什么是聚类分析？数据挖掘中分类分析和聚类分析的区别

本文目录

• 什么是聚类分析
• 数据挖掘中分类分析和聚类分析的区别
• 什么是聚类分析聚类算法有哪几种
• 聚类分析
• 聚类分析的意义是什么
• 聚类分析的基本步骤
• 什么是聚类分析说说它在地理学中的应用
• 聚类分析方法具体有哪些应用可不可以举个例子
• 案例详解SPSS聚类分析全过程
• 聚类分析的主要应用

什么是聚类分析

类通过把目标数据放入少数相对同源的组或“类”（cluster）里。分析表达数据，（1）通过一系列的检测将待测的一组基因的变异标准化，然后成对比较线性协方差。（2）通过把用最紧密关联的谱来放基因进行样本聚类，例如用简单的层级聚类（hierarchical clustering）方法。这种聚类亦可扩展到每个实验样本，利用一组基因总的线性相关进行聚类。（3）多维等级分析（multidimensional scaling analysis,MDS）是一种在二维Euclidean “距离”中显示实验样本相关的大约程度。（4）K-means方法聚类，通过重复再分配类成员来使“类”内分散度最小化的方法。　　聚类方法有两个显著的局限：首先，要聚类结果要明确就需分离度很好（well-separated）的数据。几乎所有现存的算法都是从互相区别的不重叠的类数据中产生同样的聚类。但是，如果类是扩散且互相渗透，那么每种算法的的结果将有点不同。结果，每种算法界定的边界不清，每种聚类算法得到各自的最适结果，每个数据部分将产生单一的信息。为解释因不同算法使同样数据产生不同结果，必须注意判断不同的方式。对遗传学家来说，正确解释来自任一算法的聚类内容的实际结果是困难的（特别是边界）。最终，将需要经验可信度通过序列比较来指导聚类解释。　　第二个局限由线性相关产生。上述的所有聚类方法分析的仅是简单的一对一的关系。因为只是成对的线性比较，大大减少发现表达类型关系的计算量，但忽视了生物系统多因素和非线性的特点。　　从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。　　从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。　　从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。就数据挖掘功能而言，聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。　　聚类分析还可以作为其他数据挖掘任务（如分类、关联规则）的预处理步骤。　　数据挖掘领域主要研究面向大型数据库、数据仓库的高效实用的聚类分析算法。 　　聚类分析是数据挖掘中的一个很活跃的研究领域，并提出了许多聚类算法。　　这些算法可以被分为划分方法、层次方法、基于密度方法、基于网格方法和　　基于模型方法。　　1 划分方法(PAM:PArtitioning method) 首先创建k个划分，k为要创建的划分个数；然后利用一个循环　　定位技术通过将对象从一个划分移到另一个划分来帮助改善划分质量。典型的划分方法包括：　　k-means,k-medoids,CLARA(Clustering LARge Application),　　CLARANS(Clustering Large Application based upon RANdomized Search). 　　FCM　　2 层次方法(hierarchical method) 创建一个层次以分解给定的数据集。该方法可以分为自上　　而下（分解）和自下而上（合并）两种操作方式。为弥补分解与合并的不足，层次合　　并经常要与其它聚类方法相结合，如循环定位。典型的这类方法包括：　　第一个是;BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies) 方法，它首先利用树的结构对对象集进行划分；然后再利　　用其它聚类方法对这些聚类进行优化。　　第二个是CURE(Clustering Using REprisentatives) 方法，它利用固定数目代表对象来表示相应聚类；然后对各聚类按照指定　　量（向聚类中心）进行收缩。　　第三个是ROCK方法，它利用聚类间的连接进行聚类合并。　　最后一个CHEMALOEN，它则是在层次聚类时构造动态模型。　　3 基于密度方法，根据密度完成对象的聚类。它根据对象周围的密度（如　　DBSCAN）不断增长聚类。典型的基于密度方法包括：　　DBSCAN(Densit-based Spatial Clustering of Application with Noise):该算法通过不断生长足够高密　　度区域来进行聚类；它能从含有噪声的空间数据库中发现任意形状的聚类。此方法将一个聚类定义　　为一组“密度连接”的点集。　　OPTICS(Ordering Points To Identify the Clustering Structure):并不明确产生一　　个聚类，而是为自动交互的聚类分析计算出一个增强聚类顺序。。　　4 基于网格方法，首先将对象空间划分为有限个单元以构成网格结构；然后利　　用网格结构完成聚类。　　STING(STatistical INformation Grid) 就是一个利用网格单元保存的统计信息进行基　　于网格聚类的方法。　　CLIQUE(Clustering In QUEst)和Wave-Cluster 则是一个将基于网格与基于密度相结合的方　　法。　　5 基于模型方法，它假设每个聚类的模型并发现适合相应模型的数据。典型的　　基于模型方法包括：　　统计方法COBWEB:是一个常用的且简单的增量式概念聚类方法。它的输入对象是采　　用符号量（属性-值）对来加以描述的。采用分类树的形式来创建　　一个层次聚类。　　CLASSIT是COBWEB的另一个版本.。它可以对连续取值属性进行增量式聚　　类。它为每个结点中的每个属性保存相应的连续正态分布（均值与方差）；并利　　用一个改进的分类能力描述方法，即不象COBWEB那样计算离散属性（取值）　　和而是对连续属性求积分。但是CLASSIT方法也存在与COBWEB类似的问题。　　因此它们都不适合对大数据库进行聚类处理.

