聚类分析

众所周知，数据挖掘算法并非十全十美，在某些情况下他们也会失效。 使用 K 均值算法（K-Means）时就可能会出现这种情况，当然此时你可以尝试一下另一种方法—— K 中心聚类算法（K-Medoids），也许效果会更好。

利用聚类分析，我们可以很容易地看清数据集中样本的分布情况。

哪三个模型呢？决策树、K-means聚类、因子分析。

聚类分析是没有给定划分类别的情况下，根据样本相似度进行样本分组的一种方法，是一种非监督的学习算法。

数据挖掘，有哪些可以挖掘的知识类型？

本章，我们讨论无监督学习算法，聚类（clustering）。

本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。

“推荐系统不是只有眼前的苟且，还有诗和远方的田野”。这也是在推荐和广告界被大量研究的EE问题（Exploit & Explore），Exploit就是眼前的苟且，Explore就是诗和远方的田野。

本文将系统的讲解数据挖掘领域的经典聚类算法，并给予代码实现示例。

我们看过应该不下10篇关于用户画像的干货。但是依旧不知道应该怎么做一份用户画像出来。干货里告诉我们用户画像的价值、用户画像应该有的数据，用户画像应该包含的内容。好的，我都按大神们的教导收集好数据了。麻烦谁能告诉我到！底！这！些！数！据！怎！么！处！理！啊！喂！

如前所述，用户细分包括前后两部分，即前一部分因子分析完成后，还要对获得的公共因子进行随后的聚类分析。 聚类分析按照相似度进行划分类别，相似度一般由数据对象间的距离远近来衡量。基于确定的业务需求和分析目标，可以从用户基本属性、用户使用行为两个方面选择变量，随后便要进一步明确样本数据的形式。 样本数据中性别、年龄及收入是离散变量，而使用频度和价值贡献是连续变量，…

本文从农村中学并迁选址问题出发，介绍了数据挖掘十大算法中位居第二的K-平均聚类，后又借用牛顿迭代原理，议论蛋鸡悖论。

用异于传统的方式，从讲课PPT上取些素材（这样比较快），来说明聚类的一些概念，为下篇做些铺垫，下篇将通过通俗的例子说明一个著名的方法。

随着人工智能（AI）技术对各行各业有越来越深入的影响，我们也更多地在新闻或报告中听到“机器学习”、“深度学习”、“增强学习”、“神经网络”等词汇，对于非专业人士来说略为玄幻。这篇文章为读者梳理了包括这些在内的12个关键词，希望帮助读者更清晰地理解，这项人工智能技术的内涵和潜能。

在产品成熟时期，产品的用户群规模和营收业绩稳定增长，提高用户忠诚，增强用户体验是这个时期的重要举措，准确及时地了解用户对产品的反馈，并以此制定针对性的改善方案，提供差异化的业务运营。 此处具体涉及用户细分和用户体验两个部分。用户细分即是将特征相似的用户归到同一个组，并对各个群进行特征刻画及分析。用户体验则是要量化现实的产品质量与用户期望之间的差距。 首先要对…