大学数理统计聚类分析课件ppt模板.pptxVIP

CONTENTS目录01聚类分析概念引入02常见聚类算法类型03聚类分析实例演练04聚类结果解读

聚类分析概念引入01

聚类的核心含义无监督分组聚类属于无监督学习任务，会依据数据样本间的相似性，将相似样本归为同一组簇。组内同质划分同一聚类簇内样本属性相似度很高，不同聚类簇之间样本属性差异较大。探索性数据划分聚类无需提前标注数据类别，常用于对未知数据集做初步的结构探索划分。

聚类分析应用场景用户分群电商平台使用聚类分析，根据用户浏览、消费习惯分群，助力精准推送商品与营销。生物分类生物学家借助聚类分析按基因相似度对物种进行分类，梳理演化亲缘关系。异常检测网络安全领域通过聚类分析识别异常访问流量，提前发现潜在网络攻击行为。

常见聚类算法类型02

划分式聚类算法K-Means算法该算法以簇内样本相似度高为目标，是目前各大电商用户分群最常用的算法之一。K-Medoids算法该算法用样本中心点代替K-Means的均值点，对噪声数据的抗干扰能力显著提升。模糊C均值算法该算法允许样本属于多个聚类簇，在医学影像的病灶区域分割项目中应用广泛。

层次聚类算法聚合型层次聚类从单个样本点开始逐层聚合，广泛应用于基因表达数据的分组分析。分裂型层次聚类从包含全部样本的簇开始逐层拆分，常用于图像像素区域分割任务中。基于连通性的层次聚类以样本间连通性为聚类依据，经典的单连接算法就属于这一范畴。