聚类分析旨在找到彼此相似的观测组，同时不同组之间彼此不同。这样的相似性与差异由一种称为距离的度量来刻画。在本章中，您将学习如何在连续特征和分类特征下计算观测值之间的距离。您还将建立对特征量纲如何影响距离的直观理解。

什么是聚类分析？

何时使用聚类？

两条观测之间的距离

计算并绘制两名球员之间的距离

使用 dist() 函数

哪两位球员最近？

尺度的重要性

尺度的影响

什么时候需要缩放数据？

度量分类数据的距离

计算分类变量之间的距离

与一对观测最近的观测

计算观测值之间的距离

本章将帮助您回答第 1 章中的最后一个问题——如何利用您已计算的距离，在数据中找到相似观测值的组（簇）？您将学习层次聚类的基本原理——连接准则与树状图——以及二者如何用于构建簇。您还将探索一家批发分销商的数据，根据客户的消费习惯对其进行市场细分。

比较两个以上的观测

计算连接方法（linkage）

再访：离一对样本最近的观测

获取 K 个聚类

分配簇成员

探索聚类

验证聚类结果

可视化树状图

比较 average、single 与 complete 链接

树的高度

剪切树（Cutting the tree）

基于高度的聚类

探索从树上切下的分支

我们对这些簇了解什么？

解读聚类结果

为批发客户做细分

探索批发客户聚类

解读批发客户聚类结果

层次聚类

在本章中，您将理解 k-means 算法背后的原理，学习在未知情况下如何选择合适的 k，并从不同的视角重新审视批发数据。

K-means 简介

在足球场上进行 K-means

K-means on a soccer field（第 2 部分）

用直观观察评估不同的 K 值

多个 K，多个模型

Elbow（Scree）图

解读肘部图

轮廓系数分析：观测级别的表现

轮廓系数分析

理解 K-means 聚类结果

重访批发数据："最佳" k

回到批发数据：探索

K-means 聚类

在本章中，您将应用已学技能，探索各类职业的平均薪资如何随时间变化。

职业工资数据

数据的初步探索

层次聚类：职业树

层次聚类：探索前的准备

层次聚类：绘制职业聚类图

回顾 HC 结果

K-means：肘部法分析

K-means：平均轮廓宽度

"最佳"聚类数

回顾 K-means 结果

案例研究：全国职业平均工资

Occupational Employment Statistics (OES)

Soccer player positions

Wholesale customer spending

聚类分析是数据科学工具箱中的一项强大技术。它用于发现具有相似特征的观测组（簇）。这些相似性可以为各类业务决策提供依据；例如，在营销中，可用于识别不同的客户群，以便定制广告。在本课程中，您将学习两种常用的聚类方法：层次聚类和 k-means 聚类。您不仅会学会如何使用这些方法，还将深入理解其工作原理以及如何解释结果。您将通过探索三个不同的数据集来建立这种直觉：足球运动员位置、批发客户消费数据，以及职业平均工资的纵向数据。

<h2>学习如何进行聚类分析</h2>
聚类分析是数据科学工作台中的强大工具集。 它用于发现具有相似特征的观测组（簇）。 这些相似性可以为各种商业决策提供依据；例如，在营销中，它可用于识别不同的客户群体，以便为其量身定制广告。 
<br><br>
<h2>探索层次聚类和 K-Means 聚类技术</h2>
在本课程中，您将了解两种常用的聚类方法——层次聚类和 k-means 聚类。 你不仅会学会如何使用这些方法，还会建立起对它们工作原理以及如何解读其结果的深刻直觉。 你将通过探索三个不同的数据集来培养这种直觉：足球运动员位置、批发客户消费数据以及纵向职业工资数据。
<br><br>
<h2>通过实战案例研究提升你的技能</h2>
你将通过将新学到的技能应用于一个围绕平均薪资及其随时间变化的案例研究来完成这门课程。 这将结合层次聚类技术，例如职业树、探索准备和职业簇绘图，以及 k-means 技术，包括肘部分析和平均轮廓宽度。 
<br><br>
DataCamp 课程由视频、文章和实践练习组成，让您有机会测试并巩固新学到的技能，从而在课程之外应用这些技能时更有信心。 

Intermediate R

学习在R中进行聚类分析，使用层次聚类和k均值聚类等技术，并用练习数据集实践技能。

R 中的聚类分析

培养对层次聚类和 k-means 聚类工作原理的直觉，并学习如何将其应用于从数据中提取洞察。 

机器学习科学家 在 R 中

解读肘部图

R 中的聚类分析

动手互动练习