分类模型——聚类分析（零）

聚类分析在数据挖掘领域中非常活跃的领域之一，因为随着大数据时代的到来，相应的数据处理模型急需面世。聚类分析作为一种无监督机器学习方法，在信息检索和数据挖掘等领域都有很广泛的应用,例如金融分析、医学、生物分类、考古等众多领域。当然简单的聚类分析应用于我们数学建模比赛中是完全没有问题的。但是小编还是想具体介绍一下聚类分析的背景以及前景。因为小编认为这个模型的突破完全可以让人类步入新的纪元。虽然现有的聚类算法比较多，但它们都会有这样那样的不足，数据集的不同也会影响不同聚类算法的聚类结果。研究和改善聚类算法、提高聚类结果的准确率一直以来是国内外专家、研究人员的重点工作之一。给大家先看一下简单的聚类分析

这是简单的二维聚类，它显示了一个按照数据对象之间的距离进行聚类的示例，距离相近的数据对象被划分为一个簇。
小编来给大家具体说说它的前景吧。
1，商业
大家目前可能已经熟悉了商家广告的精准投放，这个例子就可以是为聚类分析的产物。大家都知道现在消费者的数据采集变得无比容易，那如何去根据一堆庞大的数据去分析出每位消费者的喜好呢，或者说如何精准的获得每个喜好群体的消费者。这就需要聚类分析来对庞大的数据进行分类。
2，生物
目前的聚类分析仅仅是简单低维度的聚类分析，像十维，百维，千维，万维…这些聚类分析算法目前还是一片空白，但我们可以预测当聚类分析算法突破到万维时，人类完全可以攻克蛋白质，遗传信息的奥秘。从而步入创造生命的时代。
其它方面小编就不赘述了，我们进入正题，解析聚类分析。
聚类分析包含以下算法（可能还有其它的聚类分析算法，但小编知识有限就细写讲以下几个算法趴）

这其中小编最熟悉的是K-means和K-medoide但实际上K-medoide是K-means的改进版，它优化了“噪声”对中心点的影响（噪声是指数据中的极端数据，毕竟林子大了什么鸟都有嘛，何况成千上万的数据呢）但是我个人认为K-medoide还有一定的优化空间，我个人也验证了自己优化后的模型准确性有较大幅度的提升，后续的文章会具体介绍哦~
我们下一篇正式开启聚类分析法（一）大家有需要的可以关注下我滴公众号哦，我会在里面放实现代码（我也是一篇一篇写，大家不要着急哈）。