python聚类分析结果很差_用最简单通俗的话解释聚类分析,看完不会来找我

本文介绍了聚类分析的基本概念,解释了为何直接使用平均值划分数据可能导致错误,并通过K-Means聚类法提供了一个简单的实例说明。聚类与分类的不同在于其依赖于算法发现数据的内在联系,而非预设分类标准。在数据分析中,聚类方法如K-Means被广泛应用于数据挖掘和探索数据的潜在差异。
摘要由CSDN通过智能技术生成

经常有人问我,数据分析师和算法工程师有什么区别?我不说别的,我就从薪资分析给你们看一下:

在开始我们今天的分享之前,先看一个实际业务分析场景中的例子:

某零售公司在市面上主要有30款产品,这些产品的类别、销售量和销售额的差异很大,于是该公司的业务分析师想按照一定的标准,将30个产品划分为A、B、C三个等级,以便公司进行产品战略规划,那么他应该怎么做呢?

很多人可能会想到套用波士顿矩阵,以销售量和销售额为横纵坐标轴,计算中心轴,将每个产品落入矩阵当中,就能得到大体的产品分类情况。

好像看上去没问题对不对?但是在实际情况中,很多人这样做出来的却是错误的,为什么呢?

其实这种思路是对的,但是很多人都忽略了一个最关键的问题:应该用什么标准去衡量和判断中心轴的划分

很多人都会选择直接拉取数据的平均值作为中心轴,然而这种分类方法在实际中可能会造成数据的误判,因为类别的不同,数据之间的差异可能会呈现出族群的现象,这时候有些数据就可能会“鱼目混珠”地混入其他类别之中。

比如,我们可以举个很极限的例子,有A、B、C三个产品的销售量分别为100、50、1,很显然A、B产品为一类,C产品为一类;但是如果按照平均值151/3=50.03,划分之后A为一类,B与C划分到了一类。

怎么样,是不是很奇怪,这时就要用到

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值