市场研究中的数据分析知识整理 （三）-聚类分析

4 聚类分析

聚类和判别作为统计学习（通过拟合统计模型，从数据中学习）的分类之一，同样可以分为有监督式和无监督式。

市场研究中，聚类和判别更多适用有监督式。即目标对象的在营销活动后的反应已知，通过目标对象的特征和其他变量，来拟合出相应的群组分类模型，可称为聚类；将该模型和目标对象特征、其他变量等来预测新的一批目标对象的营销反应，可称为判别。

非监督式学习，也可用作不知道结果组，但通过数据杰哥的发掘，来获取其分组模式。

聚类分析的步骤：

• 1、选择合适的变量。根据业务需求和对数据结构的理解，选取合适的聚类变量。
• 2、对数据进行标准化。将不同变量的数据范围，使用scale()进行标准化，减少因不同变量单位差别造成的扰动。
• 3、寻找异常点。对于很多基于距离的聚类方法而言，异常点会对分类造成很大影响。可通过outliers包中的outlier()来寻找异常点。
• 4、选择聚类算法。根据数据结构和目的，选择一个或多个聚类方法。
  
  • hclust（系统聚类）和kmean（基于均值的聚类）是两个基于距离的聚类方法。其原理是寻找最小化的组内距离和最大化的组件距离。hclust()通过树状结构建模获得分组，kmean()使用中心定位的方法获得分组；
  • Mclust()（混合高斯分布）和poLCA()（潜在类分析）是两类基于模型的聚类方法。Mclust认为不同类别的观测有不同的分布样态，通过估计潜在的分布参数和混合比例，来确定观测的分组，mclust是基于正态分布的，也就意味着只适用于数值型的数据。poLCA()则是使用包含分类变量的浅层级模型。
• 5、运用聚类方法，并存在聚类对象。在运用聚类方法过程中，需要根据不同的聚类方法，进行不同的准备，如基于聚类的方法hclust()需要事先计算相似度矩阵，才能运用观测分类，kmean()、poLCA()需要指定观测分组等等。
• 6、解读聚类方案，根据业务使用聚类方案的特征。

数据输入

#本部分引入该数据作为案例,该案例是一个游乐园的满意度调查的相关数据
#cls <- read.csv("http://goo.gl/qw303p"")
cls_o <- read_csv("~/Desktop/Über R/Excesise/rintro-chapter5.csv")
head(cls_o)
cls <- cls_o[,-7]#cls_o数据集已预先有分类，在本案例中先将其剔除
str(cls)

hclust()

#hclust() 在使用之前，需要实现计算好距离矩阵
#一般使用的欧几米的距离（Euclidean）可用dist()函数实现，但该方法只适用于数值型变量；cluster包的daisy()则能处理混合数据类型。本案例是混合数据类型，故使用该函数计算距离。

#a 转换数据：需要将非数值变量转换成因子变量
cls$gender <- factor(cls$gender)
cls$ownHome <- factor(cls$ownHome)
cls$subscribe <- factor(cls$subscribe)
#b 计算距离，获得模型
library(cluster)
cls_dist <- daisy(cls)
cls_hc <- hclust(cls_dist, method = "complete")
#c 图形化显示分类结果谱系图，但该图因为数据量庞大导致无法实际使用
plot(cls_hc)
#d 切割谱系树。所以，可以进一步聚焦谱系图的某一部分，通过cut()来切分谱系图对象as.dendrogram()，在某一高度h=~，并选择特定分支$lower[[1]]
plot(cut(as.dendrogram(cls_hc),h = 0.4)$lower[[2]])

切割后的谱系图

#e 检查拟合优度。cophenetic是专门针对系统分类的检验系数，类似于r，CPCC > 0.7 说明你和强度强，意味着该模型能够较好的切分两棵树之间的距离
cor(cophenetic(cls_hc),cls_dist)
 >[1] 0.7682436

深挖系统聚类给出的类：

#f 对谱系图进行切割。根据plot(cls