数据挖掘中分类分析和聚类分析的区别

简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。分类分析 和 聚类分析，分别是挖掘中分析这两种方法（分类和聚类）的方法，比如分类分析的内容有分析在此样本情况下能够被分类的程度，并且依据此分析重新分布数据，使得数据更容易被分析，相关技术有多类判别分析、主成分分析。聚类分析指类似的能够衡量一个聚类方法的方法。小弟拙见，也是数据挖掘初学者。关于数据挖掘的相关学习，推荐CDA数据师的相关课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”。真正理解商业思维，项目思维，能够遇到问题解决问题。点击预约免费试听课

什么是聚类分析聚类算法有哪几种

聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。 聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。 聚类分析计算方法主要有如下几种：分裂法(partitioning methods)：层次法(hierarchicalmethods)：基于密度的方法(density-based methods): 基于网格的方法(grid-based methods): 基于模型的方法(model-based methods)。

聚类分析

化探工作中常常要研究元素和样品分类问题。聚类分析则提供了一些数量化的衡量元素或样品相似程度的指示，利用这些指标可将元素样品按其相似程度的大小划分为不同的类，从而揭示元素或样品之间的本质联系，这有助于研究元素共生组合关系和对岩体异常等的分类评价。

根据分类对象不同，聚类分析分为R型聚类分析（对元素进行分类），Q型聚类分析（对样品进行分类）。聚类分析一般采用逐次联结法，具体做法如下。

1.转换对数

常将实测数据先转换为对数，因为微量元素多属对数正态分布，而且数据过于离散。

2.数据均匀化

数据均匀化化的目的是将大小悬殊的数据化为同一度量的水平上。均匀化的方法常用的有：

（1）标准化

用于R型聚类分析，计算公式：

地球化学找矿

式中：z_ij为标准化数据；x_ij为原始数据（对数值）；x_i为 i个变量的平均值（对数平均值）， 为i个变量的标准离差，σ_i＝ ；i为变量数（i＝1，2，3，…，m）；j为样品数（j＝1，2，3，…，n）。

（2）正规化

用于Q型聚类分析，计算公式：

地球化学找矿

式中：w_ij为正规化数据；x_ij为原始数据（对数值）；x_i（max）为i个变量的最大值（对数值）；x_i（min）为i个变量的最小值（对数值）；i 为变量数（i ＝1，2，3，…，m）；j 为样品数（j＝1，2，3，…，n）。

（3）计算相似性统计量

1）相关系数r

用于R型聚分析，计算公式（任何两元素）：

地球化学找矿

数据标准化后：

地球化学找矿

-1≤r≤1，|r|愈大，元素愈相似。

2）相似性系数

用于Q型聚类分析，计算公式（任何二样品）：

地球化学找矿

-1≤cosθ≤1，|cosθ|愈大，元素愈相似。

3）距离系数

用于Q型聚类分析，计算公式（对于任何两样品）

地球化学找矿

对于正规化数据0≤d≤1，d值越小样品越相似。将计算出的相似性统计量排列成矩阵。

（4）根据相似性统计量进行分类

1）选出相似程度最大（即相关系数、相似性系数最大，距离系数最小）的一对元素或样品联结成一类，填入分类表（表6-4），联结后的元素或样品组成一个新变量（新样品）替换序号较小的变量（样品），去掉序号较大的变量（样品）。

2）将联结成一类的元素或样品均匀化数据加权平均，替换序号较小的一行作为新变量（新样品）的数据，去掉序号较大的一行数据，其余各行不变。得到比原来少一个变量或样品的均匀化数据表。

