集体智慧编程-03-发现群组

C、发现群组

Q1、什么叫做数据聚类

• 简单来说聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
• 想要了解后续章节内容需要先了解B-Q4的前置概念，计算数据之间的距离。
• 数据聚类最常用的一个场景 其实就是数据分类。举个简单的例子，现在你有一个app，但是你流失了很多的用户，你现在需要想办法召回这批人，最简单的做法是你给所有人都发一封邮件或者短信，做到信息的触达，但是这样做不是很好，所以你可以想办法选择针对不同的人群发送不同的内容，比如对于学生发校招信息，对于工作的人发社招信息，那么带来的召回效果可能就有一个比较好的提升

Q2、聚类是不是就是分类

• 并不是，聚类是无监督，而分类是有监督的
• 聚类(Clustering)：是指把相似的数据划分到一起，具体划分的时候并不关心这一类的标签，目标就是把相似的数据聚合到一起，聚类是一种无监督学习(Unsupervised Learning)方法。
• 分类(Classification)：是把不同的数据划分开，其过程是通过训练数据集获得一个分类器，再通过分类器去预测未知数据，分类是一种监督学习(Supervised Learning)方法。

Q3、聚类的一般过程

1. 数据准备：特征标准化和降维
2. 特征选择：从最初的特征中选择最有效的特征，并将其存储在向量中
3. 特征提取：通过对选择的特征进行转换形成新的突出特征
4. 聚类：基于某种距离函数进行相似度度量，获取簇
5. 聚类结果评估：分析聚类结果，如距离误差和(SSE)等

Q4、常见的聚类算法有哪些

• 分级聚类（书中提到的，但实际上工程中用到的似乎不是很多，知道我没怎么遇到）
• K-均值聚类
• 基于高斯混合模型(GMM)的期望最大化（EM）聚类

———————–施工分界线

Q5、K-means 聚类算法的流程和实现 以及优化

Q6、GMMS 聚类算法的流程和实现

参考资料

https://zhuanlan.zhihu.com/p/104355127