人工智能时代前沿技术社区

首页 > 大数据 > 热点

【大数据分析】聚类分析的算法划分

聚类分析有一个通俗的解释和比喻,那就是“物以类聚,人以群分”。针对几个特定的业务指标,可以将观察对象的群体按照相似性和相异性进行不

作者: | 2018-09-26 11:48:25 | 来源:搜狐

聚类分析有一个通俗的解释和比喻,那就是“物以类聚,人以群分”。

针对几个特定的业务指标,可以将观察对象的群体按照相似性和相异性进行不同群组的划分。

经过划分后,每个群组内部各对象间的相似度会很高,而在不同群组之间的对象彼此间将具有很高的相异度。

聚类分析的算法可以分为划分的方法、层次的方法、基于密度的方法、基于网络的方法、基于模型的方法等,其中,前面两种方法最为常用。

29_副本.jpg

对于划分的方法,当给定m个对象的数据集,以及希望生成的细分群体数量k后,即可采用这种方法将这些对象分成k组(k<=m),使得每个组内对象是相似的,而组间的对象是相异的。

最常用的划分方法是K-Means方法,其具体原理是:首先,随机选择K个对象,并且所选择的每个对象都代表一个组的初始均值或初始的组中心值;

对剩余的每个对象,根据其与各个组初始均值的距离,将它们分配给最近的小组;

然后,重新计算每个小组新的均值;

这个过程不断重复,直到所有的对象在K组分布中都找到离自己最近的组。

层次的方法则是指依次让最相似的数据对象两两合并,这样不断地合并,最后就形成了一棵聚类树。


聚类技术在数据分析和数据化运营中的主要用途表现在:既可以直接作为模型对观察对象进行群体划分,为业务方的精细化运营提供具体的细分依据和相应的运营方案建议,又可在数据处理阶段用作数据探索的工具,包括发现离群点、孤立点,数据降维的手段和方法,通过聚类发现数据间的深层次的关系等。