第二章新MISamp;DSS聚类主成分因子分析精品课件.pptVIP

　 管理与决策支持的 　　　　　　数据挖掘方法（一） 　　　　　　 教 师： 廖 芹 主成分分析应用——地下燃气管网影响因素分析 第二章　管理与决策支持的数据挖掘方法（一） 补充 为了获取两个影响的主要指标，可以把模型的最大主成分提取数改为4，然后再进行旋转变换（采用Varimax方法），得到更直观的分析结果。 可以看到，由于漏电线密度和土壤腐蚀性是被所有因子（主成份）解析的最多的，影响评价的最重要的两个指标就是漏点线密度和土壤腐蚀性。 主成分分析应用——地下燃气管网影响因素分析 问题：主成分分析提取代表性变量与聚类方法有何区别？ 补充 三、因子分析 三、因子分析-引入例： 数理统计第六章P207-214 第二章　管理与决策支持的数据挖掘方法（一） 补充 三、因子分析-引入例： 第二章　管理与决策支持的数据挖掘方法（一） 因子分析的主要问题： １、因子数及因子载荷的确定 2、因子命名（因子旋转） 3、因子得分（因子赋值） F1，F2，…FM称为公共因子。 补充 三、因子分析---因子模型 第二章　管理与决策支持的数据挖掘方法（一） P53 三、因子分析---因子数确定 第二章　管理与决策支持的数据挖掘方法（一） P54 三、因子分析---因子载荷计算 第二章　管理与决策支持的数据挖掘方法（一） P55 第二章　管理与决策支持的数据挖掘方法（一） 三、因子分析---因子载荷有关性质 P54 第二章　管理与决策支持的数据挖掘方法（一） 三、因子分析---因子载荷有关性质 P54 第二章　管理与决策支持的数据挖掘方法（一） 四、因子分析---因子命名（旋转） P56 第二章　管理与决策支持的数据挖掘方法（一） 四、因子分析---因子命名（旋转） P56 四、因子分析---因子命名（旋转） 第二章　管理与决策支持的数据挖掘方法（一） P56 数理统计第六章P207-214 三、因子分析－因子旋转（确定正交矩阵过程） 第二章　管理与决策支持的数据挖掘方法（一） 三、因子分析－因子旋转应用例（自阅） 数理统计第六章P207-214 三、因子分析－因子旋转（自阅） 第二章　管理与决策支持的数据挖掘方法（一） 数理统计第六章P207-214 三、因子分析－因子旋转应用例（自阅） 第二章　管理与决策支持的数据挖掘方法（一） 数理统计第六章P207-214 三、因子分析－因子旋转应用例（自阅） 第二章　管理与决策支持的数据挖掘方法（一） 三、因子分析---应用例 数理统计第六章P207-214 第二章　管理与决策支持的数据挖掘方法（一） 三、因子分析---应用例 第二章　管理与决策支持的数据挖掘方法（一） 三、因子分析－－因子载荷计算应用例（一） 数理统计第六章P207-214 第二章　管理与决策支持的数据挖掘方法（一） 补充 三、因子分析－－因子载荷计算应用例（一） 第二章　管理与决策支持的数据挖掘方法（一） 补充 三、因子分析---因子得分 P56 　　当获取公共因子得分后，可以通过公共因子得分的样本，建立问题所需的评价与预测模型． 三、因子分析---因子得分 P56 变量聚类应用例 第二章　管理与决策支持的数据挖掘方法（一） 补充 变量聚类应用例 补充 第二章　管理与决策支持的数据挖掘方法（一） P78 第二章　管理与决策支持的数据挖掘方法（一） P78 第二章　管理与决策支持的数据挖掘方法（一） P79 其中，Xi表示第i站的10年（81——90年）平均降雨量 （应该去除哪4个？可以通过下面聚类结果决定） 第二章　管理与决策支持的数据挖掘方法（一） P79 K-均值（K-means或C-means）算法是一种简单使用的无监督学习算法，此种方法能够用于已知类数k的数据聚类和分析。其基本步骤如下: K-MEANS聚类算法 第二章　管理与决策支持的数据挖掘方法（一） 初始化：从训练集中任意取定k个向量（样品）作为聚类中心。 步骤1：将每个样本向量（为输入向量的维数），按下列欧氏距离归入中心为　　的类中； P80 K-MEANS聚类算法 步骤2：重新调整聚类中心: 其中　　由下式计算得出： 　 是第i个聚类块中的向量数。 步骤3：如果步骤1中的聚类中心不再变换，就终止，否则转步骤2。 P80 问题： 1、最终得到的类中心是样本吗？ 2、可以通过聚类选择有代表性的变量达到减少变量建模吗？ 第二章　管理与决策支持的数据挖掘方法（一） Clementine辅助Ｋ-MEANS聚类 补充 第二章　管理与决策支持的数据挖掘方法（一） Clementin