聚类分析的基本

1、聚类分析（cluster analysis）：又被称为群集分析，是一种对多维数据进行分析和探索的统计技术，目的是将许多观测值分类至具有相同特征的聚类，这些观测值之间差别较大，但内部观测差别较小。聚类分析是一种目的性数据分析，它能够将没有标签分类（unsupervised classification）的不等来源的数据，分组至具有相似性特征的群体中，即对对象或事情按共有特征（feature）将他们分成几个类。以此弥补“同属一个类别，但又个别有异的”的不足。

2、聚类分析的用途：（1）聚类分析用于数据挖掘，帮助系统提取未知信息，比如通过分析客户购买组合，把客户分成相关性很大的群体，以此帮助商业内容的定位；（2）帮助系统估算和识别多变量的变化趋势；（3）帮助用户从数据大海中获取价值信息，快速实现有效的数据查询；（4）帮助提升机器学习的精度，以及数据挖掘的价值，以此改善系统的性能；（5）可用于新闻分类，通常将同类型或相关性较大的新闻放在一起，进行分类。

3、聚类分析的原理：（1）根据定义与要求来制定聚类算法；（2）构造数据库，合理编码解决聚类分析问题；（3）根据构造好的数据库，提取其中的特征并进行度量，确定分类间的相似程度；（4）建立类内类间的关系，使用hierarchical clustering方法；（5）根据设定的特征度量准则，确定聚类分析后的结果；（6）对结果进行评定，检验聚类的正确性、有效性。

4、聚类分析的类型：（1）层次聚类：hierarchical clustering；（2）

partitioning-clustering：将聚类中的各个群体将看作划分问题进行处理；（3）基于密度的聚类：density-based clustering；（4）基于模型的聚类：model-based clustering。

聚类分析也有许多优点，例如：（1）可以将相似的数据聚类在一起，细节化的数据可以表达地更清楚；（2）可以减少错误判断甚至盲目判断的几率，从而提高把握性；（3）可以改进数据查询速度；（4）可以识别数据之间的关联，从而实现对数据的有效分析利用。

总之，聚类分析是对多维数据进行分析和探索的统计技术，它能够为研究者和决策者提供更多有效的信息基础，以支持他们的决策和判断，取得有效的投资绩效和管理结果。