服务器创建多个网站吗,怎么弄百度网站,做网站编程需要学什么软件,帮别人做网站推广犯法吗浙大疏锦行 聚类后的分析#xff1a;推断簇的类型 知识点回顾#xff1a; 推断簇含义的2个思路#xff1a;先选特征和后选特征通过可视化图形借助ai定义簇的含义科研逻辑闭环:通过精度判断特征工程价值 作业#xff1a;参考示例代码对心脏病数据集采取类似操作#xff0c;… 浙大疏锦行 聚类后的分析推断簇的类型 知识点回顾 推断簇含义的2个思路先选特征和后选特征通过可视化图形借助ai定义簇的含义科研逻辑闭环:通过精度判断特征工程价值 作业参考示例代码对心脏病数据集采取类似操作并且评估特征工程后模型效果有无提升。 在聚类分析中推断簇的类型是理解数据内在结构和业务意义的关键步骤。以下是系统化的推断方法及常见簇类型的总结 一、簇的基本类型 明显分离的簇 特征不同簇中任意两点之间的距离 簇内任意两点间距离。 适用场景数据自然分组清晰如生物学中的物种分类。 示例球形或任意形状的分离簇图10-2a。 基于原型的簇中心型簇 特征簇内对象到质心均值的距离 到其他簇质心的距离。 典型算法K-Means、层次聚类。 局限性倾向于生成球形簇对不规则形状效果差。 基于密度的簇 特征通过高密度区域识别可处理噪声和离群点。 典型算法DBSCAN。 优势适用于缠绕或不规则形状如哑铃状簇。 基于连片的簇 特征相邻对象距离在阈值内即归为同簇依赖连通性。 适用场景图结构数据如社交网络。 二、推断簇含义的方法 先选特征法 步骤聚类前选择与业务强相关的特征如消费记录。 优点结果可直接解释避免无关特征干扰。 案例分析用户购买习惯时仅用“消费频率”“金额”等特征聚类。 后选特征法 步骤 用全部特征聚类生成簇标签 将簇标签作为目标变量构建分类模型如随机森林 通过SHAP值、特征重要性筛选关键特征解释簇 可视化辅助分析 降维如PCA后绘制散点图观察簇分布 结合业务知识标注簇类型如“高风险心脏病患者簇”。 三、实际应用注意事项 评估簇的合理性 检查每个簇的样本量避免过小无意义 结合轮廓系数、CH指数等指标优化聚类参数。 业务逻辑闭环 将聚类结果作为新特征加入监督模型如分类预测 通过精度提升验证特征工程价值如心脏病数据集预测。 避免常见误区 非球状簇勿强制用K-Means可选DBSCAN 高维数据需先降维再解释避免“维度灾难”。 总结 推断簇类型需结合数据特性形状、密度与业务目标。优先尝试“后选特征法”可视化全面探索再通过“先选特征法”聚焦业务解释。最终需以监督模型验证聚类的实际价值如预测效果提升。若效果未达预期可尝试过采样SMOTE或调整聚类算法进一步优化。
