《BI那点儿事》Microsoft 聚类分析算法——三国人物身份划分
什么是聚類分析？?
聚類分析屬于探索性的數(shù)據(jù)分析方法。通常，我們利用聚類分析將看似無序的對象進行分組、歸類，以達到更好地理解研究對象的目的。聚類結(jié)果要求組內(nèi)對象相似性較高，組間對象相似性較低。在三國數(shù)據(jù)分析中，很多問題可以借助聚類分析來解決，比如三國人物身份劃分。
聚類分析的基本過程是怎樣的？?
- 選擇聚類變量
在分析三國人物身份的時候，我們會根據(jù)一定的假設(shè)，盡可能選取對角色身份有影響的變量，這些變量一般包含與身份密切相關(guān)的統(tǒng)率、武力、智力、政治、魅力、特技、槍兵、戟兵、弩兵、騎兵、兵器、水軍等。但是，聚類分析過程對用于聚類的變量還有一定的要求：
這些變量在不同研究對象上的值具有明顯差異；
這些變量之間不能存在高度相關(guān)。
因為，首先，用于聚類的變量數(shù)目不是越多越好，沒有明顯差異的變量對聚類沒有起到實質(zhì)意義，而且可能使結(jié)果產(chǎn)生偏差；其次，高度相關(guān)的變量相當(dāng)于給這些變量進行了加權(quán)，等于放大了某方面因素對用戶分類的作用。
識別合適的聚類變量的方法：
對變量做聚類分析，從聚得的各類中挑選出一個有代表性的變量；
做主成份分析或因子分析，產(chǎn)生新的變量作為聚類變量。
- 聚類分析
相對于聚類前的準(zhǔn)備工作，真正的執(zhí)行過程顯得異常簡單。數(shù)據(jù)準(zhǔn)備好后，丟到分析軟件（通常是分析服務(wù)）里面跑一下，結(jié)果就出來了。
這里面遇到的一個問題是，把人物分成多少類合適？通常，可以結(jié)合幾個標(biāo)準(zhǔn)綜合判斷：
1. 看拐點
2. 憑經(jīng)驗或人物特性判斷
3. 在邏輯上能夠清楚地解釋
- 找出各類用戶的重要特征
確定一種分類方案之后，接下來，我們需要返回觀察各類別三國人物在各個變量上的表現(xiàn)。根據(jù)差異檢驗的結(jié)果，我們以顏色區(qū)分出不同類用戶在這項指標(biāo)上的水平高低。
- 聚類解釋&命名
在理解和解釋用戶分類時，最好可以結(jié)合更多的數(shù)據(jù)，例如，三國志12數(shù)據(jù)等……最后，選取每一類別最明顯的幾個特征為其命名，就大功告成啦！
下面我們進入主題，同樣我們繼續(xù)利用上次的解決方案，依次步驟如下：
在挖掘模型中，主要是列出所建立的挖掘模型，也可以新增挖掘模型，并調(diào)整變量，變量使用情況包含Ignore（忽略）、Input（輸入變量）、Predict（預(yù)測變量、輸入變量）以及PredictOnly（預(yù)測變量），如圖所示：
而在挖掘模型上點擊鼠標(biāo)右鍵，選擇“設(shè)置算法參數(shù)”針對方法論的參數(shù)設(shè)置加以編輯，其中包含：
CLUSTER_COUNT：指定算法所要建立的聚類的近似數(shù)目。如果無法從數(shù)據(jù)中建立聚類的近似數(shù)目，算法便會盡可能建立聚類。若將CLUSTER_COUNT設(shè)置為0，則算法便會使用啟發(fā)式?jīng)Q定所應(yīng)建立的聚類數(shù)目，默認值為10。
CLUSTER_SEED：指定在模型建立的初始階段，用于隨機產(chǎn)生聚類的種子數(shù)。
CLUSTERING_METHOD：算法使用的聚類方法可以是可擴展的EM（1）、不可擴充的EM（2）、可擴充的K-means（3）或不可擴充的K-means（4）。
MAXIMUM_INPUT_ATTRIBUTE：指定在調(diào)用功能選項之前，算法可以處理輸入屬性的最大數(shù)目。將此值設(shè)置為0，會指定沒有屬性最大數(shù)目的限制。
MAXIMUM_STATES：指定算法所支持屬性狀態(tài)的最大數(shù)目。如果屬性擁有的狀態(tài)數(shù)目大于狀態(tài)的最大數(shù)目，算法會使用屬性最常用的狀態(tài)并將其他的狀態(tài)視為遺漏。
MINIMUM_SUPPORT：此參數(shù)指定每個聚類中的最小案例數(shù)目。
MODELLING_CARDINALITY：此參數(shù)指定聚類處理期間建構(gòu)的范例模型數(shù)目。
SAMPLE_SIZE：指定如果CLUSTERING_METHOD參數(shù)設(shè)置為可擴充的聚類方法時，算法使用在每個行程上的案例數(shù)目。將SAMPLE_SIZE設(shè)置為0會導(dǎo)致整個數(shù)據(jù)集在單一進程中聚類，如此可能會造成內(nèi)存和效率的問題。
STOPPING_TOLERANCE：指定用來決定何時到達聚合以及算法完成建立模型的值。當(dāng)聚類概率的整體變更小于SHOPPING_TOLERANCE除以模型大小的比率時，就到達聚合。
挖掘模型查看器則是呈現(xiàn)此聚類分析結(jié)果，其中聚類圖表則是表現(xiàn)各類關(guān)聯(lián)性的強弱，對于數(shù)據(jù)的分布進一步加以了解。而在每一聚類結(jié)點上，點擊右鍵，再出現(xiàn)的菜單上選擇“鉆取”，則可以瀏覽屬于這一類的樣本數(shù)據(jù)特征。
從“分類剖面圖”了解因變量與自變量間的關(guān)聯(lián)性強弱程度，如圖
“分類特性”主要是呈現(xiàn)每一類的特性，見圖
在“分類對比”上，主要就是呈現(xiàn)出兩類間特性的比較，如圖
參考文獻：
Microsoft 聚類分析算法
http://msdn.microsoft.com/zh-cn/library/ms174879.aspx
轉(zhuǎn)載于:https://www.cnblogs.com/lonelyxmas/p/4136622.html
總結(jié)
以上是生活随笔為你收集整理的《BI那点儿事》Microsoft 聚类分析算法——三国人物身份划分的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 《BI那点儿事》Microsoft 决策
- 下一篇： [翻译] RKCardView