❶ 聚类分析概念
聚类分析是一种数据分析方法，其核心目标在于将数据对象自动分组到具有相似性质的簇中，与分类任务不同，聚类并未预先设定类别的划分。聚类过程强调的是相似性，簇内的对象相似度高，而不同簇之间的对象差异明显。
从统计学角度来看，聚类分析是通过构建数据模型来简化数据的复杂性。常见的统计方法包括系统聚类、分解法、加入法等，还有一些先进的技术如k-均值、k-中心点等，这些工具已被广泛应用于诸如SPSS、SAS等统计分析软件中，以帮助分析人员进行数据挖掘。
在机器学习领域，聚类可视为隐藏的模式探寻。这是一种无监督学习过程，与有监督的分类不同，聚类算法不需要预先标记的数据，而是通过算法自身找出数据的内在结构。聚类是基于观察数据模式而非基于实例的，因此属于观察式学习而非示例式学习。
聚类分析是一种非定向的探索性分析，不预先设定分类标准，而是通过对样本数据的分析，自动发现数据的内在结构。由于不同方法的应用可能产生不同的结果，同一组数据的聚类结果可能会因分析者而异，聚类数量并不固定。
在实际应用中，聚类分析作为数据挖掘的重要组成部分，有助于揭示数据的分布情况，对特定簇进行深入分析。它还能作为其他算法（如分类和定性归纳）的前置步骤，为后续分析提供基础信息。
聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。