实战医学统计——机器学习之聚类分析new.pdf

实战医学统计--机器学习之聚类分析 聂志强 前言 小恶魔提利昂，花大量的时间观察人群，他根据特定的特征就能猜测雪伊→whore ，琼恩→hero 又比如 + 公司白领高管 + TFBOY 90后 召开大数据分析会议，聘请3个领域专家后按组就坐，如何分小组 按照发表论文分组 机器学习系ML ？ 距离 视觉散点图→相近点聚类→标签分类 量 数 I C S 域 领 机 数理统计系Math ？ 算 计 计算机系CS ？ 数学领域SCI数量 术语 聚类适用范围 1.设计抽样方案：分层抽样 2.预分析过程：先通过聚类分析达到简化数据的目的，将众多的个体先聚集成比较好处理的几个类别 或子集，然后再进行后续的多元分析。 3.细分市场、个体消费行为划分：先聚类，然后再利用判别分析进一步研究各个群体之间的差异。 聚类本质是描述有用的分类，无P ，只能用“有用性”来判断好用 按照个体的特征将它们分类，使同一类别内的个体具有高的同质性，而类别间则有高的异质性 特征= 空间距离、相似系数 R的聚类包 /web/views/Cluster.html 事先N 类、连续变量、case快速聚类、Z标准化 可case可variable聚类 先共线性诊断后再进行聚类，否则可能区分度不够 Twostep基于模型，kohonen基于网络，knn基于密度 要求高，转置后可聚类variable two-step k-means hierarchical 聚类对象 随机化记录 随机化记录 记录、变量 变量类型 连续、分类(不限) 连续变量 连续、分类(水平较多) 运行上限 大样本(1000) 大样本(5000) 小样本(1000) 特点 自动确定最佳分类数 保存每个样本到类中心的距离 提供丰富的聚类方法和图形 注：数据小优先考虑 层次聚类；有连续有分类优先考虑 two-step 多方法一起跑n次，验证稳定性，各类N近似最好 文献 本研究的目的是根据的社会人口相关的和临