以最易懂的人话讲分类和聚类算法（建议分享和收藏）

以最易懂的人话讲分类和聚类算法（建议分享）

今天在使用聚类方法进行客户价值分析时遇到了个问题，将我卡住了半个小时，实际上现在想来是一个很简单的问题，但是大家都知道，一个人脑子短路时就是会一个小学数学题也做不出来。

但是虽然简单，在知乎或者是csdn上我也没有找到合适的答案，后面正在我想放弃自己挣扎放下面子问同事时，突然就灯泡就亮了。

于是我决定要和大家分享一下。

我做的是一个将客户按照价值分成几个群体的简单任务，需要将客户分成几个群体后画出下面这样的雷达图，然后进行分析

我们先来分析一下这样的图怎样做，雷达图的制作在前面的文章中我已经讲过怎样实现。还不知道的请自行阅读

我们接着讲，要做这样的雷达图，我们首先就要先用聚类方法将数据样本聚类成合适的几个类，那聚成几个类呢？答案是不知道。实际上，对于聚类这个事情，要聚几个类比较合适我们是不知道的，我们在进行聚类之前都是不能够确定的，但是根据经验，聚类一般在3到10个类是比较合适的，不要觉得是我只是短浅了。你可以去找相关书籍来看，里面也会讲，只能根据经验来大致确定。因为对于对于聚类这个词来讲，本身就带了很多的不确定性。

比如一个班级有100人，你能预估他们最终能分成几个小的团体吗？当然了，你可能说能，反正这个团体数一定在1到100之间，哈哈，我信。

实际上前面都是废话，今天我想跟大家聊聊什么是分类和聚类。

​ 聚类（clustering）和分类（classification）

“物以类聚，人以群分”，世界上的一切物质一定属于某个类别。这也是面向对象编程的设计思想。（对于什么是面向对象编程。不知道的朋友，翔宇推荐知乎一下或者查看我后面有没有相关文章，写这篇文章的现在是没有的哈，如果大家想看就在评论区留言，我后面会更新。）

知识储备：

分类（classification）

我们接着讲聚类，大家如果学习过一点机器学习的知识，应该就知道分类这个词。或者没有学过也没有关系。这个概念很简单。分类，顾名思义就是将东西分类。比如，我们班有100个人，然后他们每个人知道自己的身高，（假设身高大于1.78cm的属于高个子，1.60cm到1.78cm的属于中等个子，低于1.60cm的属于小个子），既然他们都知道自己的身高，就知道自己属于哪个类别。然后我们问全班同学都分别是属于哪个类别，现在，我们将数据统计一下就知道了到底每个类别有多少人。在机器学习中这就叫做分类。

可能就有同学问了，这样不是是个人就会吗？学什么机器学习，这不是扯犊子吗？没错，这样的事情确实是个人就会做，但是机器它不是人啊。所以它不会，那么我们为什么要让机器学习这样的算法呢？首先我们要先明白这样做的意义在哪里。

分类的意义
试想一个问题，上面很见到的分类大家都会，但是现在如果我们要分的不是高中低（这样的类别在机器学习中叫做标签）这几个类别了，而是想让大家根据身高和体重和体脂率划分同学体质好的有多少，体质一般的有多少，体质差的有多少。现在这些信息都在一张表上，大家觉得要把这项事情做出来得多大的工作量呢?而现在来了一个新同学，我们想知道它的体质怎么样，让我们人去查找表然后对比，这样的事又简单不简单呢？

或许上面的工作我们咬咬牙都是能做出来的，但是，如果这样的数据有100万、1000万甚至1亿条呢？大家这时候终于要放弃了吧！

因此，人做不了的事，我们交给计算机去做，但是机器只会1+0，没关系，我们将人类的想法换成计算机能够理解的算法，大家都知道计算机比人类最大的优势就在于一个字—快

咳咳，回来啊，想什么呢

这样工作有“人”帮我们做了，上班不就有时间摸鱼了？，这不就是计算机兴起的原因吗？现在我们来了1000个新同学，我们将数据给计算机，计算机直接告诉我们每一个新同学属于什么类型。这就是分类算法预测的原理。实际上统计中的回归（regression）预测也是类似的原理。

接下来，讲正题，聚类又是什么原理呢?

还是那100个同学，现在我们想知道这100个人在身高上会分成几个类别呢？我们不知道该怎么分，但是，我们想将它们分成三个类别，最好像前面分类那样的标准，不过现在有觉得那样分太带主观意志了，我们想按照人数分布来分，比如，我们发现1.51cm到1.60cm的同学有30个，1.65-176的同学有40个，1.78到1.85的同学有20个，而其他的就几个人的身高在其他的范围随意分布。这时候，我们知道，这样以上这种分类比之前那种好，为什么呢?,因为大多数人身高就分布在这几个区间。

那么剩下的高于1.85、低于151以及高于160又小于165的还有1.76-1.78，这些人怎么分呢？答案就是，离那个类别更接近就分在哪个类别。也就是说，例如1.62cm，这个身高更接近1.51-1.60这个类别的同学的身高，那我们就将它划分在这个类别。同样，其他的同学也是一样的原理划分。（当然这个例子举得太极端不说，还不符合统计学原理，这里只是为了使得大家能更好的理解聚类的原理）

上面这个就是聚类的原理例子。那么我们接着假设，我们将这100个同学分成三个类别也是我们主观控制的，如果我们说分为四个类、五个类、六个类别呢？是不是分析的结果又会不同呢？并且我们不知道到底分成几个类别会更合适，于是就有了上面讲到的聚类成几个类别通常一开始是不能够确定的，但是根据经验，一般分成设定3-10个类别里面会有比较合适的类别个数。于是我们在做聚类分析时一般就一步一个脚印，将设定不同个数类别（机器学习里面一般叫簇cluster）的聚类模型进行评估，最后选取最好的模型来进行聚类。对于模型的评估，我们下一篇文章讲聚类的典型算法—K-Means（K-均值）算法再详细为大家解析。

​ 总结

分类算法是有监督学习算法，而聚类是无监督学习算法，区别就是有监督学习算法在模型训练时数据是有标签的（已经分好类别）训练好的模型一般用于预测新的数据集，无监督学习则是说，我们之所以训练数据，就是将数据聚成几个类别。从而进行相关的应用。

下一篇文章–聚类以及典型算法K-Means的原理及实现
持续更新中，请大家关注Eternal的公众号“数据分析者”以防错过文章。

好了，这期内容我们就分享到这里，我们下期再见！