群组：数据聚类

<数据聚类(data clustering): 用以寻找紧密相关的事、人或观点，并将其可视化的方法。>

• 监督学习(supervised learning): 利用样本输入和期望输出来学习如何预测的技术。包括：神经网络，决策树，向量支持机，贝叶斯过滤等。利用带有正确答案的样本数据进行训练。
• 无监督学习(unsupervised learning): 在一组数据中找寻某种结构，而这些数据本身不是所要找的答案。如聚类。

聚类算法的数据，通常应以一组公共的数值型属性，利用属性对数据项进行比较。

分级聚类 Hierarchical Clustering

分级聚类通过连续不断地将最为相似的群组两两合并，构造出一个群组的层级结构。其中每个群组都是从单一元素开始的。每次迭代中，算法都会计算每两个群组间的距离，并将距离最近(相似度)的两个群组合并成一个新的群组(数据为两个旧群组的数据求均值)，重复迭代直至只剩一个群组。
该过程可视化表示为树状图。

列聚类 Column Clustering

将数据集转置后，再执行聚类操作。
当数据项的数量比变量多时，更大概率出现无意义聚类，可转置后聚类。

K-均值聚类 K-Means Clustering

分级聚类的算法计算量很大很大（每两个匹配项的距离都需计算），且返回的树形视图不会真正将数据拆分成不同组。故采用K-均值聚类：预先告诉算法希望生成的聚类数量，算法根据数据的结构状况确定聚类的大小。
算法过程：先确定k个中心位置（位于空间中代表聚类中心的点），然后将各个数据项分配给最临近的中心店，待分配完成后，聚类中心移到分配给该聚类的所有节点的平均位置处，然后重新开始整个分配过程。重复此过程，直至分配过程不再产生变化。

针对偏好的聚类

数据集取值有多种时，采用皮尔逊相关度较优；但当数据集只有两种取值时，对用户在物品方面互有重叠的情况进行度量，更具有意义。

Tanimoto系数： 代表交集(只包含那些在两个集合中都出现的项)与并集(包含所有出现于任一集合中的项)的比率。