聚类分析
聚类分析基本概念
1. 基本定义
聚类分析是一种无监督学习方法，用于将相似的数据对象分组。
# 基本概念
1. 聚类（Clustering）
- 将数据分组为簇
- 簇内相似度高
- 簇间相似度低
2. 距离度量
- 欧氏距离
- 曼哈顿距离
- 余弦相似度
3. 评估指标
- 轮廓系数
- 戴维斯-波尔丁指数
- 卡林斯基-哈拉巴斯指数
# 示例
数据集：
X = [
[1, 2],
[2, 1],
[8, 9],
[9, 8]
]
聚类结果：
簇1: [[1, 2], [2, 1]]
簇2: [[8, 9], [9, 8]]2. 聚类类型
聚类算法可以根据不同的特征进行分类。
# 聚类类型 1. 基于划分 - K-means - K-medoids - PAM算法 2. 基于层次 - 凝聚层次聚类 - 分裂层次聚类 - BIRCH算法 3. 基于密度 - DBSCAN - OPTICS - DENCLUE 4. 基于模型 - 高斯混合模型 - 自组织映射 - 谱聚类 # 特点比较 1. K-means - 优点：简单、高效 - 缺点：需要指定簇数 2. 层次聚类 - 优点：不需要指定簇数 - 缺点：计算复杂度高 3. DBSCAN - 优点：可以发现任意形状 - 缺点：对参数敏感
3. 应用场景
聚类分析在各个领域都有广泛的应用。
# 应用场景 1. 客户分群 - 市场细分 - 个性化推荐 - 精准营销 2. 图像分割 - 目标检测 - 场景理解 - 图像压缩 3. 异常检测 - 欺诈检测 - 入侵检测 - 故障诊断 4. 文本分析 - 文档聚类 - 主题发现 - 情感分析 # 实际案例 1. 电商用户分群 - 基于购买行为 - 基于浏览历史 - 基于人口统计 2. 医疗诊断 - 疾病分类 - 症状聚类 - 治疗方案