数据分析模型之聚类分析

一、定义

将大量的数据集中后作为样品，从中必然存在一定的相似数据或者规律，基于这个假设将数据分离出来并且发现不同类的特征

二、应用场景

聚类分析常用于数据探索或挖掘的前期，做探索性分析；同样适用于样本数量较大的情况下做数据预处理工作。

三、常用的聚类分析算法

聚类分析算法基于划分、层次、密度、网格、统计学、模型等类型的算法，典型算法包括：K均值（经典算法）、DBSCAN、两步聚类、BIRCH、谱聚类

四、解决的问题与缺点

能解决的问题：数据集可以分为几类；每个类别有多少样本量。
缺点：无法提供明确的行动指向，聚类结果更多的是为后期挖掘和分析工作提供预处理和参考，无法回答“为什么”和“怎么办”

五、数据异常对聚类的影响

K均值异常
1、数据的异常值
2、数据的一场量纲（量级单位）
3、超大量时应该放弃K均值算法

DBSCAN算法：基于密度寻找被低密度趋于分离的高密度空间，以此来实现不同数据样本的聚类。
优点：
1、原始数据集的分布规律没有明显要求，能适应任何数据集分布形状的空间聚类，因此数据适应性更广。
2、无须制定聚类数量，对结果的先验要求不高
3、由于DBSCAN可区分核心对象、边界点和噪声点，因此对噪声的过滤效果好，能有效对应数据噪点。

高纬度聚类处理方法
1、降维
2、子空间聚类