未记录事实核验 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 本文适用范围与待维护项

本节适用于理解聚类的基本思路和使用内置二维教学数据练习KMeans，不涉及真实业务效果验证。原代码在“[10, 0|1, 2]”处存在样本分隔符错误，须改为“[10, 0], [1, 2]”后再运行；方法小标题应为“聚类分析方法”。医院分组例子仅说明相似性分组，聚类结果本身不能作为疾病诊断。

🧬 聚类分析（Clustering Analysis）

abstract 📋 本节概览

  • 🎯 学习目标：理解什么是聚类分析，常见应用，如何用Python实现
  • 📚 前置知识：相关分析|相关分析 | 回归分析|回归分析
  • ⏱️ 预计用时：12分钟

学习目标

note 📖 **什么是聚类分析？**

聚类分析就是"把一堆东西按相似性自动分组"，比如把顾客分成不同类型。

生活例子：

  • 电商平台根据用户购买行为，把用户分成"爱买便宜货""高端用户""潜力用户"等。
  • 医院根据病人症状，把病人分成不同疾病类型。

🛠️ 聚类分析方法

  1. 思路说明

    • 用sklearn库的KMeans方法进行聚类分析
    • 选择聚类数，训练模型，查看每个样本的类别

  2. 常用类库

    • sklearn（机器学习库，含聚类方法）
    • numpy、pandas（数据处理）

  3. 代码示例

import numpy as np
from sklearn.cluster import KMeans
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0], [1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
print("每个样本的聚类类别:", kmeans.labels_)
print("聚类中心:", kmeans.cluster_centers_)

tip 💡 聚类分析常用于市场细分、图像分割、异常检测等场景。

🔗 相关知识

#统计学 #聚类分析 #多元分析 #基础