表6-4 分类统计表

加权平均计算公式：

如第一、二两个元素联结后新变量的标准化数据为，则：

地球化学找矿

N₁和N₂分别为权，未组合的数据权为1，组合一次权增加1。

3）根据新变量（新样品）的数据，计算新变量（新样品）与其余变量（样品）间的相似性统计量，其余不变，列出新的矩阵。

4）重复上述1），2），3）各步骤，即挑选相似程度最大的变量（或样品）联结归类；加权平均合并数据；计算新变量（新样品）与其他变量（样品）间的相似性统计量，刷新原矩阵，直至全部联结完毕为止。

5）制作谱系图，见图6-3。

图6-3 谱系图（示意）

3.计算实例

某地一批超基性岩样品，经分析 Ni，Co，Cu，Cr，S，As含量如表6-5。

表6-5 某地超基性样品Ni，Co，Cu，Cr，S，As 含量

（1）用R型聚类分析对元素进行分类

1）将原始数据转换为对数，并计算各元素对数值的平均值和标准离差，其结果见表6-6。

2）将各样品中各元素含量对数值进行标准化。

3）按照数据标准化公式：

地球化学找矿

地球化学找矿

于是可得标准化数据表6-7。

表6-7 标准化数据

4）计算相关系数，列出相关系数矩阵R_（0），按照相关系数计算公式：

地球化学找矿

于是得相关矩阵R_（0）：

地球化学找矿

5）将R_（0）中相关系数最大的Co，Cu联结成一类，记为Co′填入分类统计表中，并计算Co′的数据。

按照加权平均计算公式：

地球化学找矿

于是得表6-8。

表6-8 由R（0）得到的Co′值

6）计算新变量Co′与剩余的变量的相关系数，列出新相关矩阵R_（1）。

相关系数计算公式同前（以下同），于是得：

地球化学找矿

7）将R_（1）中相关系数最大的Ni，Co′联结成一类，记为Ni′填入分类统计表中，并计算Ni′的数据。

Ni′的数据仍按前加权平均的公式计算（以下同），于是得表6-9。

表6-9 由Co′重新计算的Ni′值

8）计算新变量Ni′与剩余的变量的相关系数，列出新相关矩阵R_（2）。

于是得：

地球化学找矿

9）将R_（2）中相关系数最大的S，As联结成一类，记为填入分类统计表中，并计算S′的数据（表6-10）。

表6-10 S′计算结果

10）计算新变量S′与剩余变量的相关系数，列出刷新的相关矩阵R_（3）：

地球化学找矿

11）将R_（3）中相关系数最大的 Ni′与 S′联结成一类，记为 Ni″，填入分类统计表中（表6-11）。

表6-11 Ni″计算结果

12）计算新变量Ni″与剩余变量的相关系数，列出刷新的相关矩R_（4）。

13）最后将Ni″与Cr联结起来，记入分类统计表6-12。

表6-12 分类统计表

14）制作谱系图（图6-4）。

图6-4 谱系图

从上述谱系图可见，在相关系数0.2～0.5的相似水平上，可将述六个元素分为两类：一类是 Cr（亲氧元素）；另一类是 Co，Cu，Ni，As（亲硫元素）。在相关系数0.6 左右可将亲硫元素分为两组，一组是S，As（阴离子）；一组是Co，Cu，Ni（阳离子），且Co，Cu相关关系更密切。这样R型聚类分析清楚地显示出这些元素在超基性岩石的相互关系。

（2）用Q型聚类分析对样品进行分类

仍以上述超基岩样品分析结果为例。

对样品分类常用距离系数。由于距离系数是对直角坐标系而言，即要求变量要互不相关。故可先用R型聚类分析（式R型因子分析）选出互相独立的变量（在用R型聚类分析时，通常取相关系数绝对值小的变量），然后以距离系数对样品进行分类。

