叢集分析旨在找出彼此相似的觀測值群組，同時讓不同群組之間彼此區別。這種相似／差異由稱為距離的度量來刻畫。在本章中，你會學到如何為連續與類別特徵計算觀測值之間的距離。你也會建立一個直覺，了解特徵的尺度如何影響距離。

什麼是叢集分析？

什麼時候要做叢集？

兩個觀測之間的距離

計算並繪製兩名球員之間的距離

使用 dist() 函式

哪兩位球員最近？

尺度的重要性

尺度的影響

什麼時候需要縮放資料？

衡量類別資料的距離

計算類別變數之間的距離

最接近一組的觀測值

計算觀測值之間的距離

本章將幫你回答第 1 章的最後一個問題——如何利用已計算出的距離，在資料中找到相似觀測值的群組（叢集）？你會學到階層式分群的基本原理——連結準則與系統樹（dendrogram）圖——以及兩者如何用來建立叢集。你也會探索一家批發經銷商的資料，根據客戶的消費習慣進行市場區隔。

比較兩個以上的觀測值

計算 linkage

再訪：與一對最接近的觀測值

擷取 K 個叢集

指派叢集成員資格

探索叢集

驗證叢集

視覺化樹狀圖（dendrogram）

比較 average、single 與 complete linkage

樹的高度

剪開樹狀圖

以高度為基準的叢集

探索從樹上切下的分枝

我們對叢集了解多少？

解讀叢集

替經銷商客戶做分群

探索批發客戶叢集

解讀批發客戶叢集

階層式分群

在本章中，你將理解 k-means 演算法背後的原理，學會在事先未知的情況下如何選擇合適的 k，並從不同角度重新檢視批發資料。

K-means 簡介

在足球場上做 K-means

足球場上的 K-means（第 2 部分）

用肉眼評估不同的 K 值

許多 k、許多模型

Elbow（Scree）圖

解讀 elbow 圖

輪廓係數分析：觀測值層級的表現

輪廓係數分析

解讀 K-means 叢集

回到批發資料：最佳的 k

回到批發資料：探索

k-means 分群

在本章中，你會運用所學的技能，探索各職業的平均薪資如何隨時間變化。

職業薪資資料

資料的初步探索

階層式分群：職業樹狀圖

階層式分群：探索前的準備

階層式分群：繪製職業分群圖

檢視 HC 結果

K-means：Elbow 分析

K-means：平均輪廓係數寬度

「最佳」的叢集數

檢視 K-means 結果

案例研究：全國職業平均薪資

Occupational Employment Statistics (OES)

Soccer player positions

Wholesale customer spending

叢集分析是資料科學工具箱中非常有力的一套方法。它用來找出具有相似特徵的觀測值群組（叢集）。這些相似性可以協助各種商業決策；例如在行銷中，可用來識別不同的顧客族群，進而客製化廣告。在本課程中，你會學到兩種常用的分群方法——階層式分群與 k-means 分群。你不只會學會如何使用這些方法，還會建立對其運作原理與結果詮釋的直覺。你會透過探索三個不同的資料集來培養這種直覺：足球員場上位置、批發客戶消費資料，以及長期的職業薪資資料。

<h2>學習如何進行叢集分析</h2>
叢集分析是資料科學工具箱中一項強大的工具。 它用於尋找具有相似特徵的觀測群組（叢集）。 這些相似性可以為各種商業決策提供參考；例如，在行銷領域中，這些資訊可用於識別不同的顧客群體，從而針對性地調整廣告內容。 
<br><br>
<h2>探索階層式與 K-Means 分群技術</h2>
在本課程中，您將學習兩種常用的分群方法——階層式分群與 k-means 分群。 你不僅會學習如何使用這些方法，還能建立對其運作原理及結果詮釋的深刻直覺。 您將透過探索三種不同的資料集來培養這種直覺：足球球員位置、批發客戶消費資料，以及縱向職業薪資資料。
<br><br>
<h2>透過實作案例精進您的技能</h2>
您將在課程結束時，運用新學到的技能，針對平均薪資及其隨時間變化的情況，進行案例研究。 這門課將結合階層式分群技術（如職業樹、探索準備及職業分群繪圖），以及 k-means 技術（包括肘部分析與平均輪廓寬度）。 
<br><br>
DataCamp 課程結合了影片、文章與練習題，讓您能夠實際測試並鞏固新學到的技能，進而自信地在課程之外應用所學。 

Intermediate R

學習在R中進行叢集分析，使用階層式和k-means等技術，並用練習數據集實踐技能。

R 的叢集分析

掌握分層式與k-means分群的原理，學會運用這些方法從資料中萃取洞見。 

用肉眼評估不同的 K 值

Create Your Free Account