Käytät luottokorttiasiakasdataa. Ennen kuin ryhmittelet datan, noudata seuraavia vaiheita:

1. Lataa data: käytä pandas-kirjastoa CSV-tiedoston lataamiseen;

2. Käsittele puuttuvat arvot: tarvittaessa täydennä tai poista rivit, joissa on puuttuvia arvoja;

3. Piirteiden skaalaus: käytä StandardScaler-luokkaa piirteiden skaalaamiseen. Tämä on tärkeää, koska hierarkkinen klusterointi perustuu etäisyyslaskelmiin;

4. Ulottuvuuksien vähentäminen (PCA): käytä pääkomponenttianalyysiä (PCA) datan vähentämiseksi kahteen ulottuvuuteen. Tämä helpottaa klustereiden visualisointia.

Dendrogrammin tulkinta

Analysoi ensin dendrogrammia sopivan klusterimäärän määrittämiseksi. Etsi suuria pystysuoria etäisyyksiä, joita mikään pitkä vaakasuora viiva ei ylitä.

Seuraavaksi voit piirtää PCA:n jälkeen datapisteet ja värittää ne klusteritunnisteiden mukaan, jotka on saatu katkaisemalla dendrogrammi valitusta korkeudesta.

Lopuksi tulisi tarkastella muodostuneiden klustereiden ominaisuuksia. On suositeltavaa tarkastella alkuperäisten muuttujien keskiarvoja (ennen PCA:ta) jokaisessa klusterissa, jotta voidaan ymmärtää, miten klusterit eroavat toisistaan.

Yhteenveto

Hierarkkinen klusterointi on tehokas menetelmä silloin, kun klustereiden määrää ei haluta määrittää etukäteen tai kun on tarpeen ymmärtää aineiston hierarkkisia suhteita. Menetelmä voi kuitenkin olla laskennallisesti raskas erittäin suurilla aineistoilla, ja oikean linkitysmenetelmän sekä optimaalisen klustereiden määrän valinta vaatii huolellista harkintaa ja usein sekä määrällisiä menetelmiä että asiantuntijaosaamista.