哪些数据特性对聚类分析影响强

Ⅰ 影响聚类算法结果的主要因素

影响聚类算法结果的主要因素是极端值。

聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式(Pattern)组成的，通常，模式是一个度量(Measurement)的向橘陪量，或者是多维空间中的一个点。

聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。

随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到和搭了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。

Ⅱ 十大互联网数据分析方法之-聚类分析

聚类分析在统计学上是根据“物以类聚”的道理，对样本或指标进行分类的一种多元统计分析方法。这一方法在任何领域应用时，都需要先对事物彼此不同的属性进行辨认，将具有相似属性的事物聚为一类，使得同一类的事物具有高度的相似性。在互联网 用户行为分析 上，大量用户都有相同或相近的行为属性，我们可以通过行为对用户进行聚类，提取行为特征，对不同行为属性的用户针对性精准运营。

在 网站分析 和 APP分析 中应用聚类分析时会使得分析过程和分析结果更简单、直观。

简单：分析逻辑内置于系统中，只需点选操作即可实现对用户或页面的聚类

直观：将毫无规律的大量数据变的规律化、类别化、统一化，可直观看出某一群体或某类页面的特征。

聚类分析在互联网领域的主要应用有：用户聚类、页面聚类或内容来源聚类、活跃留存聚类分析。

用户聚类是将有共同用户属性或行为属性特征的用户归为同一群体，主要体现为 用户分群 ，用户标签法。用户分群用户分群可以通过用户属性组合定义不同用户群体，也可以通过用户群体的行为表现反推用户的属性特征。用户分群对推广营销和用户运营最大的意义在于精细化的定位用户群体细分用户需求。推广和运营已经从初期发的模糊运营进化到当前基于用户行为甚至是基于预测模型的用户分群。

用户分群、用户标签法

页面聚类则主要是相似/相关页面分组法，例如：在 页面分析 中，经常存在带?参数的页面，比如：资讯详情页面、商品页面等，都属于同一类页面，简单的分析容易造成如跳出率、退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

来源聚类帮助我们分析访客来源和推广渠道，可根据设置的UTM参数，根据不同渠道、着陆页、媒介、内容、关键词等对受访页面进行聚类分析。

传统的活跃分析和留存分析只依据用户浏览网站或打开APP行为分析活跃和留存，更高级的活跃和留存分析可以自定义不同的用户行为聚类分析。

例如我不只关心用户浏览网站的活跃和留存，还想分析网站中新上线的某个功能模块的用户活跃和留存情况，这时可以通过自定义活跃、留存聚类有相应行为的用户进行 用户行为分析 。

Ⅲ 我们一般使用哪些指标判断聚类结果的优劣

有参考标准的指标主要有：

1、Jaccard系数（Jaccard Coefficient, JC）
2、FM指数（Fowlkes and Mallows Index, FMI）
3、Rand指数（Rand Index, RI）
4、F值（F-measure）
上述性能度量的结果值均在[0,1]区间，值越大越好，值越大表明聚类结果和参考模型，直接的聚类结果越吻合，聚类结果就相对越好。
5、兰德系数（Rand index，RI）需要给定实际类别信息C，假设K是聚类结果，RI取值范围为[0,1]，值越大意味着聚类结果与真实情况越吻合。
6、调整兰德系数（Adjusted rand index）对于随机结果，RI并不能保证分数接近零。所以ARI取值范围为[-1,1]，值越大意味着聚类结果与真实情况越吻合。从广义的角度来讲，ARI衡量的是两个数据分布的吻合程度。

无监督的，无需基准数据集，不需要借助于外部参考模型指标有：

1、紧密激盯汪度（Compactness）：每个聚类簇中的样本点到聚类中心的平均距离。对应聚类结果，需要使用所有簇的紧密度的平均值来衡量聚类算法和聚类各参数选取的优劣。紧密度越小，表示簇内的样本点月集中，样本点之间聚类越短，也就是说簇内相似度越高。
2、分割度（Seperation）：是个簇的簇心之间的平均距离。分割度值越大说明簇间间隔越远，分类效果越好，即簇间相似度越低。
3、戴维森堡丁指数（Davies-bouldin Index,DBI):该指标用来衡量任意两个簇的簇内距离之后与簇间距离之比。该指标越小表示簇内距离越小，簇内相似度越高，簇间距离越大，簇间相似度低。则歼
4、邓恩指数（Dunn Validity Index,DVI）:任意两个簇的样本点的最短距离与任意簇中样本点的最大距离之商。该值越大，聚类效果越好。
5、轮廓系数 （Silhouette Coefficient）：对于一个样本集明仔合，它的轮廓系数是所有样本轮廓系数的平均值。轮廓系数的取值范围是[-1,1]，同类别样本距离越相近不同类别样本距离越远，分数越高。

若帮助到您，求采纳~