我对数据挖掘和ML很陌生。我想了解LSH与k均值有何不同。阅读了几篇在线论文和其他材料后，似乎两种算法都试图对相似文档进行分组/聚类。对于诸如垃圾邮件检测之类的用例，在许多论文中都使用了其中一种。但是我不太清楚它们之间的区别，如果我们将其全部用于垃圾邮件检测等用例，结果将有何不同？
最佳答案
LSH不会将您的数据聚类。
它适用于近重复（！）检测。
LSH在设计上可能会产生根本不相似的“假阳性”（哈希碰撞）。
LSH有一个阈值t，它仅尝试为低于此阈值的对象生成哈希冲突。为了获得良好的性能，您需要选择尽可能小的阈值。对于群集，您确实需要能够在存储桶之外（比t更远）找到对象-使用LSH无法可靠地做到这一点。
LSH将随机放置存储区边界；您没有太多注意到这一点的唯一原因是您多次执行此操作，并希望并非所有人都被错误选择。因此，您几乎只会得到所有近邻。根据您的参数，甚至可能只有90％。由于每个对象都在多个存储桶中，因此它的簇是什么？您会得到大量重叠的“集群”，每个集群仅包含数据的某些部分。几乎可以清楚地知道如何从中有效地找到好的集群。
LSH实际上是关于“几乎相同”的对象，而不是关于在数据中查找更大的结构。
我认为垃圾邮件检测都不是一个好用例-您是否知道实际上可以做到这一点的任何垃圾邮件过滤器？
几乎重复的新闻检测，例如但是，Google新闻与某种LSH相关；据说他们正在使用minhashing。
关于machine-learning - k均值与LSH算法，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/41099138/