聚类分析（2）聚类技术
系列文章：聚类分析（1）之市场细分
需要了解的内容：
-
方法有哪些
-
如何选择各种方法
-
聚类的结果和效果如何衡量
-
需要注意哪些
-
源数据要求：数据类型，数据分布，极端值
聚类分析方法分为快速聚类和系统聚类（层次聚类）。快速聚类spss使用的是K-means聚类算法。该聚类方法需要指定聚类数量，通常我们需要多次尝试并分析多少个类合适。聚类分析适合大样本量情况。样本个数超过500，变量数超过50（并不是强制的）。
聚类分析数据类型为数值型，非数值型变量需要做转换，二分类变量（0,1）可以参与聚类分析。聚类多数适用于连续变量，分类变量适用对应分析。
聚类分析对极端值敏感，同时变量数据的量纲也会影响到聚类结果，需要做标准化处理。
结果依赖于第一次初始分类，聚类中绝大多数重要变化均发生在第一次分配中。
聚类分析中，关于分类时，一种是利用相似系数，性质越接近的，相似系数就越接近1或者-1，通过此来确定归类。另一种是利用空间距离，将每一个点看做m维空间上的一个点，并在空间中定义距离。
K-means均值知识
-
样本间距离测量：在刚开始学聚类，听到最多的就是“组内距离最小化，组间距离最大化”。K-means采用的是欧式距离。计算距离的方式和数据类型有关。因为聚类采用的是距离，不同量纲下，大数之间的距离就会大些，方差更大，对结果的影响程度也就更大，量纲就相当于权重了。
-
K-means是一种迭代式算法，指定聚类数后，先确定初始点，逐步迭代修改分类。因此结果依赖于第一次初始分类，聚类中绝大多数重要变化均发生在第一次分配中。
（1）设定k值，确定聚类数（软件随机分配聚类中心所需的种子）。
（2）计算每个记录到类中心的距离（欧氏距离），并分成k类。 （3）然后把k类中心（均值）作为新的中心，重新计算距离。 （4）迭代到收敛标准停止。
在spss中可以设定迭代次数。
聚类模型的评估：
来自《Python数据科学：技术详解与商业实践》。聚类效果的评估基于结果的可解释性，通常需要多次聚类才能找到合适的分类。
-
轮廓系数
-
平方根标准误差
-
R方
-
ARI
参考书籍：
-
《市场研究中的统计分析方法 基础篇》 了解
-
《spss统计分析高级教程 张文彤》 入门
-
《Python数据科学：技术详解与商业实践》案例
-
《多元统计分析 清华大学出版社》 系统介绍
-
《多元统计分析引论 张尧庭》有配套视频 深入
案例：电信数据聚类分析
原数据
数据包含6个变量（字段），除了客户编号为名义变量外，其他都是连续变量。
-
客户编号（Customer_ID）
-
工作日上班时期电话时长（Peak_mins）
-
工作日下班时期电话时长（OffPeak_mins）
-
周末电话时长（Weekend_mins）
-
国际电话时长（International_mins）
-
总通话时长（Total_mins）
-
平均每次通话时长（average_mins）
原数据分布了解
不论什么做什么数据分析，第一步就是查看原始数据的分布，这里应该查看一下各变量的数据分布状态：均值，极大极小值，方差，缺失情况。
通过spss分析-描述
可以看出1.量纲差异较大。2极大极小值组距很大。从这方面可以讲，我们需要做标准化处理。先尝试不做标准化处理。
决定细分人群数
通过业务知识等，决定先设定5个细分人群，后面可以再尝试4和6。
标准化处理
先做标准化处理：spss分析-描述。在左下角中有一个“将标准化值另存为变量”，标准化为Z分数。确定后会生成新的标准化后的变量。
K-means聚类
对标准化后的变量聚类：分析-分类-K-means
选择迭代次数同时将分类结果存在表中。
默认迭代次数是10次，迭代次数过少，可能已经迭代完了仍无法收敛，所以需要增加迭代次数。将分类结果保存在表中，是指对每个样本标注被分到哪一类了。这一步的目的是为了后续通过其他方法（比如比较均值）来看5类人群之间的差异。停
聚类结果
输出4个表格，都是经过标准化处理的。主要查看是否已经迭代收敛。然后下一步就是做均值比较等，目的是查看5类人群是否有差异，分类是否合理。同时还可以在对4和6类人群试做分类。聚类分析无法检验标准，
分析结果：做均值比较
通过比较均值，可以了解5类人群之间的差异
输出的结果
从结果中可以看出
第一类：高端商用客户，总通话时间长，工作日上班时间通话比例高
第二类：少使用低端客户，总通话时间短，各时段通话时间都短
第三类：中端商用客户，总通话时间居中，工作日上班时间通话比例高
第四类：中端日常用客户，总通话时间居中，工作日下班时间通话比例高
第五类：长聊客户，每次通话时间长
