数据分析师之必会算法—聚类方法

阅读之前看这里👉：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。
博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。

1.什么是聚类

聚类：聚类是根据给定的样本，依据它们特征的相似度或距离，将其归并到若干个“类”或“簇”的数据分析问题。
通俗的解释：物以类聚，人以群分。针对几个特定的业务指标，科研将观察对象的群体按照相似性和相异性进行不同的群组的划分。经过划分后，每个群组内部各对象间的相似度会很高，而在不同群组直接的对象彼此间将具有很高的相异度。

聚类分析的算法分为：

1.划分聚类
2.层次聚类
3.密度聚类
4.网格聚类
5.模型聚类

最常用的是划分聚类和层次聚类的方法。
层次聚类的方法是指让最相似的对象两两合并，这样不断地合并，最后就形成了一颗聚类树。

划分聚类的方法就是：给定$m$个对象的数据集，以及希望生成的细分群体数量$K$后，可采用这种方法将这些对象分成$K$组$(K\le m)$，使得每个组内对象是相似的， 而组间的对象是相异的。

• 最常用的划分方法是$K-Means$方法， 其具体原理是：首先，随机选择$K$个对象，并且所选择的每个对象都代表一个组的初始均值或初始的组中心值；对剩余的每个对象， 根据其与各个组初始均值的距离，将它们分配给最近的（最相似） 小组；然后， 重新计算每个小组新的均值；这个过程不断重复，直到所有的对象在$K$组分布中都找到离自己最近的组。

聚类技术在数据分析和数据化运营中的主要用途表现在：既可以直接作为模型对观察对象进行群体划分， 为业务方的精细化运营提供具体的细分依据和相应的运营方案建议&#x