APP推广合作
联系“鸟哥笔记小乔”
聚类分析:层次聚类模型的详细搭建步骤及原理
2021-10-09 16:15:57

 层次聚类,是比较直观和基础的聚类方法。


关于聚类分析,在之前《多元分析》中有提及到。聚类分析有很多种方法,层次聚类、kmeans聚类等等。今天和大家分享一下层次聚类(也叫“系统聚类”)的概念以及应用。

01—层次聚类简介

我们知道,聚类分析是把相似的个体聚在一起。那么具体我们应该按照什么样的规则来聚类呢?


关于层次聚类,具体可以从两个方向来考虑:凝聚法和分离法。

(1)凝聚法

凝聚法,顾名思义,就是逐步的凝聚在一起。


换句话说,我们是从单个的个体出发的,逐步合并最“相似”的个体,直到所有的个体都合并为一个族群。



具体步骤如下:


步骤一:先把n个样本当成n个不同的族群


步骤二:计算n个族群间的距离矩阵


步骤三:合并距离最小的两个族群,计算新的族群间的距离矩阵


步骤四:如果族群数为1,则到步骤5,否则到步骤3


步骤五:绘制系统树图


步骤六:选择族群个数

(2)分离法

分离法,其实是凝聚法的相反方向。


顾名思义,分离法是先把所有的个体看成是一个族群,慢慢分到n个完全不同的族群。


下面,我们这里重点对凝聚法进行分享。

02—凝聚法详情

根据上面的概述我们知道,凝聚法的每一步需要合并“距离最小的两个族群”,而不同族群间距离的定义方法决定了不同的聚类结果,关于凝聚法的距离定义主要有两种思想:连接法和Ward法。

(1)凝聚法之——连接法

连接法又细分了以下四种:



简单连接:定义两族群间相隔最近的两个个体间的距离,为两族群的距离


完全连接:定义两族群间相隔最远的两个个体间的距离,为两族群的距离


平均连接:A群中所有的Na个样本与B群中所有的Nb个样本产生的距离(共计Na*Nb个距离),求平均值,作为两个族群的距离


质心连接:两个群中各自的质心(即样本均值向量),之间的欧式距离,作为两个族群的距离


上面的几种方法可以通过下图来理解:



上图中分别是:简单连接、完全连接、平均连接、质心连接。


平均连接法和质心连接法的区别在于,平均连接是先将两族群间所有的距离求出来,然后求均值;而质心法是先求族群内所有样本的平均质心,然后看质心距离。


质心法看着更加合理一些,但也是有一些局限的。比如其他三种方法,其实都是单调的(即每一步聚类步骤,都是可以基于之前的距离计算的,不需要重复计算),但质心法是非单调的,有可能出现距离的反复。


另外,由于质心法是所有样本的平均,所以容易受到样本量的影响,聚类后的新的群组质心会出现倾斜。改进的方法是不加权,基于原有两个群的质点连线的中点作为新质心。

(2)凝聚法之——Ward法

连接法是基于两个族群样本间距离作为族群距离,与其不同的是,ward法其实是通过合并前后的族群内方差平方和的差异,来定义群组距离的。


有以下公式:



A、B代表了合并之前的两个族群,AB代表了合并之后的族群。I-AB代表合并前后的SSE的差异。关于SSE,就是和方差,回头系统讲讲。


啥意思呢?其实很好理解。如果两个族群比较近,那么合并以后的方差应该也不是很大,因为方差衡量的是离散程度。


但Ward法有一个问题就是,更倾向于合并小的族群。因为大的族群从方差层面,肯定是容易比小族群大的。

03—绘制系统树图

其实根据上面的简介,我们能够了解到,所谓的层次聚类,是一种聚类的路径。那如何利用图表表示层次聚类的过程呢?


对,这就是系统树图。看一个示例图:



上图就是一个典型的系统树图,很好地呈现了整体的聚类过程。


根据上面的系统树图,我们可以看出每一步的聚类过程,包括合并族群带来的距离的变化。最底下是所有的待聚类的所有个体,纵轴就是聚类的距离。逐步往上,是一次次的聚类过程。最上面,就是一个类别了。


除了上面这种比较典型的系统树图的呈现外,也有下面的变形:



这种系统树图,多在基因的聚类分析中看到。该图包括了两个维度的聚类,一方面是样本的聚类,另一方面是变量(基因信息)的聚类。

04—族群个数的选择

还有最后一个问题,就是我们应该选取多少个族群呢?


单纯从系统树图上看,在不同距离上截取,是可以选择不同族群的。看下面两个图:



当我们在不同距离上截取时,聚类的个数也不同。左边的图聚成5类,而右边的图聚成2类。那到底应该选取几个族群合适呢?


这个其实是比较主观的一个过程了。


一方面,可以根据业务情况或者经验,选择比较好解释的聚类;另一方面,也可以通过数据层面,寻找组别差距比较大的距离变化的节点。


另外,从上面的过程中,我们也可以看出来,层次聚类是一个单向的过程,一旦一个个体被分入到某一个群体之后,就没有办法归入到其他群体了。这也决定了层次聚类只能达到局部最优的这样一个结论,而一般不可能是全局最优。这是层次聚类的一个很大的缺点。


关于层次聚类,我们就分享这些,下次分享K-means聚类方法,欢迎继续关注~

-END-

首席数据科学家
分享到朋友圈
收藏
收藏
评分

综合评分:

