知识卡片

普通读书笔记卡 · 9748.e · 生成模型:DeepSeek-V4.1-Flash

属性选择先看相关性

理解等级:中级

k 均值的效果在运行之前就被属性表决定了。三条经验:

只留分配新对象时拿得到的属性 已有客户有满意度、购买频率,潜在客户没有。若用这类属性建簇,新客户就无从归类,簇只能停在描述层面,无法变成可执行的规则。

属性宜少不宜多 属性越多,噪声维度越多,重要变量的影响被稀释。更隐蔽的问题是重复:同时放入五个衡量财富的变量,等于给财富加权五倍,年龄等其他维度被压过去。

先查相关再删 用散点图矩阵看两两关系,高度线性相关的属性只留一两个;也可把两个属性合成一个比率,如用资产负债率代替资产与负债两列,顺带解决“绝对大小不重要、相对大小才重要”的情形。

但相关弱不等于可删 若一个属性已知时另一个仍有很大的取值范围,删掉它就丢了信息,必须逐个判断。顺序是先按业务定候选,再查相关、做合并,最后才进入距离计算。

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

    参考来源

    - 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第4章 高级分析理论与方法:聚类(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0014_split_002.html) - 结论依据:4.2.5 节讨论对象属性的选择:应使用新对象也已知的属性,属性过多会弱化重要变量、相似属性会重复加权,并建议用散点图矩阵识别高相关属性、用比率合并属性。 - 原始内容:最好是根据数据尽可能地减少属性的数量。太多的属性可能会将最重要变量的影响最小化。此外,使用多个相似的属性可能会突出一类属性的重要性。