聚类模型以及分群质量评估

本文探讨了聚类分析的重要性和常用模型,包括K-Means、层次聚类和最大期望EM算法。聚类距离的计算方法和数据标准化过程也被提及。此外,文章讨论了如何评价聚类结果,如轮廓系数、兰德指数等指标,并提到了DBSCAN作为解决异常值和非凸样本集的聚类方法。最后,介绍了Python中的一些聚类质量评估工具。

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

聚类分析:用于客户细分极为重要。三类常见的聚类模型,K-Means,层次聚类,最大期望EM算法,其他的还有密度聚类
如何评价聚类结果好坏,一些常用的指标又有哪些
聚类分析的目的:让类群内观测的距离最近,同时不同全体之间的距离最大

1.聚类分析的距离问题:样本聚类距离:欧式距离,绝对值距离,明式距离,马氏距离。概率分布的距离衡量:k_l代表P,Q概率分布差的期望

在这里插入图片描述在这里插入图片描述
聚类分析一般要进行标准化,因为聚类数据收到量纲的影响
标准化 x-min(x) / max(x)-min(x) 最小最大规范化 也叫离差标准化,是对原始数据的线性变换,将数据映射到[0,1]之间,与功效系数法相同
正态标准差标准化、零均值规范化等方法,经过处理的数据均值为0,标准差为1。公式为:
x*=(x-均值)/标准差
因为均值受离群值影响较大,也可以将均值替换成变量的中位数。

2.群体聚类距离:
在这里插入图片描述
3.常见的聚类模型:
K_means:
1.将所有的点划分到k个群体,使得群体之间的距离尽量大,全体内部距离和最小,k均值是在每次迭代中只计算聚类分布的质心

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