一、前言

聚类，就是将样本划分为由类似的对象组成的多个类的过程，聚类后，就可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和差异性

要点：分类是用已知类别类别对象，预测未知对象的类别；聚类是对未知类别的对象，进行分类

二、K-means聚类的算法

2.1 算法流程

• 定需要划分的簇的个数K值（类的个数）;
• 随机地选择K个数据对象作为初始的聚类中心（不一定要是我们的样本点）;
• 计算其余的各个数据对象到这K个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所
  处在的簇类中;
• 调整新类并且重新计算出新类的中心;
• 循环步骤三和四，看中心是否收敛（不变），如果收敛或达到迭代次数则停止循环;
• 结束

2.2 图解K-means算法

2.3 K-means算法流程图

说明：在实际建模中，建议使用流程图说明算法流程，可以有效避免查重

2.4 K-means算法评价

优点：

• 算法简单、快速
• 对处理大数据集，该算法是相对效率高的

缺点：

• 要求用户必须事先给出要生成的簇的数目K
• 对初值敏感
• 对于孤立点数据敏感

提醒：K-means++算法可以解决2和3点两个缺点

2.5 K-means++算法

k-means++算法选择初始聚类中心的基本原则：初始的聚类中心之间的相互距离要尽可能的远。

算法流程：

说明：只对K-means算法“初始化K个聚类中心” 这一步进行了优化

• 随机选取一个样本作为第一个聚类中心
• 计算每个样本与当前已有聚类中心的最短距离（即与最近一个聚类中心的距离），这个值越大，表示被选取作为聚类中心的概率较大；最后，用轮盘法（依据概率大小来进行抽选）选出下一个聚类中心
• 重复步骤二，直到选出K个聚类中心。选出初始点后，就继续使用标准的K-means算法了

2.6 聚类算法用Spass软件实现

说明：Spass软件默认使用的是K-means++算法




聚类结果：

2.7 K-means算法的讨论

讨论一：聚类的个数怎么定？

回答：分几类主要取决于个人的经验与感觉，通常的做法是多尝试几个K值，看分成几类的结果更好解释，更符合分析目的等

讨论二：数据的量纲不一致怎么办？

回答：如果数据的量纲不一样，那么算距离时就没有意义。例如：如果X1单位是米，X2单位是吨，用距离公式计算就会出现“米的平方”加上“吨的平方”再开平方，最后算出的东西没有数学意义，这就有问题了

解决办法：将标准化值存为变量

三、系统（层次）聚类

3.1 基本原理

系统聚类的合并算法通过计算两类数据点间的距离，对最为接近的两类数据点进行组合，并反复迭代这一过程，直到所有数据点合成一类，并生成聚类谱系图

3.2图解系统聚类

3.3 系统聚类算法流程图

3.4 系统聚类的算法

• 将每个对象看作一类，计算两两之间的最小距离
• 将距离最小的两个类合并成一个新类
• 重新计算新类与所有类之间的距离
• 重复二三两步，直到所有类最后合并成一类
• 结束

提醒：将上述文字表述的流程绘制成一个流程图，避免被查重的最好方法就是自己动手总结

3.5 Spass软件实现系统聚类

3.6 聚类谱系图(树状图)

谱系图中横轴表示各类之间的距离(该距离经过了重新标度),聚类的个数可以自己从图中决定

3.7 聚类数量的估计

肘部法则：通过图形大致估计出最优的聚类数量

画图步骤一：处理数据

把数据粘贴到Excel表格中，并按照降序排好

画图步骤二：聚合系数折线图的画法


提醒：画出的图需要适当的修饰后放到论文当中

图形解释：

• 根据聚合系数折线图可知，当类别数为5时，折线的下降趋势趋于缓慢，故可将类别数设定为5
• 从图中可以看出，K值从1到5，畸变程度变化最大，超过5以后，畸变程度变化显著降。因此肘部就是K = 5,故可将类别数设定为5（当然，K = 3也可以解释）

画图步骤三：确定K后保存聚类结果并画图

从新聚类一次，确定聚类的个数

使用图表构建器化聚类散点图



示意图：

注意：

• 最好是不用默认的（太丑了，特别是那个背景颜色）双击图中的任意元素，可对其进行调整
• 只要当指标个数为2或者3的时候才能画图，上面两个图纯粹是为了演示作图过程，实际上本例中指标个数有8个，是不可能做出这样的图

四、DBSCAN算法

4.1 算法原理

DBSCAN的一种基于密度的聚类方法，聚类前不需要预先指定聚类的个数，生成的簇的个数不定（和数据有关）。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据。简单来说就是谁和我挨的近，我就是谁兄弟兄弟的兄弟，也是我的兄弟

4.2 基本概念

DBSCAN算法将数据点分为三类：

• 核心点：在半径Eps内含有不少于MinPts数目的点
• 边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内
• 噪音点：既不是核心点也不是边界点的点

示例：

在这幅图里，MinPts = 4，点A 和其他红色点是核心点，因为它们的ε-邻域（图中红色圆圈）里包含最少4 个点（包括自己），由于它们之间相互相可达，它们形成了一个聚类。点B 和点C 不是核心点，但它们可由A 经其
他核心点可达，所以也和A属于同一个聚类。点N 是局外点，它既不是核心点，又不由其他点可达。

4.3 DBSCAN算法优缺点

优点：

• 基于密度定义，能处理任意形状和大小的簇
• 可在聚类的同时发现异常点
• 与K-means比较起来，不需要输入要划分的聚类个数

缺点：

• 对输入参数ε和Minpts敏感，确定参数困难
• 由于DBSCAN算法中，变量ε和Minpts是全局唯一的，当聚类的密度不均匀时，聚类距离相差很大时，聚类质量差
• 当数据量大时，计算密度单元的计算复杂度大

注意：DBSCAN代码以及数据集，关注公众号，回复“聚类模型”，即可获取

五、聚类模型选择建议

只有两个指标，且你做出散点图后发现数据表现得很“DBSCAN”，这时候你再用DBSCAN进行聚类。其他情况下，全部使用系统聚类吧。K‐means也可以用，不过用了的话你论文上可写的东西比较少。

更多有关于聚类问题的经典获奖论文，关注公众号，回复，“聚类模型”，即可免费领取！！！