matlab聚類分析kmeans和cluster的區(qū)別？Kmeans是K-means聚類聚類是層次聚類一般來說，K-means是自上而下的。它確保在給定類的數(shù)目后K-均值之間的最大除法。層次聚類是從下

matlab聚類分析kmeans和cluster的區(qū)別？

Kmeans是K-means聚類

聚類是層次聚類

一般來說，K-means是自上而下的。它確保在給定類的數(shù)目后K-均值之間的最大除法。層次聚類是從下到上，將每個元素看作一個類，然后將最短的兩個類合并成一個類，并逐步將所有元素合并成一個大類。

K-means聚類確保您確定的K具有最佳分類效果，但它可能不符合數(shù)據(jù)本身的分類特征。層次聚類的樹形圖可以看到數(shù)據(jù)的分類過程和分類距離，但是它可能不能滿足您需要的k

我將從一些注釋開始。聚類分析常用于市場細分。在聚類分析中，聚類變量的增加意味著需要較大的樣本量來識別特定的模式。多變量（多維空間）和少樣本（這個空間只有很少的數(shù)據(jù)點）（密度不夠）通常很難識別某個結構。因此，當聚類變量較多時，許多研究者首先通過因子分析提取少量的因子，然后利用這些因子進行聚類分析。到目前為止，你可以找到大量的研究文獻使用這種方法。然而，這種方法開始引起一些研究者的質疑。在2011年發(fā)表的一篇題為“不使用因子聚類分割的三個很好的理由”的文章中，研究人員提出了三個理由：1這些提取出來的公因子只能解釋部分變異（做過因子分析的人都知道），這會丟失一些重要信息；2。要素是對原項目的抽象，沒有直接的現(xiàn)實意義，甚至導致某一要素下的項目在邏輯上沒有關聯(lián)；3研究者做了一些數(shù)據(jù)研究，發(fā)現(xiàn)對原題目進行聚類分析比因子分析和聚類分析更能確定正確的數(shù)據(jù)結構?？傊?，直接聚類分析方法更可靠。另一個值得提醒的問題是，正如前面提到的，聚類中涉及的變量越多，所需的樣本量就越大。如果直接對變量進行聚類，通常需要考慮樣本大小是否足夠。很少有研究者提到變量數(shù)量和樣本量之間的定量關系。然而，Anton formann在1984年的書中指出，最小樣本量應該是2^k，其中k代表作為聚類基礎的變量數(shù)量。這意味著10個變量至少需要1024個樣本（2^10=1024）。20個變量的最小樣本量是天文數(shù)字。對于直接聚類，建議在聚類前刪除冗余變量。

聚類分析和因子分析的區(qū)別？

單擊：分析--分類--層次聚類，打開層次聚類對話框。在“聚類分析”對話框中，將用于聚類的變量放入變量中，并將區(qū)域變量放入case標記中。這意味著每個數(shù)據(jù)都用region的值命名。單擊“打印”打開對話框并設置要輸出的圖形。在“打開”對話框中，選中“樹狀圖”，然后單擊“繼續(xù)”。這個樹狀圖是一個層次聚類譜系圖。最后對該圖進行分析

利用Excel對數(shù)據(jù)進行聚類的方法如下：由于不同的數(shù)據(jù)維數(shù)會影響聚類分析的結果，因此在分析前需要對數(shù)據(jù)進行無量綱處理。無量綱加工的方法有很多種，我們可以根據(jù)自己的實際需要來選擇。這個實證例子比較簡單，只需要無量綱的有序尺度數(shù)據(jù)。對于有序尺度，可以通過數(shù)字編碼將其轉化為間距型。例如：優(yōu)、良、中、及格、不及格，首先選擇將外文的數(shù)據(jù)類型改為數(shù)值型，然后將之前的優(yōu)、良、良、及格對應的數(shù)據(jù)屬性值改為“5”、“5”、“4”、“4”、“2”。指標類型中有“非常大”、“非常小”、“中等”和“區(qū)間”指標，因此在聚類前指標類型必須一致。本例的一致性處理見附圖。選擇分析分類系統(tǒng)聚類進入系統(tǒng)聚類設置頁簽。進入選項卡，將標準化數(shù)據(jù)作為變量。然后可以選擇各種聚類方法和要生成的圖標。在這里，我們檢查樹視圖和其他默認值。單擊“確定”查看SPSS自動處理的輸出。根據(jù)SPSS軟件的輸出，對結果進行了分析。