聚类的进一步介绍

上次给大家介绍了分类和聚类的区别，大家看懂了吗？今天给想给大家进一步地介绍聚类。

下面的段落内容从2开始算起，1的内容来自分类和聚类的区别。

2.1 “相似”的数据对象分为一类

简单地来说, 聚类就是将“相似”的数据对象划分为一个类别的操作。

表2-1中有8个数据对象, 对应着图2-1的8个点。

表2-1 学生成绩表

图2-1 8个学生的成绩可视化图

由于聚类的类别数需要人为地设定(见1.3),那么采取不同的类别数就会有不同的聚类结果，看看下面的例子就知道啦！

①　如果你设定的类数是4，那么聚类结果会是:

图2-3 聚类结果(类别数是3)

注：在同一个方框中的数据对象同属于一个类别，下同

②　如果你设定的类别数是3，那么聚类结果会是:

图2-4 聚类结果(类别数是3)

---

如果你设定的类别数是2，那么聚类结果会是：

---

2.2 “欧几里得”距离--定义“相似”的方法

上面说了，“相似”的数据对象会被聚成一类，那么如何定义“相似”呢？

一种方法是：衡量两个数据对象之间的“距离”。而直观地理解，两个数据对象之间的距离越小，则可以说这两个数据对象就越相似。

而衡量“差距”的方法有很多种，这里介绍一下“欧几里德”距离。

假设有两个数据对象, 而这两个数据对象在坐标轴中的坐标位置是和 ,那么这两个数据对象的“欧几里得”距离的公式是：

                                       

 

如果您还是不懂的话，就一起来看个例子吧！

上面表2-1中的王一同学的成绩是(98,94)，李力同学的成绩是(93,95),张三同学的成绩是(84,85)。

王一同学和李力同学的“欧几里德”距离是：

                                         

 王一同学和张三同学的“欧几里德”距离是：

                                          

由于 

那么可以说：相比于王一和张三，王一和李力之间的“相似度”更高。

注：这个“欧几里得”的概念很重要哦，很快就会在下面的内容中用到啦！

 没看懂的可以在评论区留下您的吐槽哦！