上例R型聚类分析结果，在R＝0.6 水平左右可将变量分为三组，即Ni′（Ni，Co，Cu）；S′（S，As）；Cr，现以这三组为变量对样品进行分类。

1）将变量数据（对数值）进行合并，得出新的数据表。合并的办法是取该组变量的平均值，于是得表6-13。

表6-13 对变量数据合并后的新的数据

2）将数据正规化。按正规化的公式：

地球化学找矿

于是得表6-14。

表6-14 正规化后的数据表

3）计算距离系数d_jk，列出初始距离系数矩阵D_（0）。

按距离系数公式：

地球化学找矿

于是得：

地球化学找矿

4）将D_（0）中距离系数值最小的（5），（6）样品联结成一类，记为（5′）填入分类统计表中，并计算（5′）的数据。

按照加权平均计算公式：

地球化学找矿

于是得表6-15。

表6-15 （5′）的数据表

5）计算（5′）与样品的距离系数，列出刷新距离系数矩阵D_（1），于是得：

地球化学找矿

6）将D_（1）中距离系数最大的（2），（5′）联结成一类，记为（2′），填入分类统计表中，并计算（2′）的数据。于是得表6-16。

表6-16 （2′）的数据表

7）计算（2′）与剩余样品的距离系数，列出刷新的距离系数矩阵D_（2），于是得：

地球化学找矿

8）将D_（2）中距离系数最小的（1），（4）联结成一类，记为（1′），填入分类统计表中，并计算（1′）的数据。于是得表6-17。

表6-17 （1′）的数据表

9）计算（1′）与剩余样品的距离系数，列出刷新的距离系数矩阵D_（3），于是得：

地球化学找矿

10）将D_（3）中距离系数最小的（1′），（2′），联结成一类，记为（1″），填入分类统计表中，并计算（1″）的数据。于是得表6-18。

表6-18 （1″）的数据表

11）计算（1″）与剩余样品的距离系数，列出新的距离系数矩阵D_（4），于是得：

地球化学找矿

12）最后将（1″），（3）联结成一类，填入分类统计表6-19。

表6-19 分类统计表

13）制作谱系图（图6-5）。

图6-5 谱系图

从谱系图上可得：在距离系数0.35～0.5水平上，可将数个样品分成三类；一类是矿化的蛇纹岩（1）及（4）；另一类是无矿化的蛇纹岩（2）及滑镁岩（5），（6）；样品（3）为单独一类，它是无矿化的蛇纹岩。因此，通过Q型聚类分析很好地将该地含矿岩体和不含矿岩体区分开来。至于样品（3）单独开，还可进一步研究它与其他无矿岩体的差异。

这里需要特别指出的是，运用回归分析、判别分析、聚类分析都是在特定的地质条件下得出的统计规律，因此，在利用这些规律对未知进行判断时，一定要注意地质条件的相似性，切不可把某一地质条件下导出的规律，生搬硬套地用于解决不同地质条件下的问题。

聚类分析的意义是什么

1、与多元分析的其他方法相比，聚类分析是很粗糙的，理论尚不完善，但由于它成功地应用于心理、经济、社会、管理、医学、地质、生态、地震、气象、考古、企业决策等，因此成了多元分析的重要方法，统计包中都有丰富的软件，对数据进行聚类处理。

2、聚类分析除了独立的统计功能外，还有一个辅助功能，就是和其他统计方法配合，对数据进行预处理。

例如，当总体不清楚时，可对原始数据进行聚类，根据聚类后相似的数据，各自建立回归分析，分析的效果会更好。同时如果聚类不是根据个案，而是对变量先进行聚类，聚类的结果，可以在每一类推出一个最有代表性的变量，从而减少了进入回归方程的变量数。

3、聚类分析是研究按一定特征，对研究对象进行分类的多元统计方法，它并不关心特征及变量间的因果关系。分类的结果，应使类别间个体差异大，而同类的个体差异相对要小。

扩展资料：

聚类效果的检验：

一、聚类分析后得到的每个类别是否可以进行有效的命名，每个类别的特征情况是否符合现实意义，如果研究者可以结合专业知识对每个聚类类别进行命名，即说明聚类效果良好，如果聚类类别无法进行命名，则需要考虑重新进行聚类分析。

二、使用判别分析方法进行判断，将SPSS生成的聚类类别变量作为因变量(Y)，而将聚类变量作为自变量(X)进行判别分析，判别分析具体分析聚类变量与类别之间投影关系情况，如果研究人员对聚类分析效果非常在乎，可以使用判别分析进行分析。

三、聚类分析方法的详细过程说明，描述清楚聚类分析的科学使用过程，科学的聚类分析方法使用即是良好结果的前提保障。

是、聚类分析后每个类别样本数量是否均匀，如果聚类结果显示为三个类别，有一个类别样本量非常少，比如低于30，此时很可能说明聚类效果较差。针对聚类效果的判断，研究者主要是结合专业知识判断，即聚类类别是否可以进行有效命名。

