聚类分析（文末送书）

你的名字 2024-03-16 17:08 12阅读 0赞

**目录**

聚类分析是什么

一、 定义和数据类型

聚类应用

聚类分析方法的性能指标

聚类分析中常用数据结构有数据矩阵和相异度矩阵

聚类分析方法分类

二、K-means聚类算法

划分聚类方法对数据集进行聚类时包含三个要点

K-Means算法流程:

K-means聚类算法的特点

三、k-medoids算法

基本思想

K-medoids算法特点

四、送书活动

五、抽奖规则

--------------------

## 聚类分析是什么 ##

> 聚类分析是一种寻找数据之间内在结构的技术，将数据对象的集合分组为由类似的对象组成的多个类的分析过程。聚类把全体数据实例组织成一些相似组，而这些相似组被称作簇。处于相同簇中的数据实例彼此相同，处于不同簇中的实例彼此不同。聚类技术通常又被称为无监督学习，与监督学习不同的是，在簇中那些表示数据类别的分类或者分组信息是没有的。

## 一、 **定义和数据类型** ##

#### 聚类应用 ####

*  市场营销: 帮助营销人员帮他们发现顾客中独特的群组，然后利用他们的知识发展目标营销项目
 *  土地利用: 在土地观测数据库中发现相似的区域
 *  保险: 识别平均索赔额度较高的机动车辆保险客户群组
 *  城市规划: 通过房屋的类型、价值、地理位置识别相近的住房
 *  地震研究: 沿着大陆断层聚类地震的震中

#### 聚类分析方法的性能指标 ####

*  可扩展性
 *  自适应性
 *  鲁棒性
 *  可解释性

#### 聚类分析中常用数据结构有数据矩阵和相异度矩阵 ####

![d54ee27645f64176825ddf88b463a1d0.png][]

![ed69ecd0c1294898897b065222ace202.png][]

#### 聚类分析方法分类 ####

基于划分、基于分层、基于密度、基于网络、基于模型

## **二、K-means****聚类算法** ##

#### 划分聚类方法对数据集进行聚类时包含三个要点 ####

选定某种距离作为数据样本间的相似性度量  
选择评价聚类性能的准则函数  
选择某个初始分类，之后用迭代的方法得到聚类结果，使得评价聚类的准则函数取得最优值

标准测试函数：

![8b6a764ba2d840dd86975ba6651dfd31.png][]

均值：

![faf17bab73b74b7096d45a02364e13e1.png][]

#### K-Means算法流程: ####

输入:包含n个对象的数据集聚类个数k，最小误差e  
输出:满足方差最小标准的k个聚类  
①从n个数据对象中随机选出k个对象作为初始聚类的中心  
②将每个类簇中的平均值作为度量基准，重新分配数据库中的  
数据对象  
③计算每个类簇的平均值，更新平均值  
④循环(2)(3)，直到每个类簇不在发生变化或者平均误差小于e

#### **K-means****聚类算法的特点** ####

> 优点  
> 简单、快速  
> 算法尝试找出使平方误差函数值最小的k个划分据集  
> 对处理大数据集，该算法是相对可伸缩的和高效率的

> 缺点
> 
> 不适合于发现非凸面形状的簇，或者大小差别很大的簇
> 
> 要求用户必须事先给出要生成的簇的数目K
> 
> 对于“噪声”和孤立点数据敏感
> 
> 对初值敏感

## 三、k-medoids算法 ##

#### 基本思想 ####

k-medoids算法是一种聚类算法，与k-means算法相似，但它选择的中心点是簇中实际的数据点，而不是像k-means那样选择簇中心点的均值。

其基本思想是，给定一个数据集和聚类数k，随机选择k个点作为初始中心点，然后迭代以下两个步骤直到收敛：

1. 对于每个数据点，计算其与各中心点的距离，并将其划分到距离最近的簇中。

2. 对于每个簇，选择一个代表点（即中心点）来替换原来的中心点，使得代表点到簇中其他点的距离之和最小。

这个过程是一种优化过程，每次迭代会使得簇内的样本距离代表点更近，而簇间的距离更远，最终达到收敛。

与k-means算法不同，k-medoids算法不是适用于高维数据集，因为在高维空间中，欧几里得距离的性质会失效，需要使用更加复杂的距离度量方式。

#### K-medoids算法特点 ####

> 优点：  
> 1. 鲁棒性强：K-medoids算法采用一组代表性点（medoids）代表聚类簇，因此在数据噪声较大或者存在离群点的情况下，比k-means更加鲁棒。  
> 2. 可解释性好：由于medoids是实际存在于数据集中的点，所以聚类结果更容易被理解和解释。  
> 3. 适用于非凸数据集：相比k-means算法只适用于凸数据集，K-medoids算法可以处理非凸数据集的聚类问题。

> 缺点：  
> 1. 运算速度慢：由于K-medoids算法需要计算每个点到medoid的距离，因此计算复杂度较高，时间复杂度为O(K\*N^2)，其中K为聚类簇数，N为数据点数。  
> 2. 对初始值敏感：K-medoids算法的聚类结果取决于初始medoid的选择，因此需要多次随机初始化来获得更好的聚类结果。  
> 3. 不适用于大数据分析：由于计算复杂度较高，K-medoids算法不适合处理大数据集。

## 四、送书活动 ##

> 618，清华社 IT BOOK 多得图书活动开始啦！活动时间为 2023 年 6 月 7 日至 6 月 18 日，清华  
> 社为您精选多款高分好书，涵盖了 C++、Java、Python、前端、后端、数据库、算法与机器学习等多  
> 个 IT 开发领域，适合不同层次的读者。全场 5 折，扫码领券更有优惠哦！快来京东点击链接 IT BOOK  
> 多得（或扫描京东二维码）查看详情吧！

![0d9388f3da3d45bbac7867e55b5f6778.jpeg][]

详情了解：[《Python从入门到精通（微课精编版）（软件开发视频大讲堂）》(前沿科技)【摘要 书评 试读】- 京东图书][Python_ _ _-]

![fd553fe250374102bf62d5070859ef54.jpeg][]

## 五、抽奖规则 ##

> 活动时间: 截止到2023-06-18 12: 00  
> 参与方式: 点赞、收藏本文章，并评论  
> 抽奖时间: 2023.06.18  
> 公布时间: 2023.06.20  
> 通知方式: 私信和动态通知（一共50本书）

> 获奖名单：
> 
> i阿极
> 
> 不是笨小孩i.
> 
> Ja\_小浩

[d54ee27645f64176825ddf88b463a1d0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/5029c5021d334a70935b5d775d5332ba.png
[ed69ecd0c1294898897b065222ace202.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/2282c96049f84963a3b3474cbbd3f3fa.png
[8b6a764ba2d840dd86975ba6651dfd31.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/d52914e9c1f4442683402a75c1c4fd56.png
[faf17bab73b74b7096d45a02364e13e1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/92570e346ee14d0283d04576919b918a.png
[0d9388f3da3d45bbac7867e55b5f6778.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/177c024ef4374a9fbc44972606a12f14.png
[Python_ _ _-]: https://item.jd.com/13524355.html
[fd553fe250374102bf62d5070859ef54.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/15/c552346b2373433ab2de5ac7fdb881ff.png