100种分析思维模型（012号）
俗话说：物以类聚，人以群分。
今天介绍第 012 号分析思维模型：聚类分析模型。
1. 模型介绍
聚类分析，也被称为群分析，就是把一些原来没有分类的数据，通过某种算法，让相似的数据「聚」在一起，划分为不同的「类」，从而揭示出数据内在的特征和规律。
比如说，我们现在有客户的性别、年龄、地区等个人信息，还有 RFM 等购物信息，如果是要分析客户的购物特征，那么可以先排除客户的个人信息，只使用购物信息进行聚类，从而避免聚类结果被个人信息所影响。
当我们得到聚类结果之后，可以再结合客户的个人信息，把客户分成若干个不同的类别，给客户打上相应的标签，按照二八法则，识别出优质客户，提供个性化的服务，从而为客户创造价值。
聚类分析属于一种无监督学习，类似于我们认知事物的过程。
当我们面临大量未知的事物时，可以通过寻找其中的规律，挖掘数据内部的分布特性，反映出数据之间的异同，从而建立一套划分的方法，让我们更加深入地了解事物的内在特征，从而提高了我们认知事物的能力。
比如说，当你进入一个陌生的群体时，没有人帮你介绍，你根据外貌、性格、行为等方面，将不同的人划分为不同的类别，并根据经验来定义类别的标签，例如：高富帅、白富美、谨慎型、外向型、体贴型等等。
这个过程就属于无监督学习，因为事先无人教你。
而对于监督学习，就好像有一位老师在旁边教你，这位老师对群体里面的每一个人都很熟悉，他会向你介绍每一个人，帮你先做好了分类，并且贴好了标签。
但是，当老师提供的信息有误时，就会导致你的认知出现偏误。
假如来了一个「异类」，不属于老师所介绍的任一类型，那么就会导致你无法做出正确的判断。
聚类分析模型在很多学科都有重要的应用，包括数学、统计学、计算机科学、经济学和生物学等等。
在商业上，可以用来发现不同的客户群体；在生物上，可以用来对动植物和基因进行分类。
2. 应用举例
下面以 sklearn 中自带的鸢尾花数据集为例，对它进行聚类分析。
为了方便进行数据可视化，我们只选取数据集中的 2 个变量：花萼长度和花瓣长度。
# 导入相关库import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormapfrom sklearn import datasetsfrom sklearn.cluster import KMeans
# 加载鸢尾花数据集iris = datasets.load_iris()
# 为了方便可视化，只选取 2 个特征X = iris.data[:, [0, 2]]
# 设置聚类的数量n_clusters = 3
# 调用 K-means 聚类算法km = KMeans(n_clusters)km.fit(X)
# 聚类的标签lbs = km.labels_
# 聚类的中心点cts = km.cluster_centers_
# 定义绘制决策边界的函数def plot_decision_boundary(model, axis): # 生成绘图数据 x0, x1 = np.meshgrid( np.linspace(axis[0], axis[1], int((axis[1]-axis[0])*100)).reshape(-1,1), np.linspace(axis[2], axis[3], int((axis[3]-axis[2])*100)).reshape(-1,1) ) X_new = np.c_[x0.ravel(), x1.ravel()] # 用模型进行预测 y_predict = model.predict(X_new) zz = y_predict.reshape(x0.shape) # 定义颜色 custom_cmap = ListedColormap(['#EF9A9A','#FFF59D','#90CAF9']) # 绘图 plt.contourf(x0, x1, zz, cmap=custom_cmap)
# 设置图形大小plt.figure(figsize=(8, 6))
# 绘制决策边界plot_decision_boundary(km, axis=[3, 8, 0, 8])
# 绘制散点图for c in range(n_clusters): plt.scatter(X[lbs == c, 0], X[lbs == c, 1])
# 画出每个聚类的中心点plt.scatter(cts[:, 0], cts[:, 1], marker='*', c='r', alpha=0.9, s=200)
# 显示图形plt.show()运行代码，结果如下：
其中不同的颜色代表不同的类别，红色的五角星符号代表聚类的中心点。
最后的话
做聚类分析的时候，首先要考虑解决的问题是什么，然后再选择适当的变量进行聚类。
最后，我们一定要记住：不要脱离业务问题谈模型，而要让模型更好地为业务决策服务。
往期推荐