SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Hierarchical Clustering for Market Segmentation and Document Similarity Analysis

hesper avatar
hesper
12 diapositives · 299 Views · Oct 15, 2014

This document delves into hierarchical clustering as a method for market segmentation and analyzing document similarities. Hierarchical clustering operates by initially assigning each object its own cluster, then iteratively merging the closest two clusters until only one remains. At each stage, distances are recalculated using the Lance–Williams dissimilarity update formula. Practical implementation is illustrated with data processing in R, including writing distance matrices and segmentation outputs. While computationally intensive, hierarchical clustering yields insightful segmentation results.

Hierarchical Clustering for Market Segmentation and Document Similarity Analysis - slide 1
01 / 12Hierarchical Clustering for Market Segmentation and Document Similarity Analysis
1 / 17

Télécharger la présentation

Hierarchical Clustering for Market Segmentation and Document Similarity Analysis
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Cluster Analysis • Market Segmentation • Document Similarity

  2. Segment Members

  3. Segment Members = 64 Biz Math Tech Main Groups

  4. Hierarchical Clustering • Each object is assigned to its own cluster and then the algorithm proceeds iteratively, at each stage joining the two most similar clusters, continuing until there is just a single cluster. • At each stage distances between clusters are recomputed by the Lance–Williams dissimilarity update formula according to the particular clustering method being used.

  5. Hierarchical Clustering biztech <- read.csv("survey-biztech.csv") biztech <- as.matrix(biztech) #hierarchical clustering d <- dist(as.matrix(biztech)) dm <- data.matrix(d) write.csv(dm, "distance_matrix.csv")

  6. hc <- hclust(d) plot(hc) rect.hclust(hc, k=6, border="red")

  7. Hierarchical Clustering ct <- cutree(hc, k=6) #write to file write.csv(ct, "survey-hclust.csv")

  8. hierarchical clustering is very expensive in terms of time complexity • though it provides better result

  9. Cold Weather