层次聚类算法解析(层次聚类算法的优缺点解析)，小编带你了解更多信息 。
介绍
任何行业中，了解客户行为都是至关重要的 。去年，我的首席营销官问 “现有客户中哪些客户应作为新产品的目标用户？”时，我就意识到了这一点 。
对我来说，这是一个很好的学习曲线 。我意识到了细分客户是多么重要，这样企业就可以制定和构建针对性策略 。聚类的概念在这里变得非常方便！
像细分客户这样的问题通常很棘手，因为我们没有任何目标变量供考虑 。我们处在一个无监督学习的状态，需要从中找出模式和结构，而不用考虑一个既定的结果 。作为一名数据科学家，这既具有挑战又令人兴奋 。
文章插图
文章插图
有几种不同的方法可以执行聚类（如下所示） 。我将在本文中向您介绍其中一种–层次聚类 。
我们将了解层次聚类是什么，它优于其他聚类算法的优势，不同类型的层次聚类以及执行它的步骤 。我们最终使用客户细分数据集在Python中实现层次聚类 。我很喜欢这种技术，我相信你也会在看完这篇文章之后做到这一点！
注意：如上所述，有多种方法可以执行群集 。我鼓励您在文末链接查看介绍不同类型群集的精彩指南 。
目录
- 监督学习与无监督学习
- 为什么采用层次聚类
- 什么是层次聚类
- 层次聚类的类型
- 聚合层次聚类
- 分裂层次聚类
- 执行层次聚类的步骤
- 如何选择层次聚类中的聚类数
- 使用层次聚类解决客户细分问题
在深入层次聚类之前，理解有监督和无监督学习之间的区别非常重要 。让我用一个简单的例子解释这个差异 。
假设我们想要估算每天在城市租用的自行车数量：
文章插图
文章插图
或者假设我们想要预测泰坦尼克号上的人是否幸存：
文章插图
文章插图
我们在这两个示例中都有一个固定的目标：
- 在第一个例子中，我们必须根据季节，假日，工作日，天气，气温等特征预测自行车的数量 。
- 我们在第二个例子中预测乘客是否幸存 。在’Survived’变量中，0代表该人丧生，1代表该人幸存 。这里的自变量包括船票等级，性别，年龄等 。
让我们从下图直观地理解这一点：
这里y是我们的依赖变量，或叫做目标变量，X代表自变量 。目标变量依赖于X，因此它也被称为因变量 。我们使用自变量在目标变量的监督下训练我们的模型，因此命名为监督学习 。
在训练模型时，我们的目标是生成将自变量映射到所需目标的函数 。一旦模型被训练，模型就可以通过新的观测值预测它们的目标 。简而言之，这是有监督的学习 。
但是可能存在我们没有任何目标变量来预测的情况 。没有任何明确的目标变量的这些问题被称为无监督学习问题 。我们在这些问题中只有自变量而没有目标/因变量 。
在这些情况下，我们尝试将整个数据划分为一些组 。这些组称为集群，制作这些集群的过程称为聚类 。
该技术通常用于将群体聚类到不同的群组中 。一些常见示例包括细分客户，将文档归类在一起，推荐相似的歌曲或电影等 。
有许多无监督学习的应用 。如果您遇到任何有趣的应用程序，请随时在下面的评论部分分享！
现在，有各种算法可以帮助我们划分这些集群 。最常用的聚类算法是K-means和Hierarchical clustering（层次聚类） 。
为什么使用层次聚类
在我们深入层次聚类之前，我们应该先了解K-means的工作原理 。相信我，它将使层次聚类的概念变得更加容易 。
以下是K-means工作原理的概述：
