4、聚类分析：从世界银行数据到亚马逊雨林火灾数据

聚类分析：从世界银行数据到亚马逊雨林火灾数据

1. 聚类方法简介

聚类分析是无监督学习中的重要方法，主要有层次聚类和 K-means 聚类两种。

1.1 层次聚类

层次聚类为给定的一组数据点生成一个二叉树（树状图）作为输出。在二叉树中，叶子节点代表数据点，内部节点代表不同大小的嵌套聚类。每个对象最初被分配到一个单独的聚类中，基于成对距离矩阵对所有聚类进行评估。该过程不断重复，直到距离矩阵缩减为一个元素。

优点：能生成对象的排序，有助于信息丰富的数据展示，小聚类有助于发现信息。
缺点：如果对象在早期阶段被错误分组，则无法重新分配对象；使用不同的距离度量可能会产生不同的结果。

1.2 K-means 聚类

K-means 聚类算法用于估计一组 K 个组的均值（向量）。该方法是非监督、非确定性和迭代的，会生成特定数量的不相交、扁平（非层次）聚类。K 表示聚类的数量，每个聚类至少有一个数据点，且聚类之间不重叠、非层次。

优点：与层次聚类相比，计算时间相对较少。
缺点：难以确定聚类的数量。

2. 层次聚类 - 世界银行样本数据集

世界银行的主要目标之一是消除贫困，其通过不断调整政策来实现这一目标。成功消除贫困的衡量标准是健康、教育、卫生、基础设施等方面参数的改善。

2.1 数据准备

使用名为 WBClust2013 的数据集，格式为 CSV（WBClust2013.csv），包含 80 行数据和 14 个变量。
|变量类型|变量名称|
| ---- | ---- |