K-Centroids 诊断工具

K-Centroids 诊断工具旨在让用户能够根据数据和所选聚类算法（K-均值、K-中值或神经气），评估要指定的群集的适当数量。该工具为图形化工具，基于对一系列聚类解决方案原始数据的自举法重复样本计算两种不同的统计量，这些聚类解决方案在指定的群集数量上有所不同。采用此方法的原因是，如果数据库中的记录确实属于一组稳定的群集，那么从这些记录中随机抽取一组不同的样本，除了由于随机样本的变异性和一般 K-Centroids 算法中通过随机选择 K 点来生成起始形心集的方法所引起的随机性所造成的微小差异外，其结果应与在自举法重复中得到的一组群集大致相同。所检查的两个衡量标准是调整兰德指数和 Calinski–Harabasz 指数（也称为方差比准则和伪 F 统计量）。

调整兰德指数提供了两个不同聚类解决方案之间的相似性度量，当两个聚类解决方案完全重叠时，最大值为 1。*该指数可用于通过比较成对的解决方案（每对解决方案均基于不同的客户数据样本），确定聚类解决方案的相对再现性和绝对再现性。成对解决方案之间的重叠程度越高，意味着群集结构的再现性越高。

Calinski–Harabasz 指数基于比较群集间平方和（群集分离程度的测度）与群集内平方和（群集内点的密集程度的测度）的加权比得出。理想情况下，群集应很好地分离，因此群集间平方和的值应该较大，但群集内的点应尽可能相互靠近，从而使群集内平方和的测度值较小。由于 Calinski–Harabasz 指数是一个比率，分子是群集间平方和，分母是群集内平方和，因此指数值较大的群集解决方案比指数值较小的群集解决方案“更好”。

该工具的输出是有关两个统计量在不同群集数量的自举法重复中的分布的信息。这些信息通过两个盒须图（调整后的兰德指数和 Calinski-Harabasz 指数各一个）以及两个测度值的汇总统计量来传达。基于每种测度方法的首选群集数应与所比较的解决方案中均值和中值最高的群集数相对应。此外，计算出的统计量在自举法重复中的离均差最好不要太大。

此工具的计算非常密集。计算强度取决于计算中使用的记录数（可通过使用子集表达式选项来改变）、所检查的不同聚类解决方案的数量（由最小群集数和最大群集数之间的范围决定）、自举法重复数以及每个群集解决方案所使用的不同起始种子数（起始种子数选项）。减少要使用的自举法重复数可以大大减少所需的计算机时间，但精确率会大打折扣。在实际分析中，建议用户不要使用少于 100 个自举法重复，并尽可能使用更多的重复。

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