NN 线性回归 朴素贝叶斯 神经网络 逻辑回归 感知器 支持向量机（SVM） 相关向量机（RVM）
聚类 BIRCH 层次 k-平均 期望最大化（EM） DBSCAN OPTICS 均值飘移
降维 因素分析 CCA ICA LDA NMF PCA LASSO t-SNE
结构预测 概率图模型（贝叶斯网络，CRF, HMM）
异常检测 k-NN 局部离群因子
神经网络 自编码 深度学习 多层感知机 RNN 受限玻尔兹曼机 SOM CNN
强化学习 Q学习 SARSA 时序差分学习 深度强化学习
理论 偏差/方差困境 计算学习理论 经验风险最小化 PAC学习 统计学习 VC理论