聚类分析(clustering analysis)是指为将研究对象根据特征指标的信息,按照一定的方式将相似的研究对象归为同类。值得注意的是:定义“相识度/距离”。其中就单一指标而言,值越接近的研究对象越相似 。(两个指标x1和x2:将x1和x2作为坐标轴,研究对象在图中画出,两点连线,其距离越小,则相似度越高。)
步骤思路
(1) 选择合适的变量识别。注意选择的变量需要是与理解数据中不同观测值分组有重要影响的变量。
(2) 缩放数据。通过缩放进而缩小选择变量的范围。
(3) 寻找异常点。异常值通常会扭曲聚类方案,因此通过outliers进行筛选和删除异常值是必须的。
(4) 计算距离。最常用的方法为欧几里得距离,其他可选的距离有:曼哈顿距离、兰氏距离、非对称二元距离、最大距离等。
(5) 选择聚类方法。其中常见方法有K均值聚类法、层次聚类法。k-means聚类分析算法中的k就是最终聚集的簇数,需要自己指定。k-means在常见的机器学习算法中算是相当简单的,