中国山东网站建设/直通车推广技巧

聚类分析是一种探索性的分析，是将数据分到不同的类的一个过程。分类过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。同一个类中的对象有很大的相似性，而不同类间的对象有较大的差异性。

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。因此所使用方法的不同，常常会得到不同的结论。

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。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一类数据的特征，集中对特定的聚类集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。

通常我们将根据分类对象的不同分为Q型聚类分析和R型聚类分析。

Q型聚类分析：对样本进行分类处理，又称样本聚类分析使用距离系数作为统计量衡量相似度，如欧式距离、极端距离、绝对距离等。

优点：

1、可以综合利用多个变量的信息对样本进行分类;

2、分类结果是直观的，聚类谱系图非常清楚地表现其数值分类结果;

3、聚类分析所得到的结果比传统分类方法更细致、全面、合理。

R型聚类分析：对指标进行分类处理，又称指标聚类分析使用相似系数作为统计量衡量相似度，相关系数、列联系数等。

优点：

1、不但可以了解个别变量之间的关系的亲疏程度，而且可以了解各个变量组合之间的亲疏程度。

2、根据变量的分类结果以及它们之间的关系，可以选择主要变量进行回归分析或Q型聚类分析。

(1)系统聚类法：适用于小样本的样本聚类或指标聚类，一般用系统聚类法来聚类指标，又称分层聚类。

(2)逐步聚类法：适用于大样本的样本聚类。

(3)其他聚类法：两步聚类、K均值聚类等。

根据已掌握的一批分类明确的样品建立判别函数，使产生错判的事例最少，进而对给定的一个新样品，判断它来自哪个总体。

(1)Fisher 判别分析法

以距离为判别准则来分类，即样本与哪个类的距离最短就分到哪一类，适用于两类判别；

以概率为判别准则来分类，即样本属于哪一类的概率最大就分到哪一类，适用于多类判别。

(2)BAYES 判别分析法

BAYES判别分析法比FISHER判别分析法更加完善和先进，它不仅能解决多类判别分析，而且分析时考虑了数据的分布状态，所以一般较多使用；

(1)聚类分析可以对样本逬行分类，也可以对指标进行分类；而判别分析只能对样本。

(2)聚类分析事先不知道事物的类别，也不知道分几类；而判别分析必须事先知道事物的类别，也知道分几类。

(3)聚类分析不需要分类的相关信息，而直接对样本进行分类；而判别分析需要分类相关信息去建立判别函数，然后才能对样本进行分类。