第九章SPSS的聚类分析-学生.pptVIP

K-means快速聚类 (三)基本操作步骤 A.菜单选项:analyze-classify-k means cluster B.选定参加快速聚类分析的变量到variables框 C.确定快速聚类的类数(number of clusters).类数应小于个案总数 D.选择聚类方法(method)：默认iterate and classify，即：在聚类的每一步都重新计算新的类中心 E.确定聚类终止条件（iterate) K-means快速聚类 (四)其他 1. 保存快速聚类的结果(save) cluster membership:将各个案所属类的类号保存到qcl_1变量中 distance from cluster center:将各样本距所属类中心的距离保存到qcl_2变量中. K-means快速聚类 (四)其他 2.输出选项(option) initial cluster centers:输出初始类中心点 ANOVA table:输出各类的方差分析表 cluster information for each case:输出每个样本的分类结果和距离 K-means快速聚类 (四)其他 3. use running means项: 选中：表示每个样本被分配到一类后立即计算新的类中心。聚类结果与个案的先后次序有关. 不选中：表示完成了所有个案的依次分配后再计算类中心。省时。 K-means快速聚类 (四)其他 4.用户指定类中心(center) read initial from:若不指定则系统自动确定初始类中心。指定则从某.sav文件中读入初始类中心数据（应设一个名为Cluster_的变量名）。 Write final as:在分析的最后将各类中心写入某.sav文件 聚类分析其他 (一)聚类解的可信性(一般性) 如果一个聚类解重复出现在从同一总体抽出的不同样本中,则以认为该聚类解具有可信性 样本分成两组分别聚类比较. 对同一批数据采用不同的方法反复聚类 聚类分析其他 (二)聚类方法的选择 没有明确答案 层次聚类方法易受异常值的影响.应尽量剔除异常值对聚类结果的影响 快速聚类方法受异常值的影响较小,对不合适的初始分类能够迭代调整 两种聚类方法结合使用. 通过小规模分层聚类确定分类数目,为快速聚类提供帮助; 通过反复的分层聚类,发现并排除异常值; 通过快速聚类进行大规模聚类 * * 1 - * 第九章 SPSS的聚类分析 聚类分析概述 (一)概念 (1)聚类分析是统计学中研究“物以类聚”的一种方法,属多元统计分析方法. 例如：细分市场、消费行为划分 聚类分析是建立一种分类，是将一批样本(或变量)按照在性质上的“亲疏”程度,在没有先验知识的情况下自动进行分类的方法.其中:类内个体具有较高的相似性,类间的差异性较大. 聚类分析概述 两类:(001 002) (003 004 005) 三类:(001 002) (003) (004 005) (2)例如 聚类分析概述 (3)总结 上述分类的原则:依据学生成绩的差距,差距较小的为一类 分类过程中,没有事先指定分类的标准.完全根据样本数据客观产生分类结果. (4)SPSS中的聚类方法 分层聚类 K-MEANS快速聚类 聚类分析概述 （二）特点 聚类分析前所有个体所属的类别是未知的，类别个数一般也是未知的，分析的依据只有原始数据，可能事先没有任何有关类别的信息可参考 严格地，聚类分析并不是纯粹的统计技术，不象其他多元分析，需要从样本去推断总体 一般不涉及统计量分布，也不需显著性检验 聚类分析更象是一种建立假设的方法，而对相关假设的检验还需要借助其他统计方法 聚类分析概述 （三）注意 聚类分析主要用于探索性研究，其分析结果可提供多个可能的解，最终解的选择需要研究者的主观判断和后续分析 聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终解都可能产生实质性的影响 不管实际数据中是否存在不同的类别，利用聚类分析都能得到分成若干类别的解 分层聚类 (一)思路:聚类过程具有一定的层次性 以合并(凝聚)的方式聚类(SPSS采用) 首先,每个个体自成一类 其次,将最“亲密”的个体聚成一小类 然后,将最“亲密”的小类或个体再聚成一类 重复上述过程,即：把所有的个体和小类聚集成越来越大的类，直到所有的个体都到一起(一大类)为止 可见,随着聚类的进行,类内的“亲密”性在逐渐减低 ——一旦个案（变量）被聚为一类，以后分类结果不会改变 分层聚类 (一)思路 以分解的方式聚类 首先,所有个体都属于一类 其次,将大类中最“疏远”的小类或个体分离出去 然后,分别将小类中最“疏远”的小类或个体再分离出去 重复上述过程,即：把类分解成越来越小的小类，直到所有的个体自成一类为止 可见,随着聚类的进行,类