参考资料来源：百度百科—聚类分析

聚类分析的基本步骤

聚类分析的主要步骤聚类分析的主要步骤1.数据预处理，2.为衡量数据点间的相似度定义一个距离函数，3.聚类或分组，4.评估输出。数据预处理包括选择数量，类型和特征的标度，它依靠特征选择和特征抽取，特征选择选择重要的特征，特征抽取把输入的特征转化为一个新的显著特征，它们经常被用来获取一个合适的特征集来为避免“维数灾”进行聚类，数据预处理还包括将孤立点移出数据，孤立点是不依附于一般数据行为或模型的数据，因此孤立点经常会导致有偏差的聚类结果，因此为了得到正确的聚类，我们必须将它们剔除。既然相类似性是定义一个类的基础，那么不同数据之间在同一个特征空间相似度的衡量对于聚类步骤是很重要的，由于特征类型和特征标度的多样性，距离度量必须谨慎，它经常依赖于应用，例如，通常通过定义在特征空间的距离度量来评估不同对象的相异性，很多距离度都应用在一些不同的领域，一个简单的距离度量，如Euclidean距离，经常被用作反映不同数据间的相异性，一些有关相似性的度量，例如PMC和SMC，能够被用来特征化不同数据的概念相似性，在图像聚类上，子图图像的误差更正能够被用来衡量两个图形的相似性。将数据对象分到不同的类中是一个很重要的步骤，数据基于不同的方法被分到不同的类中，划分方法和层次方法是聚类分析的两个主要方法，划分方法一般从初始划分和最优化一个聚类标准开始。CrispClustering，它的每一个数据都属于单独的类；FuzzyClustering，它的每个数据可能在任何一个类中，CrispClustering和FuzzyClusterin是划分方法的两个主要技术，划分方法聚类是基于某个标准产生一个嵌套的划分系列，它可以度量不同类之间的相似性或一个类的可分离性用来合并和分裂类，其他的聚类方法还包括基 于密度的聚类，基于模型的聚类，基于网格的聚类。评估聚类结果的质量是另一个重要的阶段，聚类是一个无管理的程序，也没有客观的标准来评价聚类结果，它是通过一个类有效索引来评价，一般来说，几何性质，包括类间的分离和类内部的耦合，一般都用来评价聚类结果的质量，类有效索引在决定类的数目时经常扮演了一个重要角色，类有效索引的最佳值被期望从真实的类数目中获取，一个通常的决定类数目的方法是选择一个特定的类有效索引的最佳值，这个索引能否真实的得出类的数目是判断该索引是否有效的标准，很多已经存在的标准对于相互分离的类数据集合都能得出很好的结果，但是对于复杂的数据集，却通常行不通，例如，对于交叠类的集合。

什么是聚类分析说说它在地理学中的应用

聚类分析的职能是建立一种分类方法，它是将一批样品或变量，按照它们在性质上的亲疏程度进行分类。距离的种类很多，其中欧式距离在聚类分析中用得最广，它的表达式如下： 　　其中Xik表示第i个样品的第k个指标的观测值，Xjk表示第j个样品的第k个指标的观测值，dij为第i个样品与第j个样品之间的欧氏距离。若dij越小，那么第i与j两个样品之间的性质就越接近。性质接近的样品就可以划为一类。　　当确定了样品之间的距离之后，就要对样品进行分类。分类的方法很多，本节只介绍系统聚类法，它是聚类分析中应用最广泛的一种方法。首先将n个样品每个自成一类，然后每次将具有最小距离的两类合并成一类，合并后重新计算类与类之间的距离，这个过程一直持续到所有样品归为一类为止。分类结果可以画成一张直观的聚类谱系图。　　应用系统聚类法进行聚类分析的步骤如下： 　　　①确定待分类的样品的指标； 　　　②收集数据；　　　③对数据进行变换处理（如标准化或规格化）；　　　④使各个样品自成一类，即n个样品一共有n类；　　　⑤计算各类之间的距离，得到一个距离对称矩阵，将距离最近的两个类并成一类；　　　⑥并类后，如果类的个数大于1，那么重新计算各类之间的距离，继续并类，直至所有样品归为一类为止；　　　⑦最后绘制系统聚类谱系图，按不同的分类标准或不同的分类原则，得出不同的分类结果。

