目录Python全系列 教程
3567个小节阅读：5930.9k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
二阶聚类法可以基于类别变量和连续变量进行聚类，可以自动确定最终的分类个数，可以处理大型数据集。
二阶聚类，或TwoStep聚类，也常被称为两步聚类，是一种探索性的分析工具。整个聚类过程分为前后两个大的板块来完成。
第一步对所有记录进行距离考察，构建CF分类特征树，同一个树节点内的记录相似度高，相似度差的记录则会生成新的节点。
第二步，在分类树的基础上，使用凝聚法对节点进行分类，每一个聚类结果使用BIC或者AIC进行判断，得出最终的聚类结果。
同其他统计方法一样，二阶聚类也有严苛的适用条件，它要求模型中的变量独立，类别变量是多项式分布，连续变量须是正态分布。
示例：汽车生产厂商需要有效的方法评价当前市场情况，了解市场需要，找到受市场欢迎的，有市场竞争力的车型配置。
将采用种类、价格、引擎型号、马力、轴距、宽度、长度、限重、储油量、燃料效率共10个变量对有效记录进行自动聚类。
导入数据
将类别型变量“种类”点选进分类变量框中，将“价格”、“销量”等9个连续型变量点选入连续变量框内；
在下方的距离测量中勾选“对数似然（L）”，作为聚类变量相似度的测量形式；在聚类准则中勾选“施瓦兹贝叶斯准则（BIC）”，作为聚类个数的判断依据。
点击右上角的“选项”按钮，在弹出的二阶聚类选项对话框中将上一步9个连续型变量点选入右侧的待标准化计数（T）选框中。，目的是对9个变量自动进行标准化处理，统一测量尺度。
点击“继续”返回上一界面，点击“输出”按钮，在弹出的二阶聚类输出对话框中勾选“透视表”，这样最后的结果会出现在结果查看器中；勾选“图表和表”，这样输出的结果会出现在模型查看器中；勾选“创建聚类成员变量”，可以得到聚类的最终结果。
点击“确定”,在输出窗口中查看输出结果：
在自动聚类表中，有BIC值，BIC变化量，BIC变化比率，距离测量比率。BIC值越小，BIC变化比率越高说明模型较好。从表格中聚类数目3，BIC最小值为885.924，BIC变化比率是0.367，该模型较好
从聚类分布中可以看到，聚类1的个案数为62，聚类2的个案数为39，聚类3的个案数为51，组合个案数位152，排除个案数位5，总计位157。
从聚类概要质心表中可以看到，每个聚类类别中各个变量的平均值，标准偏差。
从频率类型表中可以看到，聚类1是汽车频率61，聚类2是货车频率39，聚类3是汽车频率51。说明聚类1和聚类3主要是汽车，聚类2主要是货车。
