北京大学统计学课件第八章——聚类分析.pptxVIP

ClusterAnalysis第八章聚类分析北京大学统计学经典课程

Contents本章教学目录聚类分析——从距离度量到算法实现的完整知识脉络01聚类分析导论与应用场景02数学基础：距离与相似系数03系统聚类法（层次聚类）04动态聚类法（K-Means算法）05密度聚类与前沿应用

CHAPTER01聚类分析导论探索数据内在结构的无监督学习艺术

聚类分析什么是聚类分析？聚类分析(ClusterAnalysis)是一种无监督的模式识别方法，旨在将数据样本划分为不同的组别（簇），使得同一组内的样本具有高度的相似性，而不同组间的样本具有显著的差异性。核心目标发现数据中的潜在结构和模式，将复杂的高维数据集简化为易于理解的类别，帮助研究者理解数据特征与关系。高维简化与分类的区别分类是有监督学习，已知类别标签；聚类是无监督学习，类别标签未知，完全由数据驱动生成。无监督基本原则类内差异最小化，类间差异最大化。追求簇内样本紧密聚集，同时不同簇之间保持足够的距离。最小·最大

METHODOLOGY聚类分析的标准流程科学的聚类分析并非简单的算法调用，而是包含从指标构建到结果验证的严密逻辑链条。01选择变量根据研究目的，挑选能够准确描述事物对象特征的指标（变量），这是决定聚类成败的前提。VARIABLESELECTION02构建矩阵建立样品数据资料矩阵，将n个样本的m个指标转化