作者：任儒峰? ? 封面：吉江

? ? ? ?前面我們團隊分別講了k-means均值聚類、系統(tǒng)聚類和二階聚的理論和各類方法的SPSS實操，今天我們一起來回顧和總結三種聚類，分析它們的異同，分析它們的優(yōu)劣以及告訴大家如何選擇。

1.回顧總結

(1)K-means均值聚類，采用歐式距離做為相似度指標，將相似度高的數(shù)據(jù)對象劃分為一類，通過反復迭代計算新質心，并且樣本觀測所屬的類會不斷的調整，使得新質心與所有數(shù)據(jù)對象的平方誤差總和最小的一種迭代型快速聚類算法，變量類型為連續(xù)型變量，需要主動設定分類數(shù)。

優(yōu)勢：可快速處理大數(shù)據(jù)，簡單快速，可設定初始質心。

劣勢：為當數(shù)據(jù)量大或復雜時，給K值的設定增大了難度；初始質心的劃分對聚類結果有較大的影響；該算法對于離群點，異常點是敏感的；由于K-means聚類算法是跟據(jù)歐式距離來劃分，所以只能發(fā)現(xiàn)球狀簇。

(2)系統(tǒng)聚類，又稱層次聚類和譜系分析，通過度量數(shù)據(jù)之間的距離遠近，將數(shù)據(jù)分類，變量類型含有連續(xù)變量和分類變量，可以像k-means算法一般，指定類別個數(shù)或限定類別個數(shù)范圍。

優(yōu)勢：可以對個案聚類或者對變量聚類；類間距離計算方法多，可根據(jù)具體的情況具體使用(參見系統(tǒng)聚類的度量方法)；可對數(shù)據(jù)轉化，標準化處理。

劣勢：不能同時處理兩種類型變量；相比快速聚類，當變量復雜和數(shù)據(jù)量大時，聚類速度較慢；單向聚類，個案被分入某類時，不能跳出。

(3)二階聚類，一種通過預聚類和聚類這兩步聚類來分析大型數(shù)據(jù)集的算法，變量類型含有分類變量和連續(xù)變量，類別個數(shù)自動確定。

優(yōu)勢：可同時分析連續(xù)變量和多個分類變量；可自動分析輸出最優(yōu)的聚類數(shù)目；可處理大型數(shù)據(jù)集。

劣勢：分類變量較少時，容易受其分布影響。

2.?如何選擇

? ? ? ? 學了各種聚類分析方法后，我們的同學可能會產生這樣的疑惑，那遇到要需聚類的數(shù)據(jù)對象，應該選擇那種聚類方法呢？首先，我們要了解數(shù)據(jù)對象的結構和我們對聚類的需求，換句話說，了解自己，目的明確。

? ? ? ? 例如我們的數(shù)據(jù)對象結構中，只包含有數(shù)值型變量，同樣我們對分類數(shù)量K值也有預期判斷，這時，可以用K-means均值聚類，系統(tǒng)會根據(jù)和這些分類點距離的遠近，把所有點分成K類。?如果我們的數(shù)據(jù)對象既包含樣品，也就是觀測值，又包含變量，需要根據(jù)觀測值來對變量聚類，而且，我們對分類數(shù)量又沒有預期判斷，這時可以選擇系統(tǒng)聚類，現(xiàn)實應用中，有將系統(tǒng)聚類和K-means快速聚類相結合使用，使用系統(tǒng)聚類確定的分類數(shù)和得到的質心，作為快速聚類的分類數(shù)和初始質心，使用系統(tǒng)聚類查出異常值，去除后，進行快速聚類，因快速聚類的劣勢之一是對異常值敏感，二者的結合可謂是取長補短。對于有些數(shù)據(jù)對象，既含有不止一種分類變量，又含有連續(xù)變量，當我們需要同時對分類變量和連續(xù)變量聚類時，此時，可使用二階聚類法，總而言之，需要大家多多練習，一是摸清分類方法，二是了解數(shù)據(jù)結構，三是清晰分類目的，結合實際情況選擇合適的分類方法。

加油各位，一起努力！

SPSS學堂出書啦！(點擊獲知詳情)

點擊下方鏈接購買：?

學堂君的歷史合輯：

菜鳥系列問卷設計與統(tǒng)計分析量表信效度分析線性回歸Logistic回歸曲線回歸聚類分析時間序列常見問題神經(jīng)網(wǎng)絡多維尺度分析C4.5算法生存分析正態(tài)檢驗對應分析問卷數(shù)據(jù)分析權重賦值判別分析潛在類別模型調節(jié)效應與中介效應分析KNN算法調節(jié)中介典型相關分析統(tǒng)計方法選擇ROC曲線分析Meta分析結構方程模型精品推文匯總SPSS實現(xiàn)機器學習在信用風險識別中的應用

歡迎添加：

【數(shù)據(jù)分析服務】請點擊菜菜幫工作室正式上線

【社群服務助手】請點擊SPSS學堂會員3群招募

【加入團隊】請點擊招募，我們是認真的！

總結

以上是生活随笔為你收集整理的请详细描述listview与gridview的异同点_三种聚类分析的异同的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。