目录

乐高积木

注意事项

核心逻辑

有监督学习(分析)： 就像老师用卡片教你这是苹果，那是香蕉，电脑学会后在拿来水果给他分析

但它也有缺点，如 ：极度依赖高质量标注数据成本极高；泛化能力有限，容易过拟合；无法处理开放世界问题

无监督学习（聚类）： 就像把一堆你从未见过的水果倒在桌上，不告诉电脑它们叫什么。电脑只能自己观察

局限性

聚类分析案例：电商分层

第一步：确定特征

第二部：数据预处理

实战应用

---

初中生也能看懂的聚类分析科普

乐高积木

我用分类积木来类比

        你现在有一筐积木你把他们倒在了地上，你又根据他们的形状，颜色(如有三种颜色于是你根据他们的颜色分成了三组，颜色相同的在一组)

        聚类分析就像是让电脑整理积木一样，自动把一堆积木按照不同的特征分类

注意事项

但要注意的是聚类分析本质是无监督学习，可能导致不可预测的后果

核心逻辑

在机器学习的世界里，聚类分析属于无监督学习，就是自己找规律

有监督学习(分析)： 就像老师用卡片教你这是苹果，那是香蕉，电脑学会后在拿来水果给他分析

但它也有缺点，如 ：极度依赖高质量标注数据成本极高；泛化能力有限，容易过拟合；无法处理开放世界问题

无监督学习（聚类）： 就像把一堆你从未见过的水果倒在桌上，不告诉电脑它们叫什么。电脑只能自己观察

最经常用的聚类分析方法可以用如下方法演示

1.先把全班分成三组，选三个临时组长

2.其他同学看谁离自己最近，就跑到哪个队长身边站好。这时候，大家就初步分成了3堆。

3.队伍站好后，原来的“临时队长”可能不在队伍的正中心了。于是，每一堆人重新计算中心位置，选出一个站在最中间的当“新队长”。

4.换了新队长后，有些同学可能发现隔壁队的新队长离自己更近，于是过去。然后大家又重新选队长

5.不断重复此过程，直到稳定

局限性

需要事先告诉他分成几组，对奇怪的数据没有办法（如甜甜的，在嘴里还会跳的东西是什么，它会回达跳跳糖，但人类可能会说抹了糖的青蛙）

聚类分析案例：电商分层

故事背景：假设你是一家大型电商网站的数据分析师。老板给了你一份包含 10万名用户 的交易记录，对你说：“下个月是双11大促，预算有限，不能给所有人都发大额优惠券。请你帮我把用户分分类，我们要对不同的人说不同的话。”

第一步：确定特征

为了描述一个用户，我们不能只看他买了多少钱。在商业分析中，我们通常使用 RFM模型 来提取三个关键特征：

代码	含义	业务意义
R	Recency (最近一次消费时间)	用户是不是刚买过？越近越活跃。
F	Frequency (消费频率)	用户多久买一次？越频繁越忠诚。
M	Monetary (消费金额)	用户花了多少钱？越多越有价值。

第二部：数据预处理

1. 异常值处理： 剔除那些一次买了1个亿的“超级土豪”或系统错误数据，防止它们把聚类中心拉偏。
2. 数据标准化
   R的单位是“天”（如30），M的单位是“元”（如5000）。如果不处理，算法会认为5000比30大得多，从而只关注金额。我们需要用 StandardScaler 把它们拉到同一个维度（比如都变成 -1 到 1 之间的数值）。
3. 算法执行与确定k值

         我们使用 K-Means 算法。但是分几类呢？
         通常我们会使用 手肘法 或 轮廓系数 来寻找最佳的 K 值。
         假设经过计算，我们发现 K=4 时效果最好

算法跑完后，输出了4个簇。我们需要查看每个簇在 R、F、M 上的平均值，并赋予它们业务含义

实战应用

聚类模型训练好后，不仅可以用在老用户身上，还可以用在 新用户 身上。

当有一个新用户注册并下了第一单，系统会自动提取他的RFM数据，输入到模型中