聚類分析是無監(jiān)督學習，即我們事先不知道正確結(jié)果，數(shù)據(jù)沒有附帶標簽，需要通過某些算法來發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的本質(zhì)和規(guī)律，從而實現(xiàn)對數(shù)據(jù)內(nèi)在關聯(lián)結(jié)構(gòu)的分類。聚類分析就是根據(jù)樣本間的相似性對樣本集進行分組，使得組內(nèi)差距最小化，組間差距最大化。如：客戶細分、用戶畫像、新聞聚類、基因分類等。為數(shù)據(jù)挖掘和業(yè)務分析提供了有力支持。
聚類分析流程步驟如下：
第一步接入數(shù)據(jù)：聚類算法要求接入結(jié)構(gòu)化數(shù)據(jù)，自變量數(shù)據(jù)類型為數(shù)值型或字符型，不支持日期型和文本型。若接入的自變量數(shù)據(jù)不滿足聚類分析的數(shù)據(jù)要求，可以通過屬性變化節(jié)點進行數(shù)據(jù)類型轉(zhuǎn)換或重新接入數(shù)據(jù)。
第二步設置角色：通過設置角色節(jié)點確定聚類分析研究的屬性列，設置為自變量。聚類算法必須設置自變量，不支持設置因變量，自變量可以是連續(xù)型（數(shù)值）也可以是離散型（字符）。當然在設置角色節(jié)點之前也可以根據(jù)實際業(yè)務和數(shù)據(jù)情況進行原始數(shù)據(jù)的清洗、集成、轉(zhuǎn)換、離散、歸約、特征選擇和提取等一系列預處理工作，達到挖掘建模的數(shù)據(jù)標準。
第三步建立模型：根據(jù)分析方案和處理后的業(yè)務數(shù)據(jù)構(gòu)建聚類模型，平臺內(nèi)置9種聚類算法可以直接拖拽使用，并配置對應的模型參數(shù)，包括：KMeans、模糊C均值、EM聚類、Hierarchy、Kohonen聚類、視覺聚類、Canopy、冪迭代和兩步聚類。當我們不清楚當前數(shù)據(jù)更適合哪種聚類算法，或不清楚多個模型中哪個模型效果更好時，我們有兩種處理方案：方案一，通過多分支節(jié)點將相同的輸入數(shù)據(jù)同時傳遞給多個不同的聚類模型，由平臺推薦出多個模型中的最優(yōu)模型；第二種，通過自動聚類節(jié)點選擇多個聚類算法一次性構(gòu)建模型，該節(jié)點內(nèi)嵌自動擇參功能，將多個算法及其對應的多組參數(shù)生成的多種模型進行評估比較，最終幫助我們推薦出最佳算法及相應的最佳參數(shù)組合。
第四步模型評估：利用聚類評估節(jié)點檢驗聚類模型的可靠性，在洞察中根據(jù)一些評價的指標（如總離差平方和等）或者圖表展示，獲得質(zhì)量最佳的聚類模型。
完成上述建模之后執(zhí)行流程，流程執(zhí)行成功后自動跳轉(zhuǎn)至洞察頁面，在洞察頁面點擊可以查看模型的分析結(jié)果，我們通過示例流程來詳細介紹。點擊【KMeans】查看聚類結(jié)果，在聚類圖中以看到各類別的樣本數(shù)，聚類1樣本數(shù)39個，聚類2樣本數(shù)50個，聚類3樣本數(shù)61個，如下圖所示：
點擊【聚類評估】查看模型的評估結(jié)果，如下圖：
總離差平方和，值越小說明真實數(shù)值與期望值之間相差越小，可被用來評估模型的準確率。輪廓系數(shù)、DB系數(shù)、Dunn系數(shù)，3個系數(shù)均是值越大聚類效果越好。我們從聚類評估結(jié)果可以看出，KMeans算法的總離差平方和都比較小，輪廓系數(shù)值都在0.8以上，模型聚類效果較好。
再來看數(shù)據(jù)集的情況，可以看到最后一列屬性“prediction”為類別標簽列。
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數(shù)據(jù)工廠平臺
Tempo指標平臺
Tempo數(shù)據(jù)治理平臺
Tempo主數(shù)據(jù)管理平臺
首頁
美林數(shù)據(jù)
行業(yè)資訊
陜公網(wǎng)安備 61019002000171號
