27、使用k-means聚类发现数据组

使用k-means聚类发现数据组

1. k值设定与聚类洞察

设定k值的过程有时能带来有趣的洞察。通过观察随着k值变化，聚类的特征如何改变，我们可以推断数据自然形成的边界在哪里。聚类紧密的组变化较小，而不太同质的组则会随时间形成和解散。通常，不必过于纠结k值的精确性。下面我们将通过一个例子展示，即使借鉴一部好莱坞电影中的少量主题知识，也能设定合适的k值，从而找到有实际意义且有趣的聚类。

2. 案例背景：青少年市场细分

在社交网络服务（SNS）上与朋友互动，如在Facebook、Tumblr和Instagram上，已成为全球青少年成长过程中的一部分。这些青少年有相对较多的可支配收入，是希望销售零食、饮料、电子产品和卫生用品的企业眼中极具吸引力的目标群体。数百万使用这些社交网站的青少年消费者吸引了营销人员的注意，他们在竞争日益激烈的市场中努力寻找优势。一种获得优势的方法是识别具有相似品味的青少年细分群体，这样企业就可以避免向对所售产品不感兴趣的青少年投放广告。例如，向对体育不感兴趣的青少年推销运动服装可能会很困难。

3. 数据收集

为了进行分析，我们将使用一个数据集，该数据集代表了2006年在一个知名社交网络服务上有个人资料的30,000名美国高中生的随机样本。为保护用户的匿名性，该社交网络服务将不具名。但在数据收集时，它是美国青少年常用的网站，因此可以合理假设这些个人资料代表了2006年美国青少年的广泛情况。
数据在四个高中毕业年份（2006 - 2009年）均匀采样，分别代表了数据收集时的高年级、中年级、低年级和新生班级。使用自动网络爬虫下载了社交网络个人资料的全文，并记录了每个青少年的性别、年龄和社交网络好友数量。