怎么把样本分到聚会分析的几个类别，用SPSS做聚类分析
来源：整理 编辑：航空兔素材 2023-10-08 15:14:30
1，用SPSS做聚类分析
聚类分析一般是将样本进行分类，得到几类，然后对几个类别进行命名，以及得到的类别数据一般需要用于后续进一步分析使用等。所以聚类分析后一般需要使用方差分析，这个步骤还比较多，建议你使用在线版本的SPSS软件SPSSAU进行分析，这是个智能化的软件，里面全部把过程都帮你整理好，以及表格也全部进行了智能化规范。
2，如何用训练样本的k均值聚类中心对测试样本进行分类
最近用LibSVM做分类实验,发现网上的资料大都是关于SVM基本原理和怎么用终端命令前提是你已经准备好了符合LibSVM处理数据如何使用libsvm进行分类。2.使用libsvm进行分类预测我们所使用的数据为UCI的iris数据集,将其类别标识换为1、2、3。然后,取3/5作为训练样本,2/5作为测试样本。使用论坛中单变量作聚类看虽然也可以作，但是和直接观察，分段没什么区别。判别案例属于哪个类别，如果用spss，点击"save"按钮，选上逗cluster membership"就可以，运行后，会在文件中生成一个变量，标出每个变量所属类别地1，2，3..."
3，如何确定聚类算法中的类别个数
你的应用背景我不了解。但是感觉你好像要把样本分成三类，如果是这样的话，最好不要用层次聚类算法。 层次聚类算法是不能自己指定聚类个数的，你需要用划分的聚类算法。聚类算法粗略分为两类：基于“层次的”与基于“划分”的。你说的模糊聚类算法也分很多种，最著名的也是最常用的就是模糊c均值聚类算法，它是基于“划分”的，个人感觉它应该适用于你的问题。你不需要把“层次”聚类与“划分”的或者“模糊”聚类进行结合。模糊c均值聚类本身就可以人为指定聚类个数，如果结合聚类有效性指标，也可以自动确定聚类个数。聚类有效性指标以及模糊c均值你可以查文献，上中国知网搜索，很多的，要想看具体的介绍可以搜索相关博士或者硕士论文，在里面都会介绍具体细节。模糊c均值的改进算法主要是可能性聚类算法，希望对你有帮助。最简单有效的方法就是穷举1到n个聚类个数的情况，然后分别算似然。选似然最大的，可以保证找到似然上最优的。但是如果你的聚类个数有200w个呢？不要觉得是开玩笑的，不信你们去看看腾讯做的lda。如果你是做论文的，可以考虑用dirichlet processes.可以学习出聚类个数。推断算法都是现成的。还一种方法是，如果你的数据很多，可以给一个很大的聚类个数，迭代的过程中按某些准则合并或者丢弃掉一些聚类中心，最后达到一个满意的聚类个数哦（比如，无论扔掉哪个聚类中心或者合并某两个中心，都会导致模型的似然降低，那么就可以停止算法了）。其实很多求解dp模型的算法就是用的这方法。如果你单独用这个算法，就显得很low，如果先用dp建模然后用这方法求解，就显得理论值高些。
4，模糊聚类分析的常用分类方法
数据分类中，常用的分类方法有多元统计中的系统聚类法、模糊聚类分析等.在模糊聚类分析中，首先要计算模糊相似矩阵，而不同的模糊相似矩阵会产生不同的分类结果;即使采用相同的模糊相似矩阵，不同的阈值也会产生不同的分类结果.“如何确定这些分类的有效性”便成为模糊聚类的要点。识别研究中的一个重要问题.文献,把有效性不满意的原因归结于数据集几何结构的不理想.但笔者认为，不同的几何结构是对实际需要的反映，我们不能排除实际需要而追求所谓的“理想几何结构”，不理想的分类不应归因于数据集的几何结构.针对同一模糊相似矩阵，文献建立了确定模糊聚类有效性的方法.用固定的显著性水平，在不同分类的F一统计量和F检验临界值的差中选最大者，即为有效分类.但是，当显著性水平变化时，此方法的结果也会变化.文献引进了一种模糊划分嫡来评价模糊聚类的有效性，并人为规定当两类的嫡大于一数时，此两类可合并，通过逐次合并，最终得到有效分类.此方法人为干预较多，当这个规定数不同时，也会得到不同的结果.另外这两种方法也未比较不同模糊相似矩阵的分类结果. 系统聚类法是基于模糊等价关系的模糊聚类分析法。在经典的聚类分析方法中可用经典等价关系对样本集X进行聚类。设R是 X上的经典等价关系。对X中的两个元素x和y，若xRy或(x，y)∈R，则将x和y并为一类，否则x和y不属于同一类。相应地，可用X上的模糊等价关系对样本集X进行模糊聚类。设慒是X上的模糊等价关系，是慒 的隶属函数。对于任何α∈【0，1】，定义慒 的α截关系 Sα是X上的经典等价关系。根据Sα得到X 的一种聚类,称为在α水平上的聚类。应用这种方法,分类的结果与α的取值大小有关。α取值越大,分的类数越多。α小到某一值时,X中的所有样本归并为一类。这种方法的优点在于可按实际需要选取α的值，以便得到恰当的分类。系统聚类法的步骤如下：①用数字描述样本的特征。设被聚类的样本集为 X=因为rii=1(xi与自身没有差异),rij=rji(xi与xj之间的差异等同于xj与xi之间的差异),所以由rij(i，j=1，…，n)可得X上的模糊相似关系。一般，R不具备可传递性，因而R不一定是 X上的模糊等价关系。③运用合成运算R=R?R（或R=R?R等）求出最接近相似关系R的模糊等价关系S=R（或R等）。若R已是模糊等价关系，则取S=R。④选取适当水平α（0≤α≤1）,得到X 的一种聚类。 逐步聚类法是一种基于模糊划分的模糊聚类分析法。它是预先确定好待分类的样本应分成几类，然后按最优化原则进行再分类，经多次迭代直到分类比较合理为止。在分类过程中可认为某个样本以某一隶属度隶属于某一类，又以另一隶属度隶属于另一类。这样，样本就不是明确地属于或不属于某一类。若样本集有 n个样本要分成c类，则它的模糊划分矩阵为此c×n模糊划分矩阵有下列特性：①uij∈【0，1】；i=1，…，c；j=1,…，n。②即每一样本属于各类的隶属度之和为1。③即每一类模糊子集都不是空集。
文章TAG：
怎么 样本 本分 聚会 怎么把样本分到聚会分析的几个类别
