OPTICS

OPTICS（英語：）是由Mihael Ankerst，Markus M. Breunig，Hans-Peter Kriegel和Jörg Sander提出的基于密度的聚类分析算法。[1]OPTICS并不依赖全局变量来确定聚类，而是将空间上最接近的点相邻排列，以得到数据集合中的对象的线性排序。[2]排序后生成的序列存储了与相邻点之间的距离，并最终生成了一个 dendrogram 。OPTICS算法的思路与DBSCAN类似，但是解决了DBSCAN的一个主要弱点，即如何在密度变化的数据中取得有效的聚类。同时 OPTICS也避免了多数聚类算法中对输入参数敏感的问题。

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