em算法 实例 正态分布_算法与实战 - (1) 聚类

最近在阅读阿里数据分析专家卢辉的《数据挖掘与数据化运营实战》。书中结合了实际业务案例，介绍了在实战项目中数据分析和数据挖掘的许多知识点，干货满满。

因此，打算结合书中内容，对一些重要的主题加以总结，在过程中加深对各个知识点的理解。

本文包括四个部分——

1. 聚类简介和应用场景
2. 常见聚类算法
3. 聚类效果评估
4. 聚类使用注意事项

1. 聚类应用场景

聚类是非监督学习中的一类算法，通常是通过多次迭代来找到数据的最优分割，将数据划分为多个类。

聚类在数据分析中十分常用，一般有两个典型的应用场景——

1. 数据分析前期的数据探索

• 在数据分析前期，可以通过聚类和可视化了解数据分布
• 聚类可以定位孤立点、异常值，用于数据清洗、转化等数据处理过程
• 聚类产生的类别可以作为一个新的字段加入到其他模型的搭建中

2. 聚类算法建模

• 解决一些实际场景，聚类的结果可以指导落地应用，常用于样本分群
• 用户分群中，可以根据众多指标进行聚类，将用户划分为具有明显特征区别的群体
• 作品分群中同样通过聚类可以划分为低热度、中热度、KOL作品等

总的来说，聚类对目标群体进行多指标的划分，为个性化、精细化的运营提供基础。

2. 常用聚类方法

聚类算法根据不同的思路可分为原型聚类、密度聚类、层次聚类三种，本节依次简单介绍。

2.1 原型聚类

原型聚类假设聚类结构能通过一组原型刻画，通常是先初始化原型，然后对原型进行迭代更新求解。

比如Kmeans聚类、高斯混合模型都属于原型聚类。

Kmeans聚类算法

Kmeans聚类使用K个中心点，将数据划分为K个类，使得每个样本距离所属类的中心点最近。

Kmeans聚类算法本质上是寻找K个中心点，使得所有样本点到所属类的中心点的距离之和，即

算法的运行流程如下：

1. 随机选择
   个点作为
   个类的中心
2. 对每个样本点，将其分配到最近的类，即

3. 对每个簇，重新计算该类的中心（使中心变为当前类的均值点），即

4. 重复第2、3步迭代过程直到收敛

高斯混合模型GMM

其核心思想是假设K个类别均服从各自的高