数据挖掘建模-聚类分析

1.聚类分析概述

聚类分析是一种定量方法，从数据分析的角度看，它是对多个样本进行定量分析的多元统计分析方法，可以分为两种：

对样本进行分类称为Q型聚类分析
对指标进行分类称为R型聚类分析
从数据挖掘的角度看，又可以大致分为四种：

划分聚类
层次聚类
基于密度的聚类
基于网格的聚类
本篇文章将从数据挖掘的角度来揽述，但也会借鉴数学建模的部分思想。无论是从那个角度看，其基本原则都是： 
希望族（类）内的相似度尽可能高，族（类）间的相似度尽可能低（相异度尽可能高）。希望族（类）内的相似度尽可能高，族（类）间的相似度尽可能低（相异度尽可能高）。
先来看一下从数据挖掘的角度看，这四种聚类方法有什么不同。

划分聚类：给定一个n个对象的集合，划分方法构建数据的k 个分区，其中每个分区表示一个族（族）。大部分划分方法是基于距离的，给定要构建的k个分区数，划分方法首先创建一个初始划分，然后使用一种迭代的重定位技术将各个样本重定位，直到满足条件为止。

层次聚类：层次聚类可以分为凝聚和分裂的方法；凝聚也称自底向上法，开始便将每个对象单独为一个族，然后逐次合并相近的对象，直到所有组被合并为一个族或者达到迭代停止条件为止。分裂也称自顶向下，开始将所有样本当成一个族，然后迭代分解成更小的值。

基于密度的聚类：其主要思想是只要“邻域“中的密度（对象或数据点的数目）超过某个阀值，就继续增长给定的族。也就是说，对给定族中的每个数据点，在给定半径的邻域中必须包含最少数目的点。这样的主要好处就是过滤噪声，剔除离群点。

基于网格的聚类：它把对象空间量化为有限个单元，形成一个网格结构，所有的聚类操作都在这个网格结构中进行，这样使得处理的时间独立于数据对象的个数，而仅依赖于量化空间中每一维的单元数。

划分聚类是基于距离的，可以使用均值或者中心点等代表族中心，对中小规模的数据有效；而层次聚类是一种层次分解，不能纠正错误的合并或划分，但可以集成其他的技术；基于密度的聚类可以发现任意形状的族，族密度是每个点的“邻域“内必须具有最少个数的点，可以过滤离群点；基于网格的聚类使用一种多分辨率网格数据结构，能快速处理数据。

但在目前的工业应用中，主要是划分聚类和层次聚类的应用，所以接下来的内容主要在这几个方面。

2.各种距离的定义

2.1 样本相似性度量 

要用数量化的方法对事物进行分类，就要用数量化的方法来定义每个样本的相似程度，这个相似程度在数学上可以称之为距离，最常用的闵氏距离：

其中最常用的又是欧式距离，因为当坐标轴进行正交旋转的时候，欧式距离是保持不变的，而很多算法，都是需要变换坐标轴的。
缺点1：闵氏距离没有考虑样本的各指标的数量级水平。当样本的各指标数量级相差悬殊时，该距离不合适。
解决方法：在计算距离之前，先把所有指标都转化为统一的分布内，即标准化。

缺点2:使用欧式距离要求各坐标对距离的贡献应该是同等的，且变差大小也是相同的，如果变差不同，则不太适用。 
比如在择偶时衡量一个男性的指标，假如是身高和收入水平，一个人是1.5米，收入6000，另一个人是1.8米，收入5500，这两个人的两个指标的变差差别就很大，不好用欧式距离。

解决方法2:将欧式距离进行一定的改写：

2.2 类与类间的相似性度量 

2.3 变量间的相似度度量

余弦相似度：也可以利用两个变量的夹角余弦作为它们的相似性度量：

更多距离度量公式

3.划分聚类

对于给定的类目数据k，首先给出初始划分，通过迭代改变样本和族的隶属关系，使得每次划分都比前一次好，直到隶属关系基本稳定。

划分聚类的代表是K-Means算法，它需要在一开始指定类目数，根据距离最近的原则，把待分类的样本点划分到不同的族，然后按照平均法计算各个族的质心，重新分配质心，直到质心的移动距离小于某个值。

3.1 k均值聚类

K-Means算法也称K-均值聚类算法，是一种广泛使用的聚类算法，也是其他聚类算法的基础。

假定输入样本为S = X1,X2,···，Xm,则算法步骤为： 
1. 选择初始的k个类别中心μ1μ2…μk
 
2. 对于每个样本Xi，将其标记为距离类别中心最近的类别（距离计算一般采用欧式距离） 
3. 将每个类别中心更新为隶属该类别的所有样本的均值 
4. 重复最后两步，直到类别中心的变化小于某阈值。

终止条件一般有迭代次数，族中心变化率，最小平方误差MSE （Minimum Squared Error）等。 

算法缺陷：k个族心初始点需要提前设定好，但现实情况中，不同场景下的k个族质心往往相差很大，在k值不会太大，应用场景不明确是，可以通过迭代求解损失函数最小时对应的k值。不同的随机种子点得到的结果完全不同， 

看一下k=3得到的三种不同结果： 

 

 

可以发现，即使k=3相同，但开始的情况不同，仍然有可能使得聚类不成功。第二张图就是聚类失败的例子。

4.层次聚类

层次聚类不需要指定类数，它把每个点划分为一族，将最近的两个点划分为一族，重复划分直到只剩下一个族。 

用最短距离法看一下具体是怎么算的；

设又五个销售员，w1,w2,w3,w4,w5w1,w2,w3,w4,w5,他们的销售业绩由二维变量v1,v2v1,v2描述，见表

记销售员wi(i=1,2,3,4,5)wi(i=1,2,3,4,5)的销售业绩为(vi1,vi2)(vi1,vi2),使用绝对值距离来测量点与点之间的距离，使用最短距离法来测量类与类之间的距离，即
d(w_i,w_j) = \sum_{k=1}^2 |v_{ik} - v_{jk}|;D(G_p,G_q) =\min_{{w_i \in G_p}}_{w_j \in G_q} \{d(w_i,w_j) \}
由距离公式可以算出距离矩阵： 

如此就把所有的样本点聚为一类，如果想要聚成3类，完全可以在H3H3处停止迭代就OK了。用图可以表示为：