35、聚类分析：原理、数据类型与应用

聚类分析：原理、数据类型与应用

1. 聚类分析概述

聚类分析是将一组物理或抽象对象分组为相似对象类别的过程。聚类中的每个簇是一组数据对象，簇内对象彼此相似，而与其他簇的对象不同。与分类不同，聚类不需要预先定义的类标签，是一种通过观察学习的方式。

聚类分析在众多领域有着广泛应用：
- 商业 ：帮助营销人员发现客户群体中的不同细分市场，并根据购买模式对客户群体进行特征描述。
- 生物学 ：用于推导动植物分类法，对具有相似功能的基因进行分类，以及深入了解种群的内在结构。
- 其他领域 ：还可用于地球观测数据库中识别相似土地用途的区域、根据房屋类型、价值和地理位置对城市中的房屋进行分组、识别高平均索赔成本的汽车保险保单持有人群体，以及对网页上的文档进行分类以实现信息发现。

聚类分析在数据挖掘中还可用于异常值检测，例如检测信用卡欺诈和监控电子商务中的犯罪活动。此外，它既可以作为独立工具来深入了解数据分布、观察每个簇的特征，也可以作为其他算法（如特征化、属性子集选择和分类）的预处理步骤。

聚类分析在数据挖掘中的典型要求如下：
|要求|描述|
| ---- | ---- |
|可扩展性|许多聚类算法在包含少于几百个数据对象的小数据集上表现良好，但大型数据库可能包含数百万个对象。需要高度可扩展的聚类算法，因为对大数据集的样本进行聚类可能会导致有偏差的结果。|
|处理不同类型属性的能力|许多算法是为对基于区间（数值）的数据进行聚类而设计的，但应用可能需要对其他类型的数据（如二元、分类（标称）、有序