Python人工智能技术与应用课件：机器学习技术的基础应用.pptxVIP

任务一完成基于K-means的汽车产品聚类分析实训

机器学习技术的基础应用;

任务导入@Sk

某无人汽车制造商打算开发一款新系列的汽车产品，在汽车产品开发

之前需要了解消费者需求、市场趋势以及竞争对手情况等信息，从而更好地制定产品策略和市场推广方案。你作为该制造厂市场部门的市场数据分析师，主要职责是分析市场数据、趋势和消费者行为，以协助企业做出战略决策。

现需要你利用Python编程语言和统计学知识对市场上的各类型汽车的竞品进行分析，帮助汽车制造商了解市场格局以及消费者需求，从而为产品设计和开发提供指导。;

技能目标

·掌握使用机器学习工具sklearn库搭建K-means模型。

·能够思考并确立好基于K-means实现对汽车产品数据分析的思路。培养勤于思考的职业习惯。;

聚类分析算法定义与实现过程

K-means算法实现过程

K-means适用情形与应用场景

基于K-means实现汽车产品聚类分析

项目;

●聚类分析定义

聚类分析是一种无监督学习方法，通过度量数据

点之间的距离来捕捉它们之间的相似性，并将它们分成相似的类别。

●聚类分析过程

聚类分析的过程包括选择合适的距离度量方法、

选择聚类算法、初始化聚类中心、计算相似性、将数据点分配到聚类中心、更新聚类中心、重复以上步骤、评估聚类效果等步骤。;

01聚类分析算法定义与实现过程

(一)选择合适的距离度量方法

欧式空间距离

指的是两个点在空间中的最短直线距离。;

又称“城市街区距离”(CityBlock

distance)或“出租车距离”。指从一个十字路口开车到另一个十字路口的驾驶距离。;

01聚类分析算法定义与实现过程

(二)选择聚类算法

聚类算法可以是层次聚类、k-means聚类、

DBSCAN聚类等。每种算法都有其适用的场景和特点，需要根据问题需求选择合适的算法。

(四)计算相似性

对于每个数据点，计算其与其他数据点的

相似性，即距离。可以根据选择的距离度量方法来计算距离。;

(六)更新聚类中心

重新计算每个聚类的中心，即聚类中所有

数据点的平均值。;

聚类算法结果评估的原则是小的组内距离和大的组间距离

且内距鹰最小

组内距离小：聚类后的每一个类别中

成员与成员之间的相似度高

组间距离大：聚类后不同类别的成员

之间的相似度低;

K-means算法实现过程

K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与

各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。

肘部法是一种常用的K-Means聚类算法中确定K值的方法之一。其基本思想是

随着聚类数K的增加，样本点到其所属类的距离会逐渐减小，因此K值增大会导致聚类效果变好。

当K值增加到一定程度时，聚类效果提升的效果会逐渐变小，这时再增加K值

就不会对聚类效果产生显著的改善，甚至会导致过拟合，即产生过多的子簇，从而使聚类效果变差。故当聚类效果由好开始变坏时的K值即是选择的K值。;

左图为待聚类的样本。选取3个中心点，右图所示，红色、绿色和蓝色方框分别是选定的3个中

心点。;

对每个样本，找到距离自己最近的中心点，完成一次聚类。判断此次聚类前后样本点的聚类情

况是否相同，若相同，算法终止。否则继续下一步。;

K-means算法实现过程;

对每个样本，找到距离自己最近的中心点，完成一次聚类，判断与此次聚类前样本点的聚类情

况是否相同。若相同，算法终止，否则继续下一步。;

根据聚类结果，再次更新中心点;

对每个样本，找到距离自己最近的中心点，完成一次聚类。判断与此次聚类前样本点的聚类情

况是否相同。;

(七)算法在上一步终止，最终的聚类结果;

03K-means适用情形与应用场景

(一)K-means算法的适用情形

K-means算法适用于以下情形：数据集包含数值型数据、数据集具有固定的类别数量、数据集具

有较大的数据量、聚类结果的可解释性较强。

数据集包含数值型数据

K-means算法是一种基于距离度量的算法，因此它适用于数值型数据。

例如连续的数值变量。;

172,773

222,996

数据集具有固定的类别数量;

03K-means适用情形与应用场景

(一)K-means算法的适用情形

聚类结果不需要完美

由于采用随机选取中心点的方法，K-means算法通常不能保证找到全局最优解，因此它适用于那

些对聚类结果没有强烈要求的应用场景。

数据集具有较大的数据量

K-means算法是一种可扩展的算法，它可以处理大量的数据点，并且可以通过并行化等方式