. 聚类结果利用的理论层面

在我们继续讨论与实际运用聚类结果相关的案例之前，我们先谈谈这些方法的理论层面。

运用数据聚类结果的第一个选项是，在不需要任何额外资金的情况下，尽量充分利用数据聚类结果进行实际运用。 即，聚类结果可以独立运用，来制定交易决策。 我想提请大家的是，无监督学习方法不能用于解决回归任务。 而预测最近的价格走势恰恰是一项回归任务。 乍一看，我们看到了某种冲突。

但要从其它方面来看。 考虑到聚类的理论层面，我们已经将聚类与图形形态的定义进行了比较。 就像图表形态，我们可以在特定聚类的元素出现在图表上以后，去收集价格行为的统计数据。 好吧，这不会带给我们一个因果关系。 但这种关系在运用神经网络建立的任何数学模型中都不存在。 我们仅建立概率模型，没有深入研究因果关系。

为了收集统计数据，我们需要一个已经训练过的聚类模型和标记数据。 鉴于我们的聚类模型已经训练过了，标记数据集合可能比训练样本小得多。 然而，它应该是充分和具有代表性的。

乍一看，这种方式可能类似于监督学习。 但它有两个主要区别：

1. 标记的样本规模可以更小，因为这样没有过度拟合的风险。

2. 在监督学习中，我们使用迭代过程来选择最优权重系数。 这需要若干个训练世代，且资源和时间成本较高。 第一次通过就足以收集统计数据。 在这种情况下也无需执行模型调整。

希望这个思路足够简单。 稍后我们将研究这种模型的实现。此选项的缺点是忽略了至聚类中心的距离。 换言之，对于靠近聚类中心（“理想形态”）的元素，和聚类边界上的元素，我们会得到相同的结果。 您可尝试增加聚类的数量，从而降低图元与中心的最大距离。 但如果我们根据损失函数图正确选择了聚类数量，这种方式的有效性将是最小的。 您可以尝试采用聚类结果的第二种应用来解决这个问题：作为另一个模型的源数据。 但请注意，以数字或向量的形式将聚类数量输入到第二个模型，我们最多会收到与上述统计方法结果相当的数据。 花费额外的成本来获得同样的结果是没有意义的。我们可以在模型中输入至聚类中心的距离，来取代聚类数量。 我们不应该忘记，神经网络更喜欢归一化数据。 我们利用 Softmax 函数对距离向量的数据进行归一化。