聚类分析的现状与前景研究.ppt

聚类分析 简要介绍 聚类分析是研究如何将样品或变量进行分类的一种方法（将一些观察对象依据某些微量特征加以归类）。主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者的主观判断和后续的分析。 分类：系统聚类：用于对小样本的样品间聚类以及对变量聚类。动态聚类：适用于样本量较大时样品间的聚类，常用k-means法处理。有序样品聚类：对有排列次序的样本的样品间聚类，要求必须是次序相邻的样品才能聚成一类。 房价问题 2 0 0 4年全国3 7大城市国民经济和社会发展统计公报的相关数据分别从国内生产总值(GDP)、居民家庭人均可、支配收入、房价收入比、人均GDP这四个维度对全国3 7大城市的房价问题进行聚类分析 房价收入比 房价收入比：是指居住单元的中等自由市场价格与中等家庭年收入之比。 例如一套售价为4 9万元的房子对于一个年收入7万元的家庭，其比值便为7 :1 消费群体 聚类分析在银行客户细分领域中的应用：所用变量：序号变量1客户年龄2发卡日期3支付宝交易金额4贷款数量5一段时间内的交易次数6一段时间内交易最大金额7一段时间内平均交易金额8一段时间内交易后余额 特征向量客户年龄发卡日期支付宝交易金额贷款数量一段时间内的交易次数一段时间内交易最大金额一段时间内平均交易金额一段时间内交易后余额第一类3 8 1 9 9 7 6 0 1 2 3 1 5 0 30 2 0 9 4 9 0 8 2 1 1 4 9 9 6 8 8 0 8第二类3 9 1 9 9 7 4 7 9 9 1 7 4 2 01 2 4 5 4 6 4 5 5 1 0 2 5 9 6 4 4 8 5第三类4 2 1 9 9 7 4 1 5 1 8 2 4 4 9 2 6 6 3 9 1 4 1 9 0 6 4 6 3 5 5 8结果： 前景与优缺点 高维聚类分析已成为聚类分析的一个重要研究方向。同时高维数据聚类也是聚类技术的难点。随着技术的进步使得数据收集变得越来越容易，导致数据库规模越来越大、复杂性越来越高，如各种类型的贸易交易数据、Web 文档、基因表达数据等，它们的维度（属性）通常可以达到成百上千维，甚至更高。但是，受“维度效应”的影响，许多在低维数据空间表现良好的聚类方法运用在高维空间上往往无法获得好的聚类效果。高维数据聚类分析是聚类分析中一个非常活跃的领域，同时它也是一个具有挑战性的工作。目前，高维数据聚类分析在市场分析、信息安全、金融、娱乐、反恐等方面都有很广泛的应用。 聚类分析本身也存在着一些不足，比如快速聚类虽然速度快，但是其分类指标要求是定距变量，而实际研究中，有很多的定类变量，如性别、学历、职业、重复购买的可能性等多个与研究目的紧密相关的指标无法直接参与运算，而大大限制了它的使用范围。聚类分析通常不能单独的应用解决一些问题，需要和其他方法一起结合使用才能使分析更全面、科学。并且在聚类分析过程中，针对具体情况分为几类比较合适，有的软件没有提供具体的操作，有时需要验证。例如用相关系数法进行聚类分析和指数法的时候存在加权问题。聚类分析的准确性还不算是很高，有待于完善。比如算法时空复杂，孤立点、代表点、链接过滤等问题还没有得到彻底解决。