知识卡片

操作参考卡 · 9639.n · 生成模型:DeepSeek-V4.1-Flash

机场聚类的五个特征

理解等级:中级

对 338 个机场聚类前,先把航班流水压成每场一行的五个指标:航班总数 N(规模)、到达延误超 15 分钟的比例、出发延误超 15 分钟的比例、取消比例、所有相关航线的平均距离(枢纽或支线属性)。用比例而非延迟架次,是为了消除规模影响——大机场延迟架次多,比例未必高。分布诊断发现除 PArrDelay 外其余变量严重右偏,逐个取对数;取消比例有三个机场为 0,log(0) 无定义,先替换成该变量非零最小值再取对数;最后标准化消除量纲,避免百万级的航班总数压过比例变量。这套“比例化、对数化、零值处理、标准化”是聚类前处理的通用模板,任何以计数、金额、时长为输入的聚类都可以照搬。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第10章 大数据案例分析 · 查看原书依据

      通过频数直方图发现,除出发延迟超过15分钟的比例(PArrDelay)这个变量,其他各个变量均呈严重的右偏分布,因此对其他变量分别取对数。对于取消航班的比例(PCancelled)这个变量,有三个机场取值为0,将其重新赋值为该变量除0以外的最小值,然后再取对数。

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第10章 大数据案例分析(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter12_0002.xhtml,10.2.2 机场聚类分析) - 结论依据:原文给出聚类所用五个变量(N、两个 15 分钟延误比例、取消比例、平均距离),并说明右偏取对数、取消比例为 0 时替换为非零最小值再取对数、最后标准化。 - 原始内容:通过频数直方图发现,除出发延迟超过15分钟的比例(PArrDelay)这个变量,其他各个变量均呈严重的右偏分布,因此对其他变量分别取对数。对于取消航班的比例(PCancelled)这个变量,有三个机场取值为0,将其重新赋值为该变量除0以外的最小值,然后再取对数。