K-Centroids 聚类分析工具

K-Centroids 表示一类用于执行分区聚类分析的算法。这些方法的工作原理是获取数据库中的记录，并根据某些标准将它们划分（分区）成“最佳”K 组。几乎所有分区聚类分析方法都是根据每条记录与数据中某个 K 点（或“形心”）的邻近程度来确定群集成员资格，从而实现其目标。这些聚类算法的目的是针对数据中预先指定的群集数量，根据群集的形心与分配给该群集的点之间的距离，找到能优化某些标准的形心位置。在用于定义群集形心的标准和用于定义群集中的点与该群集形心的邻近程度的距离测量方法上，具体算法各不相同。

可通过此工具执行三种特定类型的 K-Centroids 聚类分析：K-均值、K-中值和神经气聚类。“K-均值”使用群集中各点的字段的均值来定义形心，并使用欧几里得距离来测度点与形心的邻近程度。*“K-中值”使用群集中各点的字段的中值来定义形心，并使用曼哈顿（也称为城市区块）距离来测量邻近程度。**神经气聚类与 K-均值类似，它使用点与形心之间的欧几里得距离将该点分配到特定的群集。***然而，该方法在计算群集形心的方式上不同于 K-均值，群集的形心位置涉及所有数据点的加权平均值，分配给正在构造形心的群集的点获得的权重最大，来自离焦点群集最远的群集的点获得的权重最小，而给中间群集中的点的权重则随着焦点群集与点所分配到的群集之间的距离增加而减少。

此工具使用 R 工具。转至选项 > 下载预测工具，并登录到 Alteryx 下载和许可门户以安装 R 和 R 工具使用的包。请参考下载和使用预测工具。