大数据分析之——k-means聚类中的坑
来自 http://blog.sciencenet.cn/blog-556556-860647.html 使用k-means进行聚类,常常被假定为数据是球状的,似乎是非球状数据就不灵了。 下面构造一个数据,看看非球状数据长什么样子: library(dplyr) library(ggplot2) set.seed(2015) n <- 250 c1 <- data_frame(x =...
View Article使用SAS进行简单的聚类分析讲解
聚类分析的目的是把分类对象按一定的规则分成若干类,这些类不是事先给定的,而是根据数据的特征确定的,对类的数目和类的结构不必作任何的假定。在同一类里的这些对象在某种意义上倾向于彼此相似,而在不同类里的对象倾向于彼此不相似。 聚类分析根据分类对象不同分为Q型聚类分析和R型聚类分析。Q型聚类是指对样品进行聚类,R型聚类分析是指对变量进行聚类。...
View ArticleSAS中的聚类分析方法总结
说起聚类分析,相信很多人并不陌生。这篇原创博客我想简单说一下我所理解的聚类分析,欢迎各位高手不吝赐教和拍砖。 按照正常的思路,我大概会说如下几个问题: 1. 什么是聚类分析? 2. 聚类分析有什么用? 3. 聚类分析怎么做? 下面我将分聚类分析概述、聚类分析算法及sas实现、案例三部分来系统的回答这些问题。 聚类分析概述 1. 聚类分析的定义...
View Article数据挖掘(聚类分析)
概况: 数据挖掘对聚类算法的要求:可伸缩性(在小数据集上算法优,同样要求在大数据集上算法优)、处理不同类型数据的能力、发现任意形状簇的能力、输入参数的领域知识最小化、处理噪声数据的能力、对输入数据顺序的敏感、可解释性和可用性、基于约束的聚类、处理高维数据的能力。 聚类方法的分类:...
View Article如何使用K-MEANS聚类算法解决分类问题
K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。...
View ArticleSAS聚类分析
from http://blog.163.com/zzz216@yeah/blog/static/16255468420121105146675/ 1 用CLUSTER过程和TREE过程进行谱系聚类 一、CLUSTER过程用法 CLUSTER过程的一般格式为: PROC CLUSTER DATA=输入数据集 METHOD=聚类方法 选项: VAR 聚类用变量: COPY 复制变量: RUN;...
View Article信用卡评分模型(R语言)
from http://blog.csdn.net/csqazwsxedc/article/details/51225156 信用卡评分 2016年1月10日 一、数据准备 1、 问题的准备 • 目标:要完成一个评分卡,通过预测某人在未来两年内将会经历财务危机的可能性来提高信用评分的效果,帮助贷款人做出最好的决策。 • 背景: –...
View Article另一种确定kmeans中k值的思路——Gmeans
from http://blog.sina.com.cn/s/blog_7103b28a0102w805.html G-means的思路为:检测一个质心所含的数据看上去是否是高斯的,如果不是就分裂这个簇。G-means能很好地处理stretched out clusters(非球面伸展型类簇)。 下面以一个二维数据集为例进行说明,数据集中包含两个簇,每个簇具有独特的协方差。...
View Article【机器学习】确定最佳聚类数目的10种方法
from: https://www.cnblogs.com/think90/p/7133753.html 在聚类分析的时候确定最佳聚类数目是一个很重要的问题,比如kmeans函数就要你提供聚类数目这个参数,总不能两眼一抹黑乱填一个吧。之前也被这个问题困扰过,看了很多博客,大多泛泛带过。今天把看到的这么多方法进行汇总以及代码实现并尽量弄清每个方法的原理。 数据集选用比较出名的wine数据集进行分析...
View ArticleK-means聚类算法的三种改进(K-means++,ISODATA,Kernel K-means)介绍与对比
from http://www.cnblogs.com/yixuan-xu/p/6272208.html 一、概述 在本篇文章中将对四种聚类算法(K-means,K-means++,ISODATA和Kernel K-means)进行详细介绍,并利用数据集来真实地反映这四种算法之间的区别。...
View Article
More Pages to Explore .....