聚类分析并不靠谱

聚类分析的结果受距离定义方式影响,自变量间不应相关,需剔除量纲,确保数据正态分布,避免异常值,并进行合理抽样。聚类分析前无法预知类别数和中心,其可靠性有限,但仍是模式发现的重要工具。应用中常结合逻辑回归和方差分析以增强解释性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

                                                   距离定义不同,聚类结果不同

       聚类分析中,距离有两种定义方式,即:

  • 依据远近:即距离的远近程度,远即距离远,近即距离近;
  • 依据相似程度:即相似程度低为距离远,相似程度高为距离近

       相同的聚类分析中,距离的定义方式不同,得到的聚类结果也会不同,实际的数据分析工作中,为了便于解释结果我更喜欢使用相似程度去定义聚类分析中的距离

                                                         聚类分析中的坑

       如下为聚类分析过程中尤其要注意的点:

  • X间不可相关

       回归模型中自变量间不能具有相关性,同样,聚类分析中的自变量间也不可以相关,其实,聚类分析中对自变量相关性的把控比回归模型还要严格

  • 剔除量纲

       聚类分析前需要剔除量纲的影响;

  • 正态分布

       由于聚类分析的结果不稳定,导致聚类分析非常脆弱,对于数据分布非常敏感,所以,聚类分析前需要精确的探索数据分布。快速聚类有一个基本假定,即参加聚类分析的变量必须服从

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值