聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。
從統計學的觀點看，聚類分析是通過數據建模簡化數據的一種方法。傳統的統計聚類分析方法包括系統聚類法、分解法、加入法、動態聚類法、有序樣品聚類、有重疊聚類和模糊聚類等。
從機器學習的角度講，簇相當于隱藏模式。聚類是搜索簇的無監督學習過程。與分類不同，無監督學習不依賴預先定義的類或帶類標記的訓練實例，需要由聚類學習算法自動確定標記，而分類學習的實例或數據對象有類別標記。聚類是觀察式學習，而不是示例式的學習。
從實際應用的角度看，聚類分析是數據挖掘的主要任務之一。而且聚類能夠作為一個獨立的工具獲得數據的分布狀況，觀察每一簇數據的特征，集中對特定的聚簇集合作進一步地分析。聚類分析還可以作為其他算法(如分類和定性歸納算法)的預處理步驟。
聚類分析的核心思想就是物以類聚，人以群分。在市場細分領域，消費同一種類的商品或服務時，不同的客戶有不同的消費特點，通過研究這些特點，企業可以制定出不同的營銷組合，從而獲取最大的消費者剩余，這就是客戶細分的主要目的。在銷售片區劃分中，只有合理地將企業所擁有的子市場歸成幾個大的片區，才能有效地制定符合片區特點的市場營銷戰略和策略。金融領域，對基金或者股票進行分類，以選擇分類投資風險。
下面以一個汽車銷售的案例來介紹聚類分析在市場細分中的應用。
聚類是將數據分類到不同的類或者簇這樣的一個過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。
從統計學的觀點看，聚類分析是通過數據建模簡化數據的一種方法。傳統的統計聚類分析方法包括系統聚類法、分解法、加入法、動態聚類法、有序樣品聚類、有重疊聚類和模糊聚類等。
從機器學習的角度講，簇相當于隱藏模式。聚類是搜索簇的無監督學習過程。與分類不同，無監督學習不依賴預先定義的類或帶類標記的訓練實例，需要由聚類學習算法自動確定標記，而分類學習的實例或數據對象有類別標記。聚類是觀察式學習，而不是示例式的學習。
從實際應用的角度看，聚類分析是數據挖掘的主要任務之一。而且聚類能夠作為一個獨立的工具獲得數據的分布狀況，觀察每一簇數據的特征，集中對特定的聚簇集合作進一步地分析。聚類分析還可以作為其他算法(如分類和定性歸納算法)的預處理步驟。
聚類分析的核心思想就是物以類聚，人以群分。在市場細分領域，消費同一種類的商品或服務時，不同的客戶有不同的消費特點，通過研究這些特點，企業可以制定出不同的營銷組合，從而獲取最大的消費者剩余，這就是客戶細分的主要目的。在銷售片區劃分中，只有合理地將企業所擁有的子市場歸成幾個大的片區，才能有效地制定符合片區特點的市場營銷戰略和策略。金融領域，對基金或者股票進行分類，以選擇分類投資風險。
下面以一個汽車銷售的案例來介紹聚類分析在市場細分中的應用。
商業目標
業務理解：數據名稱《汽車銷售.csv》。該案例所用的數據是一份關于汽車的數據，該數據文件包含銷售值、訂價以及各種品牌和型號的車輛的物理規格。訂價和物理規格可以從 edmunds.com 和制造商處獲得。定價為美國本土售價。如下：
表1：數據視圖
業務目標：對市場進行準確定位，為汽車的設計和市場份額預測提供參考。
數據挖掘目標：通過聚類的方式對現有的車型進行分類。
數據準備
通過數據探索對數據的質量和字段的分布進行了解，并排除有問題的行或者列優化數據質量。
第一步，我們使用統計節點審核數據的質量，從審核結果中我們發現存在缺失的數據，如下圖所示：
第二步，對缺失的數據進行處理，我們選擇使用缺失填充節點刪除這些記錄。配置如下：
建模
我們選擇層次聚類進行分析，嘗試根據各種汽車的銷售量、價格、引擎、馬力、軸距、車寬、車長、制動、排量、油耗等指標對其分類。
因為層次聚類不能自動確定分類數量，因此需要我們以自定義的方式規定最后聚類的類別數。層次聚類節點配置如下(默認配置)：
可以使用交互表或者右擊層次聚類節點查看聚類的結果，如下圖所示：
再使用餅圖查看每個類的大小，結果如下：
從圖中可見，分成的三個類樣本數差異太大，cluster_0和cluster_1包含的樣本數都只有1，這樣的分類是沒有意義的，因此需要重新分類。我們嘗試在層次聚類節點的配置中指定新的聚類方法：完全。新的聚類樣本數分布如下：
cluster_0、 cluster_1、cluster_2的樣本數分別為：50、9、93。
執行后輸出樹狀/冰柱圖，可以從上往下看，一開始是一大類，往下走就分成了兩類，越往下分的類越多，最后細分到每一個記錄是一類，如下所示：
我們可以再使用條形圖查看每類的銷售量、平均價格，如下圖所示：
每類總銷量分布圖
每類平均銷量分布圖
每類平均價格分布圖
我們再看一下每類的銷售額分布情況。首先，我們需要使用Java代碼段節點或者派生節點生成銷售額字段，配置如下：
再使用餅圖查看銷售額分布情況，cluster_0、 cluster_1、cluster_2的市場份額分別為：32.39%、0.53%和67.08%，如下圖所示：
案例小結
通過這個案例，大家可以發現聚類分析確實很簡單。進行聚類計算后，主要通過圖形化探索的方式評估聚類合理性，以及在確定聚類后，分析每類的特征。
本文轉自數據科學研習社 作者陳丹奕
