3.1Kpototypes算法Kpototypes算法結(jié)合了可以處理符號屬性的Kmeans方法和改進(jìn)的Kmodes方法。與Kmeans方法相比，Kpototypes算法可以處理符號屬性。3.2CLARANS算法(劃分法)CLARANS算法是一種隨機(jī)搜索聚類算法，是一種分割聚類方法。它首先隨機(jī)選取一個(gè)點(diǎn)作為當(dāng)前點(diǎn)，然后在其周圍隨機(jī)檢查一些不大于參數(shù)Maxneighbor的相鄰點(diǎn)。如果找到更好的鄰點(diǎn)，則移到鄰點(diǎn)，否則視為局部最小值。

這種算法要求所有的聚類對象都必須預(yù)加載到內(nèi)存中，并且數(shù)據(jù) set需要多次掃描，對于大的數(shù)據(jù) set來說，在時(shí)間和空間上都相當(dāng)復(fù)雜。雖然通過引入R樹結(jié)構(gòu)提高了其性能，可以處理大規(guī)模的基于磁盤的數(shù)據(jù)庫，但是R*樹的構(gòu)建和維護(hù)成本太高。該算法對臟數(shù)據(jù)和異常數(shù)據(jù)不敏感，但對數(shù)據(jù)極其敏感，只能處理凸形或球形邊界聚類。

需要收集用戶的哪些特征？聚類分析中變量選擇的原則是:在哪些變量組合的前提下，類別內(nèi)的差異越小越好，即同質(zhì)性高，類別間的差異越大越好，即同質(zhì)性低，變量間不能有高相關(guān)性。常用的用戶特征變量有:①人口統(tǒng)計(jì)學(xué)變量:如年齡、性別、婚姻、學(xué)歷、職業(yè)、收入等。通過人口統(tǒng)計(jì)變量的分類，可以了解每個(gè)人群的需求差異。②用戶目標(biāo):比如用戶為什么使用這個(gè)產(chǎn)品？

了解不同目的用戶的特點(diǎn)，從而看到各種目標(biāo)用戶的需求。③用戶使用場景:用戶在什么時(shí)候、什么情況下使用該產(chǎn)品？了解用戶在各種場景下的偏好/行為差異。④用戶行為數(shù)據(jù):如使用頻率、使用時(shí)長、客單價(jià)等。劃分用戶活躍度等級，用戶價(jià)值等級等。⑤態(tài)度取向量表:如消費(fèi)偏好、價(jià)值觀等。，看到不同價(jià)值觀和生活方式的群體在消費(fèi)取向或行為上的差異。

分類時(shí)要綜合考慮性別、年齡、收入、職業(yè)、興趣、生活方式等相關(guān)信息。通過使用特定的方法，我們可以找到隱藏在這些信息背后的特征，并將其分為幾類，每一類都具有一定的共性，然后進(jìn)行進(jìn)一步的探索和研究。這種分類的過程就是聚類分析。聚類是一種發(fā)現(xiàn)數(shù)據(jù)之間內(nèi)部結(jié)構(gòu)的技術(shù)。集群將所有數(shù)據(jù)實(shí)例組織成一些相似的組，這些組稱為集群。

聚類分析定義聚類分析是根據(jù)數(shù)據(jù)中找到的描述對象及其關(guān)系的信息對數(shù)據(jù)對象進(jìn)行分組。目的是一個(gè)組中的對象彼此相似(相關(guān))，而不同組中的對象不同(不相關(guān))。組內(nèi)相似度越大，組間差距越大，說明聚類效果越好。聚集效應(yīng)取決于兩個(gè)因素:1 .距離測量)2。聚類算法K-means聚類，也稱為快速聚類，在最小化誤差函數(shù)的基礎(chǔ)上，將數(shù)據(jù)劃分為預(yù)定數(shù)量的類K。

簡單來說，分類就是按照一定的標(biāo)準(zhǔn)給物體貼上標(biāo)簽，然后根據(jù)標(biāo)簽進(jìn)行分類。簡單來說，聚類是指在事先沒有“標(biāo)簽”的情況下，通過一些聚類分析，找出事物之間聚集的原因的過程。不同的是，分類是事先定義好的，類別數(shù)量不變。分類器需要通過人工標(biāo)注的分類訓(xùn)練語料進(jìn)行訓(xùn)練，屬于監(jiān)督學(xué)習(xí)的范疇。

聚類不需要人工標(biāo)注和預(yù)訓(xùn)練分類器，分類時(shí)自動(dòng)生成類別。分類適用于類別或分類體系已經(jīng)確定的情況，比如按照全國地圖分類對圖書進(jìn)行分類；聚類適用于沒有分類體系、類別數(shù)量不確定的情況，一般作為一些應(yīng)用的前端，比如多文檔摘要、搜索引擎結(jié)果的搜索后聚類(元搜索)等，分類的目的是學(xué)習(xí)一個(gè)分類函數(shù)或分類模型(也常稱為分類器)，它可以將數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)映射到給定類別中的某個(gè)類。