我有一大批扫描的文件需要进行索引，但其中我感兴趣的文件只占整个文件集的一小部分，我的分类器需要识别这些文件。为了确定最佳的类别数量以及如何最好地将文件合并到一个类别中，我想进行一次无监督的聚类分析。

哪种距离方法能更好地捕捉结构信息？此外，对于给定的任务，凝聚层次聚类是否是最佳的聚类方法？谢谢

回答：

无监督聚类技术在处理扫描文件时失败了，因为它无法理解底层的结构，最终给出的聚类结果毫无意义。因此，这种方法从根本上是 flawed 的。然而，使用深度卷积神经网络进行分类，如果有足够的数据和精心选择的不同类别，可以在文件具有明显结构的情况下超越 OCR 技术的表现。