聚类分析-系统聚类分析-【官方】百战程序员_IT在线教育培训机构

导入数据
- 集中计划。显示在每个阶段合并的个案或聚类、所合并的个案或聚类之间的距离以及个案（或变量）与聚类相联结时所在的最后一个聚类级别。
- 近似值矩阵。给出各项之间的距离或相似性。
- 聚类成员。显示在合并聚类的一个或多个阶段中，每个个案被分配所属的聚类。可用的选项有单个解和一定范围的解。如方案范围选择2到4，显示分为2、3和4类时的结果。
1.聚类方法。可用的选项有组间联接、组内联接、最近邻元素、最远邻元素、质心聚类法、中位数聚类法和Ward法。一般聚类方法组间联接是最好的；ward法聚类出来会比较平均
- Between-groups linkage：组间平均距离法。系统默认选项。合并两类的结果使所有的两类的平均距离最小。
- Within-groups linkage：组内平均距离法。当两类合并为一类后，合并后的类中的所有项之间的平均距离最小。
- Nearest neighbor：最近距离法。采用两类间最近点间的距离代表两类间的距离。
- Furthest Neighbor：最远距离法。用两类之间最远点的距离代表两类之间的距离。
- Centroid clustering：重心法。定义类与类之间的距离为两类中各样品的重心之间的距离。
- Median clustering：中位数法。定义类与类之间的距离为两类中各样品的中位数之间的距离。
- Ward’s method：ward最小离差平方和法。聚类中使类内各样品的离差平方和最小，类间的离差平方和尽可能大。
2.测量。允指定聚类中使用的距离或相似性测量。
2.1、区间
- Euclidean distance：欧氏距离。
- Squared Euclidean distance：欧氏距离平方。两项之间的距离是每个变量值之差的平方和。系统默认项。
- Cosline：余弦相似性测度，计算两个向量间夹角的余弦
- Pearson conelation：皮尔逊相关系数。它是线性关系的测度，范围是-1～ 1。
- Chebychev：切比雪夫距离。
- Block：曼哈顿（Manhattan）距离，两项之间的距离是每个变量值之差的绝对值总和。
- Minkowski：闵科夫斯基距离。
- Customized：自定义距离。
度量标准：个案--平方欧式距离最好，变量--皮尔逊相关性最好
2.2、计数。可用的选项有卡方测量和phi平方测量。
2.3、二分类。可用的选项有Euclidean距离、平方Euclidean距离等
3、转换值。在计算近似值之前为个案或值进行数据值标准化（对二分类数据不可用）。可用的标准化方法有z得分、范围1至1、范围0至1、1的最大量级、1的均值和使标准差为1。
4、转换测量。在计算了距离测量之后应用这些转换。可用的选项有绝对值、更改符号和重新调整到0–1范围。
本案例的评价数据均为高测度的定距数据。所以在分层聚类过程中，对距离的计算方式，可以借助平方欧式距离法
点击“确定”，在输出窗口查看输出结果

在集中计划表中列出了变量逐步聚类的过程。首先将1和8聚为一类，依次是4和10，1和4。

从上图中可以看到聚类过程以及聚类结果。每个待分类变量占据一列，在列与列之间预留分隔列，系统借助分隔列的填充长度说明相邻两列之间的聚类关系。在上图中，上体长和下体长之间的分隔列基本被填满了，说明这两个变量是非常密切的，属于比较早被聚合的列。而腰围和体重之间填充较少，说明这两列之间距离较远，是最后才聚合的。

聚类分析-快速聚类分析聚类分析-二阶聚类分析

北京市昌平区回龙观镇南店村综合商业楼2楼226室