辽宁建设工程信息网招标软件,临沂 网站优化,视频剪辑课程,网站代码基础知识聚类是将数据分类到不同的类或者簇这样的一个过程#xff0c;所以同一个簇中的对象有很大的相似性#xff0c;而不同簇间的对象有很大的相异性。从统计学的观点看#xff0c;聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入…聚类是将数据分类到不同的类或者簇这样的一个过程所以同一个簇中的对象有很大的相似性而不同簇间的对象有很大的相异性。从统计学的观点看聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。从机器学习的角度讲簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同无监督学习不依赖预先定义的类或带类标记的训练实例需要由聚类学习算法自动确定标记而分类学习的实例或数据对象有类别标记。聚类是观察式学习而不是示例式的学习。从实际应用的角度看聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况观察每一簇数据的特征集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。聚类分析的核心思想就是物以类聚人以群分。在市场细分领域消费同一种类的商品或服务时不同的客户有不同的消费特点通过研究这些特点企业可以制定出不同的营销组合从而获取最大的消费者剩余这就是客户细分的主要目的。在销售片区划分中只有合理地将企业所拥有的子市场归成几个大的片区才能有效地制定符合片区特点的市场营销战略和策略。金融领域对基金或者股票进行分类以选择分类投资风险。下面以一个汽车销售的案例来介绍聚类分析在市场细分中的应用。聚类是将数据分类到不同的类或者簇这样的一个过程所以同一个簇中的对象有很大的相似性而不同簇间的对象有很大的相异性。从统计学的观点看聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。从机器学习的角度讲簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同无监督学习不依赖预先定义的类或带类标记的训练实例需要由聚类学习算法自动确定标记而分类学习的实例或数据对象有类别标记。聚类是观察式学习而不是示例式的学习。从实际应用的角度看聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况观察每一簇数据的特征集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。聚类分析的核心思想就是物以类聚人以群分。在市场细分领域消费同一种类的商品或服务时不同的客户有不同的消费特点通过研究这些特点企业可以制定出不同的营销组合从而获取最大的消费者剩余这就是客户细分的主要目的。在销售片区划分中只有合理地将企业所拥有的子市场归成几个大的片区才能有效地制定符合片区特点的市场营销战略和策略。金融领域对基金或者股票进行分类以选择分类投资风险。下面以一个汽车销售的案例来介绍聚类分析在市场细分中的应用。商业目标业务理解数据名称《汽车销售.csv》。该案例所用的数据是一份关于汽车的数据该数据文件包含销售值、订价以及各种品牌和型号的车辆的物理规格。订价和物理规格可以从 edmunds.com 和制造商处获得。定价为美国本土售价。如下表1数据视图业务目标对市场进行准确定位为汽车的设计和市场份额预测提供参考。数据挖掘目标通过聚类的方式对现有的车型进行分类。数据准备通过数据探索对数据的质量和字段的分布进行了解并排除有问题的行或者列优化数据质量。第一步我们使用统计节点审核数据的质量从审核结果中我们发现存在缺失的数据如下图所示第二步对缺失的数据进行处理我们选择使用缺失填充节点删除这些记录。配置如下建模我们选择层次聚类进行分析尝试根据各种汽车的销售量、价格、引擎、马力、轴距、车宽、车长、制动、排量、油耗等指标对其分类。因为层次聚类不能自动确定分类数量因此需要我们以自定义的方式规定最后聚类的类别数。层次聚类节点配置如下(默认配置)可以使用交互表或者右击层次聚类节点查看聚类的结果如下图所示再使用饼图查看每个类的大小结果如下从图中可见分成的三个类样本数差异太大cluster_0和cluster_1包含的样本数都只有1这样的分类是没有意义的因此需要重新分类。我们尝试在层次聚类节点的配置中指定新的聚类方法完全。新的聚类样本数分布如下cluster_0、 cluster_1、cluster_2的样本数分别为50、9、93。执行后输出树状/冰柱图可以从上往下看一开始是一大类往下走就分成了两类越往下分的类越多最后细分到每一个记录是一类如下所示我们可以再使用条形图查看每类的销售量、平均价格如下图所示每类总销量分布图每类平均销量分布图每类平均价格分布图我们再看一下每类的销售额分布情况。首先我们需要使用Java代码段节点或者派生节点生成销售额字段配置如下再使用饼图查看销售额分布情况cluster_0、 cluster_1、cluster_2的市场份额分别为32.39%、0.53%和67.08%如下图所示案例小结通过这个案例大家可以发现聚类分析确实很简单。进行聚类计算后主要通过图形化探索的方式评估聚类合理性以及在确定聚类后分析每类的特征。本文转自数据科学研习社 作者陈丹奕
