S36L07 – 树状图

了解树状图聚类：全面指南

目录

  1. 回顾：聚类中的 ELBO 方法
  2. 什么是树状图？
  3. 创建树状图：逐步指南
  4. 解读树状图
  5. 使用树状图实施聚类
  6. 实际应用：市场营销策略
  7. 使用树状图进行聚类的优势
  8. 结论

回顾：聚类中的 ELBO 方法

在深入了解树状图之前，必须先了解 ELBO（证据下界）方法，这是一种在变分推断中广泛认可的聚类方法。如果您已经熟悉 ELBO，那么您已经具备了进一步学习的基础。然而，为了全面理解，我们将探讨树状图作为一种替代方法。

什么是树状图？

树状图是一种树状图表，用于展示层次聚类所产生的聚类排列。与需要预先指定聚类数量的方法不同，树状图提供了数据层次结构的可视化表示，允许您根据数据的内在模式决定最佳的聚类数量。

创建树状图：逐步指南

  1. 从所有数据点作为一个单一聚类开始：
    • 首先将每个数据点视为其自身的独立聚类。
  2. 聚合聚类：
    • 使用聚合聚类，逐步合并最接近的聚类对。这个过程将持续，直到所有数据点合并成一个单一的聚类。
  3. 可视化表示：
    • 树状图可视化了这种层次合并。垂直线代表聚类，而水平线表示每次合并步骤中聚类之间的距离或不相似度。

解读树状图

理解树状图对于确定最佳聚类数量至关重要：

  • 垂直线和聚类高度：

    垂直线的长度象征着聚类的大小或不相似度。较长的线表示较大或更不相似的聚类。

  • 确定最佳聚类：

    为了找到最佳的聚类数量，可以在树状图上划一条水平线。它与垂直线的交点数量对应于理想的聚类数量。目标是最大化这些水平切割之间的距离，确保聚类之间分离良好且彼此明确。

例如，如果一条水平线交叉了三条垂直线且没有任何偏离，表明三个聚类最能代表数据结构。

使用树状图实施聚类

一旦通过树状图确定了聚类数量，您可以继续进行聚合聚类：

  1. Fit-Predict 方法：

    使用

    方法，根据确定的聚类数量为每个数据点分配聚类标签。

  2. 可视化聚类：

    创建聚类图以可视化分组的数据点。为每个聚类分配不同的颜色，以便清晰区分。

实际应用：市场营销策略

聚类不仅仅是一个理论练习——它具有实际应用。例如，考虑一个包含客户信息的数据集，其中包含 Instagram 访问评分和消费等级等特征：

  • 识别有价值的客户：

    通过聚类，您可能会识别出一个特定聚类（例如，聚类 2）代表最有价值的客户。这些客户具有高 Instagram 访问评分和消费等级，是营销活动的主要目标。

  • 定向广告：

    通过将广告活动集中在这个聚类上，企业可以优化其营销策略，确保资源高效分配到最有可能参与和转化的细分市场。

使用树状图进行聚类的优势

  • 层次洞察：

    树状图提供了数据的清晰层次结构，提供了关于聚类如何形成及其相互关系的洞察。

  • 灵活性：

    与需要预定义聚类数量的方法不同，树状图允许基于数据特征灵活确定最佳数量。

  • 可视化：

    树状图的可视化特性使得沟通和解读聚类结果更加容易，特别是对于那些可能不熟悉统计方法的利益相关者。

结论

聚类，特别是通过树状图可视化的层次聚类，是揭示数据中隐藏模式的强大工具。无论您是旨在细分客户、组织数据点，还是探索数据集的内在结构，树状图都提供了一种多功能且富有洞察力的方法。通过理解和利用这种方法，您可以增强数据分析策略，并得出有助于明智决策的有意义的见解。

对于那些有兴趣实施这些技术的人，附带的 Jupyter Notebook 提供了示例代码，助您一臂之力。祝您聚类顺利！

分享你的喜爱