> 兴趣爱好

聚类分析方法介绍(聚类分析的作用和基本原理)

导语：“机器学习”技术之聚类分析概述和常用方法总结

今天给大家概述一下机器学习中经常用到的一个技术—聚类分析，使大家对聚类分析有一个全面大致的了解。

聚类分析介绍

聚类是数据挖掘的重要工具，根据数据间的相似性将数据分成多个类，每类中数据应尽可能相似。从机器学习的观点来看，类相当于隐藏模式，寻找类是无监督学习过程

聚类算法通常有分层聚类、分割聚类、基于密度的聚类、基于栅格的聚类、字符属性联合聚类、高维数据聚类和神经网络聚类等

在聚类算法选择时，不仅要考虑所要处理的数据属性的种类，也要考虑算法的抗干扰性和时间复杂度等

聚类分析

聚类分析的过程

数据预处理——标准化

构造关系/距离矩阵——亲疏关系的描述

聚类——根据不同方法进行聚类

确定最佳分类——类别数

数据预处理

指标变量的量纲不同或数量级相差很大，为了使这些数据能放到一起加以比较，常需做变换。

Z-Scores标准化变换

Range –1 to 1：极差标准化变换

极差标准化变换

Range 0 to 1：极差正规化变换 / 规格化变换

极差正规化变换 / 规格化变换

Mean of 1：均值为1

均值为1

Standard deviation of 1：方差为1

方差为1

构造关系/距离矩阵

欧氏(Euclidean)距离

未考虑指标间的相关性和各变量方差的不同。

欧氏(Euclidean)距离

切比雪夫(Chebychev)距离

明氏(Minkowski)距离

夹角余弦

Pearson相关系数

Block：绝对值距离

绝对值距离

聚类方法的选择

层次聚类/谱系聚类

K-Means聚类、K-Medoids聚类

模糊聚类、图论聚类、SOM聚类等

感兴趣的读者可以阅读作者之前写的文章了解详细内容和具体案例。

《常用数据挖掘算法从入门到精通第二章 K-means聚类算法》

《常用数据挖掘算法从入门到精通第三章 K-中心点聚类算法》

《常用数据挖掘算法从入门到精通第四章SOM神经网络聚类（上）》

《常用数据挖掘算法从入门到精通第四章SOM神经网络聚类（下）》

聚类个数的确定

任何类都必须在临近各类中是突出的，即各类重心间距离必须极大

确定的类中，各类所包含的元素都不要过分地多

分类的数目必须符合实际使用目的

若采用几种不同的聚类方法处理，则在各自的聚类图中应发现相同的类

本文内容由小凡整理编辑！