锐客网

  1. 首页 > 睿知 > >

聚类分析的思想,简述聚类分析的基本思想

经验分享睿知

聚类 分析，根据研究对象的不同可分为Q型聚类、R型聚类1、聚类-2 。聚类 分析主要用于探索性研究 ， 分析的结果可以提供多个可能的解，选择最终方案需要研究者的主观判断和后续的分析；不管实际数据中是否存在不同的类别，用聚类 分析就可以得到分成几类的解，聚类 分析的解完全取决于研究者选择的聚类变量，添加或删除一些变量可能会对最终解产生实质性影响 。

1、K-Means 聚类算法问题导入如果有这样的情况，有一天你想去某个城市旅游，这个城市有70个你想去的地方，现在你只有每个地方的地址 。这个地址列表很长，有70个位置 。一定要提前做好准备 。你应该把一些接近的地方放在一起组成一个小组，这样你就可以安排交通工具到达这些小组的“一个地址”，然后步行到每个小组中的地址 。那么，如何确定这些群体，如何确定这些群体的“一个地址”呢？

本文提供的k means聚类分析方法可以用来解决这类问题 。1.聚类 思想所谓的聚类算法是指将一堆未标记的数据自动分成几类的方法，属于无监督学习方法 。这种方法要保证同一类别的数据具有相似的特征，如下图所示:根据样本之间的距离或相似度，越相似越相似 。

2、 聚类 分析(clusteranalysis我们来看看这里聚类 分析 。比较流行的方法有聚类和K-means 聚类，属于split 聚类方法 。KMeans算法的思想非常简单 。对于给定的样本集，根据样本之间的距离将其划分为k个聚类 。让簇内的点尽可能的紧密连接，让簇间的距离尽可能的大 。目标是最小化Esum(x\miu_i) ， 其中\miu_i是每个聚类的平均值 。直接求上述公式的最小值并不容易，这是一个NP难问题 ， 所以采用了启发式迭代法KMeans 。

【聚类分析的思想,简述聚类分析的基本思想】上面的图A代表初始数据集，假设k3 。在图B中 ， 我们随机选取三个K类别对应的类别质心，即图中的红绿和草绿质心，然后分别求出样本中所有点到这三个质心的距离，将每个样本的类别标记为与样本距离最小的类别，如图c所示 ， 计算样本与红绿和草绿质心的距离后，第一次迭代后得到所有样本点的类别 。此时 ， 我们找到我们当前点的新质心，分别标记为红色、绿色和草绿色 ， 重复这个过程，将所有点的类别标记为最近质心的类别，找到新质心 。

    推荐阅读


    上一篇：整车cae分析,整车CAE分析规范

    下一篇：mysql的查询分析器