大数据应用基础-聚类算法26.pptVIP

聚类分析 1 注意我们考核非常松 尽可能全部高于80分。 2 一个简单的聚类例子 这是按照颜色进行一维聚类。 实践中，维度经常多于一个。 3 基本特点 聚类(clustering)是指根据“物以类聚”原理，将本身尚未归类的样本根据多个维度（多个属性）聚集成不同的组，这样的一组数据对象的集合叫做簇或群组。 怎样聚类算成功呢？经过划分后，使得： 属于同一群组的样本之间彼此足够相似， 属于不同群组的样本应该足够不相似。 4 分类与聚类的区别 分类(Classification)有训练过程。 分类是事先定义好类别 ，类别数不变 。分类器需要由人工标注的分类训练数据集训练得到，属于有指导学习范畴。 而聚类则是没有训练过程。在进行聚类前，并不知道将要划分成几个组和什么样的组。 聚类则没有事先预定的类别，类别数不确定。聚类不需要人工标注和预先训练分类器，类别在聚类过程中自动生成 。 5 聚类分析的主要应用领域 作为独立的工具来分析数据 发现离群点 为其他算法做数据预处理 6 聚类分析的最典型应用领域 客户分群，进而制定差异化的营销方案 7 聚类分析的最典型应用领域 客户分群，进而制定差异化的营销方案 例子：如图，按照收入和年龄把客户聚类为两类 8 聚类的其他应用 按照血型对学生进行分班 确定婚礼客人如何排座位 9 离群点检测 离群点检测和聚类是高度相关的。 聚类是发现数据集中的主要群体，而离群点检测则试图识别那些显著偏离多数实例的异常情况。 离群点检测可以用聚类方法，但也可以用其它方法，例如：分类方法。 其常见的目的是：信用卡欺诈检测。 这需要把和正常交易明显不同的交易识别出来。例如，盗窃卡的人的购物地点和所购商品都很不同于真正的卡主、也不同于大多数顾客。 比如，其一次购物量比卡主大得多，并且购物地点远离卡主的通常的购物地点。 10 聚类算法的分类 聚类算法主要包括： 划分方法（Partitioning Method）：包括K均值方法等 层次方法（Hierarchical Method） 基于密度的方法（ Density-based ） 基于网格的方法（ Grid-based ） 基于模型的方法（ Model-based ） 其中，前两种方法最常用。 11 K均值算法 K-means算法是无可争议的使用最多的算法。 它是划分方法的一种。 它原理简单，容易实现。 它适合使用数值型属性，而不是类别型属性。 它的一个不足之处是：对于离两个群组的中心都很近的点，你会不知道该放到哪个群组中。这其实也是其他一些聚类算法的局限性。 12 K均值算法的步骤 K均值算法，概括起来有五个步骤： 设定一个数K，表明总共有几个群簇（组）； 从所有实例中随机选择K个实例，分别代表一个群簇的初始中心； 对剩余的每个实例，根据其与各个组的初始中心的距离，将它们分配到离自己最近的一个群簇中； 然后，更新群簇中心，即：重新计算得出每个群簇的新的中心点； 这个过程不断重复（即：重复第3、4步），直到每个群簇中心不再变化，即直到所有实例在K组分布中都找到离自己最近的群簇。 13 K均值算法——什么是中心值 14 K均值算法的步骤 注意看C点，它离上面的群的新的的距离中心比离下面那个群的新的中心更近，所以它被重新划分到上面那个群了。 15 K均值算法的步骤 16 K均值算法的应用：图像压缩 群的个数越少，意味着图像被转化成颜色数量很少的图像了。 17 K均值算法的应用：图像压缩 原理和上面人物照片是一致的。 18 K均值算法可以用于三个维度 前面图像压缩的例子是基于一个维度。 这里抽象展示了基于三个维度的聚类。 19 如何在软件中为K均值算法设定参数 在软件中，通常都要设定群的个数。 还可以指定距离的度量方式。例如选择欧几里德距离或曼哈顿距离。大多数聚类分析都使用距离度量来衡量两个实例之间的远近。 20 如何在软件中为K均值算法设定参数 此外，还可以设定聚类时采用哪些属性 同时，数据标准化是聚类分析中最重要的一个数据预处理步骤。如果之前没做过标准化，可以现在进行。 21 如何评价聚类分析的结果？ 这方面和分类算法有一个显著不同： 分类算法的评判有训练集、验证集的客观参照。 而聚类结果的评判缺乏很明确、客观的、统计学意义上的参照依据。 对于聚类，业务专家从实践角度的评估是最重要的评价层面。如果多数业务专家对于聚类的结果都看不懂，那么这个结果很可能是值得怀疑的。 如果聚类的结果比较容易理解、解释，业务人员会更能实施这个结果。 22 聚类之前的预处理——特征筛选 在实践中，聚类中的输入变量不能太多，尤其是在样本数量有限的情况下。否则： 运算耗时； 更重要的是变量之间的相关性会损害聚类效果； 变量太多会使人难以理解每个群的实际含义。 因此，通常会采用相关性分析、结合业务知识进行变