中职—信息技术—聚类分析的应用—课件　

中职—信息技术 聚类分析的应用 1 01 聚类分析的应用举例 2 调查某市的11个区、县的国民生产和经济发展情况，测量如下项目： 地区、非农业人口、农业人口、社会增产率、工业总产值、工商总税利和农业总产值。 对其进行分层聚类分析，并生成聚类过程的树状图。 由报告中可以得到：个案处理摘要表“Case Processing Summary”、并类表“Agglomeration Schedule”以及聚类过程的树状图“Dendrogram”。 分层聚类命令语句 CLUSTER　聚类变量… /METHOD BAVERAGE /MEASURE= SEUCLID /PRINT SCHEDULE /PLOT DENDROGRAM . 02 变量聚类 5 变量聚类又称为“R聚类”，是通过在样本空间中取值比较接近的变量的合并来减少变量的。其意义可以表述为：某几个变量对不同的个案取值都很接近，例如：用体形测量、水中测量和专用仪器测量运动员的体内各部脂肪成分比例的结果相似程度很高，通过变量聚类分析将可以将这三个变量合并为一个变量。 对变量的并类实际就是降低描述样本的维度或减少描述样本的变量个数。 分层聚类的对话窗口中选择单选项“Cluster”中的“Variables”，而不要选择“Cases”。就选定了变量的聚类分析。 03 快速聚类分析 8 一、快速样本聚类的概念 快速样本聚类的方法就是将聚类仅仅进行到指定的类数就停止。 进行快速样本聚类分析应当确定最终聚类数，使聚类发生到该指定类数后停止。 为了使聚类过程快速有效，还可以指定聚类中心点位置，这样将使聚类过程的叠代次数减少很多。快速聚类过程始终遵照所有样本空间的点与这几个类中心的距离取最小值原则，进行反复的叠代计算，最终将各个个案分配到各个类中心所在的类，叠代计算将停止。 另外，系统还提供了一种更简单的方法，即：用户指定了初始类中心后，系统只负责分类，而不再更改这些初始类中心的位置，最终将各个个案点归类到各个初始类中心。 二、快速样本聚类的操作 执行[Analyze][Classify][K-Means Cluster] 指定聚类变量到Variables 如果要表明各个个案最后聚到哪一类，可以指定标识个案的标识变量，Label cases。例如：姓名、地区、国家、编号等。标识变量可以是字符串型变量(string)。如果此项不选择，将由个案序号(Case Number)作为标识变量。 在“Number of Clusters”指定聚类数，系统默认值为2。 在“Method”指定聚类方法 Iterate and classify叠代并分类。此种方法是在用户指定的初始类中心的基础上经过K-means方法叠代计算，逐步调整聚类中心，使最后的样本聚类满足个案的点与其所属的类中心的距离取最小值，叠代停止，分类也就确定了。 Classify only只分类不叠代。选择只分类方法后，就确定使用用户指定的初始类中心作为聚类中心，计算个案距离类中心的距离，但不再改变初始类中心的位置。 “Centers”为对类中心文件的输入和输出。 “Read initial from”表示从某外部文件读入初始类中心。 使用该选项必须有一个与当前数据文件相对应的文件，该文件应当具有当前做聚类分析的全部变量以及一个“Cluster_”变量。变量的值指示了各个聚类中心的“坐标”，而“Cluster_”变量指示了聚类中心的序号。 “Write Final as”是将聚类结果存为一个磁盘文件。该文件可以作为下次聚类分析时使用以提高分析速度。 “Iterate”用于指定最大叠代次数和收敛标准。 “Maximum”用于指定最大叠代次数。即在聚类过程中，达到叠代次数后将停止叠代计算。系统默认的叠代次数为“10”次。 “Convergence”用于指定叠代的收敛标准。该指定数值是“n”表示在两次叠代过程中，聚类中心调整的距离低于从初始类中心开始调整的距离的百分之“n”，叠代即停止。系统默认的收敛标准为“0”。 “Use running means”为使用即时平均数法。该选项表示在每次确定了一个个案隶属的类后立即计算新的类中心。若不选择该选项则当全部个案都被归类后再计算各个类中心的位置。显然，后者将节省计算时间。 “Save”用于存储聚类产生的新变量。 “Cluster membership”可以产生一个新的变量qcl_1。变量中的数值为聚类中心编号：1 2 3…等，它标志了每个个案所隶属的类别。 “Distance from Cluster center” 可以产生一个新的变量qcl_2。变量中的数值为每个个案到达聚类中心的欧氏距离。 “Options”用于输出描述统计量和缺失值处理。 三、快速样本聚类举例 对全国30个省、市