❶ 聚類分析概念
聚類分析是一種數據分析方法，其核心目標在於將數據對象自動分組到具有相似性質的簇中，與分類任務不同，聚類並未預先設定類別的劃分。聚類過程強調的是相似性，簇內的對象相似度高，而不同簇之間的對象差異明顯。
從統計學角度來看，聚類分析是通過構建數據模型來簡化數據的復雜性。常見的統計方法包括系統聚類、分解法、加入法等，還有一些先進的技術如k-均值、k-中心點等，這些工具已被廣泛應用於諸如SPSS、SAS等統計分析軟體中，以幫助分析人員進行數據挖掘。
在機器學習領域，聚類可視為隱藏的模式探尋。這是一種無監督學習過程，與有監督的分類不同，聚類演算法不需要預先標記的數據，而是通過演算法自身找出數據的內在結構。聚類是基於觀察數據模式而非基於實例的，因此屬於觀察式學習而非示例式學習。
聚類分析是一種非定向的探索性分析，不預先設定分類標准，而是通過對樣本數據的分析，自動發現數據的內在結構。由於不同方法的應用可能產生不同的結果，同一組數據的聚類結果可能會因分析者而異，聚類數量並不固定。
在實際應用中，聚類分析作為數據挖掘的重要組成部分，有助於揭示數據的分布情況，對特定簇進行深入分析。它還能作為其他演算法（如分類和定性歸納）的前置步驟，為後續分析提供基礎信息。
聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。它是一種重要的人類行為。聚類分析的目標就是在相似的基礎上收集數據來分類。聚類源於很多領域，包括數學，計算機科學，統計學，生物學和經濟學。在不同的應用領域，很多聚類技術都得到了發展，這些技術方法被用作描述數據，衡量不同數據源間的相似性，以及把數據源分類到不同的簇中。