Data Science with R in 4 Weeks - Week 2 - Day2

Hierarchical clustering

业务分析中经常遇到的一个挑战是如何对不同的数据进行分组。这些数据可以是用户，用户的使用行为，用户的态度，产品的价格，等等。常用的一种分组方法是 hierarchical clustering。

hierarchical clustering的基本思想是：距离较近的数据应该被分为一组，并保证每个组内的数据足够相似，而组和组之间的数据足够不同。

任意挑选两个数据，计算这两个数据之间的距离，以这个距离作为baseline，然后计算其中一个数据和第三个数据之间的距离，如果距离大于baseline，则说明1、2两个数据之间距离更近，应该被分为一组；如果小于baseline，则说明1、3两个数据之间距离更近，应该被分为一组。

例子：我们先生成一组数据：

> set.seed(1234)

> par(mar = c(0,0,0,0))

> x <- rnorm(12, mean = rep(1:3, each = 4), sd = 0.2)

> y <- rnorm(12, mean = rep(c(1,2,1), each = 4), sd = 0.2)

> plot(x,y,col = "blue", pch = 19, cex = 2)

> text(x+0.05, y+0.05, labels = as.character(1:12))

> dataframe <- data.frame(x=x, y=y)

采用dist 命令计算这些数据之间的距离

> distxy <- dist(dataframe)

> hClustering <- hclust(distxy)

> plot(hClustering)

结果如下图

dendrogram并不能告诉分析人员现有的数据有多少cluster，所以，需要分析人员能够learn your business in and out!  然后做出判断。