Build your ultimate AI agent
课程介绍
学习如何进行聚类分析
聚类分析是数据科学工作台中的强大工具集。 它用于发现具有相似特征的观测组（簇）。 这些相似性可以为各种商业决策提供依据；例如，在营销中，它可用于识别不同的客户群体，以便为其量身定制广告。探索层次聚类和 K-Means 聚类技术
在本课程中，您将了解两种常用的聚类方法——层次聚类和 k-means 聚类。 你不仅会学会如何使用这些方法，还会建立起对它们工作原理以及如何解读其结果的深刻直觉。 你将通过探索三个不同的数据集来培养这种直觉：足球运动员位置、批发客户消费数据以及纵向职业工资数据。通过实战案例研究提升你的技能
你将通过将新学到的技能应用于一个围绕平均薪资及其随时间变化的案例研究来完成这门课程。 这将结合层次聚类技术，例如职业树、探索准备和职业簇绘图，以及 k-means 技术，包括肘部分析和平均轮廓宽度。DataCamp 课程由视频、文章和实践练习组成，让您有机会测试并巩固新学到的技能，从而在课程之外应用这些技能时更有信心。
先修要求
课程大纲
课程大纲
1
计算观测值之间的距离
聚类分析旨在找到彼此相似的观测组，同时不同组之间彼此不同。这样的相似性与差异由一种称为距离的度量来刻画。在本章中，您将学习如何在连续特征和分类特征下计算观测值之间的距离。您还将建立对特征量纲如何影响距离的直观理解。
2
层次聚类
本章将帮助您回答第 1 章中的最后一个问题——如何利用您已计算的距离，在数据中找到相似观测值的组（簇）？您将学习层次聚类的基本原理——连接准则与树状图——以及二者如何用于构建簇。您还将探索一家批发分销商的数据，根据客户的消费习惯对其进行市场细分。
3
K-means 聚类
在本章中，您将理解 k-means 算法背后的原理，学习在未知情况下如何选择合适的 k，并从不同的视角重新审视批发数据。
4
案例研究：全国职业平均工资
在本章中，您将应用已学技能，探索各类职业的平均薪资如何随时间变化。
R
R 中的聚类分析
课程完成