聚类分析方法具体有哪些应用可不可以举个例子

比如说现在要把n个产品按产品的m个指标继续聚类，因为产品可能之前的特色是不一样的。而这个时候影响产品的因素有m个，不可能一个一个的考虑，那样是分不出类来的。所以只能对产品的m个指标综合考虑，采用SPSS中的样本聚类方法，就可以直接将产品分好类。并且从分析结果还可以看出各类产品的特色分别是什么。。就是最主要的分类标准是什么。聚类分析不仅可以用于样本聚类，还可以用于变量聚类，就是对m个指标进行聚类。因为有时指标太多，不能全部考虑，需要提取出主要因素，而往往指标之间又有很多相关联的地方，所以可以先对变量聚类，然后从每一类中选取出一个代表型的指标。这样就大大减少了指标，并且没有造成巨大的信息丢失。

案例详解SPSS聚类分析全过程

案例详解SPSS聚类分析全过程案例数据源：有20种12盎司啤酒成分和价格的数据，变量包括啤酒名称、热量、钠含量、酒精含量、价格。【一】问题一：选择那些变量进行聚类?——采用“R型聚类”1、现在我们有4个变量用来对啤酒分类，是否有必要将4个变量都纳入作为分类变量呢?热量、钠含量、酒精含量这3个指标是要通过化验员的辛苦努力来测定，而且还有花费不少成本，如果都纳入分析的话，岂不太麻烦太浪费?所以，有必要对4个变量进行降维处理，这里采用spss R型聚类（变量聚类），对4个变量进行降维处理。输出“相似性矩阵”有助于我们理解降维的过程。2、4个分类变量量纲各自不同，这一次我们先确定用相似性来测度，度量标准选用pearson系数，聚类方法选最远元素，此时，涉及到相关，4个变量可不用标准化处理，将来的相似性矩阵里的数字为相关系数。若果有某两个变量的相关系数接近1或－1，说明两个变量可互相替代。3、只输出“树状图”就可以了，个人觉得冰柱图很复杂，看起来没有树状图清晰明了。从proximitymatrix表中可以看出热量和酒精含量两个变量相关系数0．903，最大，二者选其一即可，没有必要都作为聚类变量，导致成本增加。至于热量和酒精含量选择哪一个作为典型指标来代替原来的两个变量，可以根据专业知识或测定的难易程度决定。（与因子分析不同，是完全踢掉其中一个变量以达到降维的目的。）这里选用酒精含量，至此，确定出用于聚类的变量为：酒精含量，钠含量，价格。【二】问题二：20中啤酒能分为几类?——采用“Q型聚类”1、现在开始对20中啤酒进行聚类。开始不确定应该分为几类，暂时用一个3－5类范围来试探。Q型聚类要求量纲相同，所以我们需要对数据标准化，这一回用欧式距离平方进行测度。2、主要通过树状图和冰柱图来理解类别。最终是分为4类还是3类，这是个复杂的过程，需要专业知识和最初的目的来识别。我这里试着确定分为4类。选择“保存”，则在数据区域内会自动生成聚类结果。【三】问题三：用于聚类的变量对聚类过程、结果又贡献么，有用么?——采用“单因素方差分析”1、聚类分析除了对类别的确定需讨论外，还有一个比较关键的问题就是分类变量到底对聚类有没有作用有没有贡献，如果有个别变量对分类没有作用的话，应该剔除。2、这个过程一般用单因素方差分析来判断。注意此时，因子变量选择聚为4类的结果，而将三个聚类变量作为因变量处理。方差分析结果显示，三个聚类变量sig值均极显著，我们用于分类的3个变量对分类有作用，可以使用，作为聚类变量是比较合理的。【四】问题四：聚类结果的解释?——采用”均值比较描述统计“1、聚类分析最后一步，也是最为困难的就是对分出的各类进行定义解释，描述各类的特征，即各类别特征描述。这需要专业知识作为基础并结合分析目的才能得出。2、我们可以采用spss的means均值比较过程，或者excel的透视表功能对各类的各个指标进行描述。其中，report报表用于描述聚类结果。对各类指标的比较来初步定义类别，主要根据专业知识来判定。这里到此为止。以上过程涉及到spss层次聚类中的Q型聚类和R型聚类，单因素方差分析，means过程等，是一个很不错的多种分析方法联合使用的案例。

聚类分析的主要应用

聚类分析被用来发现不同的客户群，并且通过购买模式刻画不同的客户群的特征。聚类分析是细分市场的有效工具，同时也可用于研究消费者行为，寻找新的潜在市场、选择实验的市场，并作为多元分析的预处理。 聚类分析在电子商务中网站建设数据挖掘中也是很重要的一个方面，通过分组聚类出具有相似浏览行为的客户，并分析客户的共同特征，可以更好的帮助电子商务的用户了解自己的客户，向客户提供更合适的服务。