首页 > 大数据 > 正文

聚类分析的算法划分

2018-09-25 09:39:11  来源:大数据观察

摘要:聚类分析的算法可以分为划分的方法、层次的方法、基于密度的方法、基于网络的方法、基于模型的方法等,其中,前面两种方法最为常用。
关键词: 聚类分析
\
  聚类分析有一个通俗的解释和比喻,那就是“物以类聚,人以群分”。

  针对几个特定的业务指标,可以将观察对象的群体按照相似性和相异性进行不同群组的划分。

  经过划分后,每个群组内部各对象间的相似度会很高,而在不同群组之间的对象彼此间将具有很高的相异度。

  聚类分析的算法可以分为划分的方法、层次的方法、基于密度的方法、基于网络的方法、基于模型的方法等,其中,前面两种方法最为常用。

  对于划分的方法,当给定m个对象的数据集,以及希望生成的细分群体数量k后,即可采用这种方法将这些对象分成k组(k<=m),使得每个组内对象是相似的,而组间的对象是相异的。

  最常用的划分方法是K-Means方法,其具体原理是:首先,随机选择K个对象,并且所选择的每个对象都代表一个组的初始均值或初始的组中心值;

  对剩余的每个对象,根据其与各个组初始均值的距离,将它们分配给最近的小组;

  然后,重新计算每个小组新的均值;

  这个过程不断重复,直到所有的对象在K组分布中都找到离自己最近的组。

  层次的方法则是指依次让最相似的数据对象两两合并,这样不断地合并,最后就形成了一棵聚类树。

  聚类技术在数据分析和数据化运营中的主要用途表现在:既可以直接作为模型对观察对象进行群体划分,为业务方的精细化运营提供具体的细分依据和相应的运营方案建议,又可在数据处理阶段用作数据探索的工具,包括发现离群点、孤立点,数据降维的手段和方法,通过聚类发现数据间的深层次的关系等。
第二十八届CIO班招生
法国布雷斯特商学院MBA班招生
法国布雷斯特商学院硕士班招生
责编:zhangxuefeng