共识聚类（ConsensusClustering）是一种集成聚类方法，旨在通过结合多个基础聚类结果来提高聚类的稳定性和准确性。该方法的核心思想是通过多次重复采样或使用不同的聚类算法生成多个聚类结果，然后对这些结果进行整合，形成一个更可靠、更一致的最终聚类方案。共识聚类通常包括以下步骤：1.生成多个基础聚类结果（例如通过不同的数据子集、参数设置或算法）。2.构建共识矩阵（ConsensusMatrix），记录样本在不同聚类结果中被分到同一类的频率。3.基于共识矩阵进行最终聚类（例如使用层次聚类或其他方法）。共识聚类的优势在于能够减少单一聚类方法对噪声或参数选择的敏感性，适用于复杂数据集或聚类结构不明确的情况。它广泛应用于生物信息学、模式识别、图像分析等领域。常见的共识聚类算法包括：-ConsensusK-Means-ConsensusHierarchicalClustering-Non-negativeMatrixFactorization(NMF)basedconsensusclustering关键评估指标包括共识矩阵的稳定性和一致性分数，如PAC（ProportionofAmbiguousClustering）分数。
