数据挖掘中的聚类

聚类是一种基于无监督机器学习的算法，它将数据点分成若干组，使得同一组中的对象彼此相似。

聚类有助于将数据分割成几个子集。这些子集中的数据彼此相似，这些子集称为簇。一旦我们的客户数据被分割成簇，我们就可以就哪些客户最适合该产品做出明智的决定。

让我们举个例子来理解这一点。假设我们是一家市场经理，我们有一个诱人的新产品要出售。我们确信该产品只要卖给合适的人就能带来巨额利润。那么，我们如何才能从公司庞大的客户群中找出最适合该产品的人呢？

聚类属于无监督机器学习类别，是机器学习算法解决的问题之一。

聚类仅利用输入数据来确定输入数据中的模式、异常或相似性。

一个好的聚类算法旨在获得簇，这些簇具有

• 簇内相似性高，这意味着簇内的数据彼此相似。
• 簇间相似性低，这意味着每个簇包含与其他数据不相似的数据。

什么是簇？

• 簇是相似对象的子集
• 一组对象，使得簇中任意两个对象之间的距离小于簇中任意对象与不在簇中的任意对象之间的距离。
• 多维空间中一个相对密度较高的连通区域。

数据挖掘中的聚类是什么？

• 聚类是将一组抽象对象转换为相似对象类的方法。
• 聚类是将数据集或对象集划分为一组有意义的子集（称为簇）的方法。
• 它帮助用户理解数据集的结构或自然分组，并可作为独立工具以更好地了解数据分布，或作为其他算法的预处理步骤。

要点

• 簇中的数据对象可以被视为一个组。
• 在进行聚类分析时，我们首先根据数据相似性将信息集划分为组，然后为组分配级别。
• 过度分类的主要优点是它易于修改，并且有助于区分不同组的重要特征。

数据挖掘中聚类分析的应用

• 在许多应用中，聚类分析被广泛使用，例如数据分析、市场研究、模式识别和图像处理。
• 它帮助营销人员在客户群中找到不同的群体，并根据购买模式对客户群体进行分类。
• 它有助于在互联网上组织文档以进行数据发现。
• 聚类也用于跟踪应用，例如信用卡欺诈检测。
• 作为一种数据挖掘功能，聚类分析可以作为一种工具来洞察数据的分布，以分析每个簇的特征。
• 在生物学方面，它可以用于确定动植物的分类、对具有相同功能的基因进行分类以及了解种群固有的结构。
• 它有助于识别地球观测数据库中相似的地块，并根据房屋类型、价值和地理位置对城市中的房屋进行分组。

为什么在数据挖掘中使用聚类？

由于其多样化的应用，聚类分析一直是数据挖掘中一个不断发展的问题。近年来各种数据聚类工具的出现及其在图像处理、计算生物学、移动通信、医学和经济学等广泛应用中的综合使用，必定促进了这些算法的普及。数据聚类算法的主要问题在于无法标准化。高级算法可能对一种数据集给出最佳结果，但对另一种数据集可能会失败或表现不佳。尽管已经付出了许多努力来标准化在所有情况下都能良好运行的算法，但迄今为止尚未取得显著成就。到目前为止，已经提出了许多聚类工具。然而，每种算法都有其优点和缺点，并且不能在所有现实情况下工作。

1. 可扩展性

聚类中的可扩展性意味着，当我们增加数据对象的数量时，执行聚类所需的时间应该大致遵循算法的复杂度阶数。例如，如果我们执行 K-Means 聚类，我们知道它是 O(n)，其中 n 是数据中的对象数量。如果我们数据对象的数量增加 10 倍，那么聚类它们所需的时间也应该大约增加 10 倍。这意味着应该存在线性关系。如果不是这种情况，那么我们的实现过程可能存在一些错误。

数据应该是可扩展的，如果不可扩展，我们就无法获得适当的结果。该图说明了可能导致错误结果的图形示例。

2. 可解释性

聚类结果应该是可解释、可理解和可用的。

3. 发现具有属性形状的簇

聚类算法应能够找到任意形状的簇。它们不应仅限于倾向于发现小尺寸球形簇的距离测量。

4. 能够处理不同类型的属性

算法应能应用于任何数据，例如基于区间（数值）的数据、二进制数据和分类数据。

5. 能够处理噪声数据

数据库包含噪声、缺失或不正确的数据。一些算法对这些数据敏感，可能导致聚类质量较差。

6. 高维性

聚类工具不仅应该能够处理高维数据空间，还应该能够处理低维空间。