我的评分
Xinstall 15天会员特权
Xinstall是专业的数据分析服务商,帮企业追踪渠道安装来源、裂变拉新统计、广告流量指导等,广泛应用于广告效果统计、APP地推与CPS/CPA归属统计等方面。
20羽毛
立即兑换
一书一课30天会员体验卡
领30天VIP会员,110+门职场大课,250+本精读好书免费学!助你提升职场力!
20羽毛
立即兑换
顺丰同城急送全国通用20元优惠券
顺丰同城急送是顺丰推出的平均1小时送全城的即时快送服务,专业安全,准时送达!
30羽毛
立即兑换
首席数据科学家
首席数据科学家
发表文章59
用数据科学的方法赋能业务,发挥数据价值,做业界最好的数据科学家。
确认要消耗 0羽毛购买
聚类分析:层次聚类模型的详细搭建步骤及原理吗?
考虑一下
很遗憾,羽毛不足
我知道了

我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求,为完善跟帖评论自律管理,为了保护用户创造的内容、维护开放、真实、专业的平台氛围,我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容,同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。


一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规,对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息,主要表现为:
    1)反对宪法所确定的基本原则;
    2)危害国家安全,泄露国家秘密,颠覆国家政权,破坏国家统一,损害国家荣誉和利益;
    3)侮辱、滥用英烈形象,歪曲、丑化、亵渎、否定英雄烈士事迹和精神,以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉;
    4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动;
    5)煽动民族仇恨、民族歧视,破坏民族团结;
    6)破坏国家宗教政策,宣扬邪教和封建迷信;
    7)散布谣言,扰乱社会秩序,破坏社会稳定;
    8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪;
    9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序;
    10)侮辱或者诽谤他人,侵害他人名誉、隐私和其他合法权益;
    11)通过网络以文字、图片、音视频等形式,对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的;
    12)危害未成年人身心健康的;
    13)含有法律、行政法规禁止的其他内容;


2. 不友善:不尊重用户及其所贡献内容的信息或行为。主要表现为:
    1)轻蔑:贬低、轻视他人及其劳动成果;
    2)诽谤:捏造、散布虚假事实,损害他人名誉;
    3)嘲讽:以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述,以此来激怒他人;
    4)挑衅:以不友好的方式激怒他人,意图使对方对自己的言论作出回应,蓄意制造事端;
    5)羞辱:贬低他人的能力、行为、生理或身份特征,让对方难堪;
    6)谩骂:以不文明的语言对他人进行负面评价;
    7)歧视:煽动人群歧视、地域歧视等,针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击;
    8)威胁:许诺以不良的后果来迫使他人服从自己的意志;


3. 发布垃圾广告信息:以推广曝光为目的,发布影响用户体验、扰乱本网站秩序的内容,或进行相关行为。主要表现为:
    1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式:
    2)单个帐号多次发布包含垃圾广告的内容;
    3)多个广告帐号互相配合发布、传播包含垃圾广告的内容;
    4)多次发布包含欺骗性外链的内容,如未注明的淘宝客链接、跳转网站等,诱骗用户点击链接
    5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光;
    6)购买或出售帐号之间虚假地互动,发布干扰网站秩序的推广内容及相关交易。
    7)发布包含欺骗性的恶意营销内容,如通过伪造经历、冒充他人等方式进行恶意营销;
    8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。


4. 色情低俗信息,主要表现为:
    1)包含自己或他人性经验的细节描述或露骨的感受描述;
    2)涉及色情段子、两性笑话的低俗内容;
    3)配图、头图中包含庸俗或挑逗性图片的内容;
    4)带有性暗示、性挑逗等易使人产生性联想;
    5)展现血腥、惊悚、残忍等致人身心不适;
    6)炒作绯闻、丑闻、劣迹等;
    7)宣扬低俗、庸俗、媚俗内容。


5. 不实信息,主要表现为:
    1)可能存在事实性错误或者造谣等内容;
    2)存在事实夸大、伪造虚假经历等误导他人的内容;
    3)伪造身份、冒充他人,通过头像、用户名等个人信息暗示自己具有特定身份,或与特定机构或个人存在关联。


6. 传播封建迷信,主要表现为:
    1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病;
    2)求推荐算命看相大师;
    3)针对具体风水等问题进行求助或咨询;
    4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失,包括通过占卜方法问婚姻、前程、运势,东西宠物丢了能不能找回、取名改名等;


7. 文章标题党,主要表现为:
    1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户;
    2)内容与标题之间存在严重不实或者原意扭曲;
    3)使用夸张标题,内容与标题严重不符的。


8.「饭圈」乱象行为,主要表现为:
    1)诱导未成年人应援集资、高额消费、投票打榜
    2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
    3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
    4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
    5)通过「蹭热点」、制造话题等形式干扰舆论,影响传播秩序


9. 其他危害行为或内容,主要表现为:
    1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的;
    2)不当评述自然灾害、重大事故等灾难的;
    3)美化、粉饰侵略战争行为的;
    4)法律、行政法规禁止,或可能对网络生态造成不良影响的其他内容。


二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时,本网站将依据相关用户违规情节严重程度,对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号,或者滥用多个帐号发布违规内容时,本网站将加重处罚。


三、申诉
随着平台管理经验的不断丰富,本网站出于维护本网站氛围和秩序的目的,将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议,可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)

我知道了
恭喜你~答对了
+5羽毛
下一次认真读哦
成功推荐给其他人
+ 10羽毛
评论成功且进入审核!审核通过后,您将获得10羽毛的奖励。分享本文章给好友阅读最高再得15羽毛~
(羽毛可至 "羽毛精选" 兑换礼品)
好友微信扫一扫
复制链接