← 返回卡片

原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow

12 第12章 基于LSTM-Autoencoder的无监督聚类模型 12.1 聚类分析的广泛应用

核验版本的摘录快照 · 导入于 2026-11-14T09:43:22.283Z

聚类分析是非常强大的分析方法,是一种不需要标记数据的无监督机器学习技术。简单来说,聚类分析是将一组对象进行分组,同一组中(一个聚类别)的对象在某种意义上比其他组中的对象更相似。那么怎么定义相似呢?什么是正确的距离指标呢?虽然已有大量算法对此进行了探索,但这些算法的表现却有很大不同。一般群集是根据成员之间的距离、数据空间的密集区域、间隔或特定统计分布而形成的组。在这些聚类算法中,距离和差异性是至关重要的。常见的距离测量公式有以下3种。 1)闵可夫斯基距离,用于连续型数据,公式如下: 当p=2时,为欧氏距离。目前聚类分析的很多实际分析问题使用的都是欧氏距离,当变量中的分类变量较少时,数据科学家也会将分类变量进行哑变量转化,再计算欧氏距离。 2)杰卡德系数,用于分类数据。设A、B为各个变量分类水平的集合,公式如下: 3)余弦相似度,一般用于测量两个向量夹脚的余弦值,以此度量向量之间的相似性,公式如下: 数据集和聚类的目的决定了我们对于距离函数、预期簇类个数以及聚类算法的选择,因此聚类分析不是一个自动化的任务,而是知识的发现、尝试和交互的过程,是多目标优化的迭代过程。好的聚类算法可以产生群集内对象相似度高且群集之间区分度也高的高质量群集。

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0066.xhtml

EPUB SHA-256:b9d74c3cb9a87547f425283a2273004c2d73de2c2b50ebf97c2ab3336ae5d102