5.3.3聚类分析&5.3.4数据分类（课件）-2023-2024学年高一信息技术同步教材配套教案+课件+练习（粤教版2019必修1）

第五章 数据处理与可视化表达 信息技术 必修1 粤教版普通高中教科书 数据与计算 内容回顾 5.3 数据的分析（2） 子项目三：网购数据的分析（继续） 5.3.3聚类分析&5.3.4数据分类 1.概念：是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。 2.特点： 不需要先给定分类标准 能够自动进行分类 达到“物以类聚、人以群分”的效果 3.常用的算法：k-Means算法 中文名：K-平均算法 特点：自下而上的聚类分析方法 5.3.3 聚类分析 Aprio... text has been truncated due to evaluation version limitation. 4 3.k-Means算法的基本算法及流程图 初始化随机选择K个点作为中心聚类点 依次计算其余数据点与中心点的距离 将数据点分配给最近的中心点 计算每个聚集中心的平均值，即为中心点 重复步骤②-④， 满足下列条件时，结束聚类。 中心点的位置变化小于指定的阈值（默认为 0.0001） 达到最大迭代次数得到最大的频繁项集 从文件读取数据 初始化聚类中心（随机） 计算其余数据点与中心点的距离 将数据点分配到最近的中心点 中心点的位置变化小于指定的阈值 开始 结束 否 否 是 计算每个聚集的平均值，即中心点 5.3.3 聚类分析 Aprio... text has been truncated due to evaluation version limitation. 5 5.3.3 聚类分析 1、设置分类的数量K K-Mcans聚类法中的K就是分组数，也就是我们希望通过聚类后得到多少个组类。比如我有下面六个数据，想要将这些数据分成两类，那么K=2 。 K-Mcans聚类法实例1： Aprio... text has been truncated due to evaluation version limitation. 6 5.3.3 聚类分析 2、选择数据中心 这个数据中心的选择是完全随机的，也就是说怎么选择都无所谓，因为这里K=2，所以我们就以A和B两个为数据中心。 为了方便理解，我们可以制作一个散点图，将A、B作为数据中心。 题目是普通的二维数据，我们算出其他6个点距离A和B的距离，谁离得更近，谁与数据中心就是同一类。 Aprio... text has been truncated due to evaluation version limitation. 7 好友关系聚类 5.3.3 聚类分析 K-Mcans聚类法实例2： 层次关系聚类 5.3.3 聚类分析 K-Mcans聚类法实例3： 运行程序5-6-1聚类分析（教材范例），体验聚类分析。需要的数据存储在comany. CSV文件中，包括“客户年龄”、 “平均每次消费金额”、 “平均消费周期(天)。由于一起对3个数据的关系进行分析很难操作，所以分别选取2个类别进行比较。 图1 图2 图3 图1： 图2： 图3： 红五星表示普通用户，消费金额偏低。 矩形表示消费金额较高，为高级用户。 蓝色为超级用户。 红五星消费时间不定，消费金额不高。 矩形表示消费金额中等，消费时间稳定。 蓝色表示消费额高，消费时间短。 年龄-消费时间图。点阵杂乱无章，两者关系不强。 探究活动一 5.3.3 聚类分析 程序运行结果如下图: 1.思路： 先基于样本数据训练构建分类函数或者分类模型（分类器）； 然后用分类器将待分类数据进行分类。 2.应用：预测（数据分类、回归分析） 基于样本数据记录 根据分类准则自动对未知数据进行推广描述 从而实现对未知数据进行预测 3.常用的方法：贝叶斯分类技术 事件发生的概率 5.3.4 数据分类 客户 特征A 特征B 特征C 重要客户 182.8 81.6 30 重要客户 180.4 86.1 29 重要客户 170.0 77.1 30 重要客户 180.4 74.8 28 普通客户 152.4 45.3 24 普通客户 167.6 68.0 26 普通客户 165.2 58.9 25 普通客户 175.2 68.0 27 【思考】如下表所示是某网络商城客户购物行为特征的一组统计资料。已知某客户购物行为特征A的数值为182.8，特征B为数值58.9，特征C为数值26，请问这是重要客户还是普通客户？ 5.3.4 数据分类 程序运行结果为0，表示这人是普通客户 程序5-7-1 数据分析结果 【分析与演示】：运行“程序5-7-1 数据分类.py”，修改代码，将某客户购物行为特征A的数值为182.8，特征B为数值58.9，特征C为数值26，查看该用户的类别。结果如下图所示。 5.3.4 数据分类