聚類分析軟件是一款主要用于物品聚類分析的工具。軟件功能強(qiáng)大，可對物品的雜合度、信息含量進(jìn)行計(jì)算分析，并支持以圖文的形式顯示分析結(jié)果，方便用戶查看，更詳盡的表達(dá)出分析結(jié)果的情況。

官方介紹

軟件主要用于血型、蛋白質(zhì)多態(tài)、品種聚類等方面的統(tǒng)計(jì)分析，可自動進(jìn)行雜合度、多態(tài)信息含量、遺傳距離以及聚類的計(jì)算，并可自動畫出聚類圖。

聚類分析介紹

聚類分析指將物理或抽象對象的集合分組為由類似的對象組成的多個(gè)類的分析過程。它是一種重要的人類行為。

聚類分析的目標(biāo)就是在相似的基礎(chǔ)上收集數(shù)據(jù)來分類。聚類源于很多領(lǐng)域，包括數(shù)學(xué)，計(jì)算機(jī)科學(xué)，統(tǒng)計(jì)學(xué)，生物學(xué)和經(jīng)濟(jì)學(xué)。在不同的應(yīng)用領(lǐng)域，很多聚類技術(shù)都得到了發(fā)展，這些技術(shù)方法被用作描述數(shù)據(jù)，衡量不同數(shù)據(jù)源間的相似性，以及把數(shù)據(jù)源分類到不同的簇中。

聚類方法

1、層次聚類（Hierarchical Clustering）

合并法、分解法、樹狀圖

2、非層次聚類

劃分聚類、譜聚類

聚類方法特征：

聚類分析簡單、直觀。

聚類分析主要應(yīng)用于探索性的研究，其分析的結(jié)果可以提供多個(gè)可能的解，選擇最終的解需要研究者的主觀判斷和后續(xù)的分析；

不管實(shí)際數(shù)據(jù)中是否真正存在不同的類別，利用聚類分析都能得到分成若干類別的解；

聚類分析的解完全依賴于研究者所選擇的聚類變量，增加或刪除一些變量對最終的解都可能產(chǎn)生實(shí)質(zhì)性的影響。

研究者在使用聚類分析時(shí)應(yīng)特別注意可能影響結(jié)果的各個(gè)因素。

異常值和特殊的變量對聚類有較大影響

當(dāng)分類變量的測量尺度不一致時(shí)，需要事先做標(biāo)準(zhǔn)化處理。

當(dāng)然，聚類分析不能做的事情是：

自動發(fā)現(xiàn)和告訴你應(yīng)該分成多少個(gè)類——屬于非監(jiān)督類分析方法

期望能很清楚的找到大致相等的類或細(xì)分市場是不現(xiàn)實(shí)的；

樣本聚類，變量之間的關(guān)系需要研究者決定；

不會自動給出一個(gè)最佳聚類結(jié)果；

我這里提到的聚類分析主要是譜系聚類（hierarchical clustering）和快速聚類（K-means）、兩階段聚類（Two-Step）；

根據(jù)聚類變量得到的描述兩個(gè)個(gè)體間（或變量間）的對應(yīng)程度或聯(lián)系緊密程度的度量。

可以用兩種方式來測量：

1、采用描述個(gè)體對（變量對）之間的接近程度的指標(biāo)，例如“距離”，“距離”越小的個(gè)體（變量）越具有相似性。

2、采用表示相似程度的指標(biāo)，例如“相關(guān)系數(shù)”，“相關(guān)系數(shù)”越大的個(gè)體（變量）越具有相似性。

計(jì)算聚類——距離指標(biāo)D(distance)的方法非常多：按照數(shù)據(jù)的不同性質(zhì)，可選用不同的距離指標(biāo)。歐氏距離(Euclidean distance)、歐氏距離的平方(Squared Euclidean distance)、曼哈頓距離(Block)、切比雪夫距離(Chebychev distance)、卡方距離(Chi-Square measure) 等；相似性也有不少，主要是皮爾遜相關(guān)系數(shù)了！

聚類變量的測量尺度不同，需要事先對變量標(biāo)準(zhǔn)化；

聚類變量中如果有些變量非常相關(guān)，意味著這個(gè)變量的權(quán)重會更大

歐式距離的平方是最常用的距離測量方法；

聚類算法要比距離測量方法對聚類結(jié)果影響更大；

標(biāo)準(zhǔn)化方法影響聚類模式：

變量標(biāo)準(zhǔn)化傾向產(chǎn)生基于數(shù)量的聚類；

樣本標(biāo)準(zhǔn)化傾向產(chǎn)生基于模式的聚類；

一般聚類個(gè)數(shù)在4－6類，不易太多，或太少；

統(tǒng)計(jì)量

群重心

群中心

群間距離

分層步驟

定義問題與選擇分類變量

聚類方法

確定群組數(shù)目

聚類結(jié)果評估

結(jié)果的描述、解釋

K-means

屬于非層次聚類法的一種

（1）執(zhí)行過程

初始化：選擇（或人為指定）某些記錄作為凝聚點(diǎn)

循環(huán)：

按就近原則將其余記錄向凝聚點(diǎn)凝集

計(jì)算出各個(gè)初始分類的中心位置（均值）

用計(jì)算出的中心位置重新進(jìn)行聚類

如此反復(fù)循環(huán)，直到凝聚點(diǎn)位置收斂為止

（2）方法特點(diǎn)

通常要求已知類別數(shù)

可人為指定初始位置

節(jié)省運(yùn)算時(shí)間

樣本量大于100時(shí)有必要考慮

只能使用連續(xù)性變量

過程

特點(diǎn)：

處理對象：分類變量和連續(xù)變量

自動決定最佳分類數(shù)

快速處理大數(shù)據(jù)集

前提假設(shè)：

變量間彼此獨(dú)立

分類變量服從多項(xiàng)分布，連續(xù)變量服從正態(tài)分布

模型穩(wěn)健

算法原理

第一步：逐個(gè)掃描樣本，每個(gè)樣本依據(jù)其與已掃描過的樣本的距離，被歸為以前的類，或生成一個(gè)新類

第二步，對第一步中各類依據(jù)類間距離進(jìn)行合并，按一定的標(biāo)準(zhǔn)，停止合并

判別分析 Discriminant Analysis

介紹： 判別分析

分類學(xué)是人類認(rèn)識世界的基礎(chǔ)科學(xué)。聚類分析和判別分析是研究事物分類的基本方法，廣泛地應(yīng)用于自然科學(xué)、社會科學(xué)、工農(nóng)業(yè)生產(chǎn)的各個(gè)領(lǐng)域。

判別分析DA

概述

DA模型

DA有關(guān)的統(tǒng)計(jì)量

兩組DA

案例分析

判別分析

判別分析是根據(jù)表明事物特點(diǎn)的變量值和它們所屬的類，求出判別函數(shù)。根據(jù)判別函數(shù)對未知所屬類別的事物進(jìn)行分類的一種分析方法。核心是考察類別之間的差異。

判別分析

不同：判別分析和聚類分析不同的在于判別分析要求已知一系列反映事物特征的數(shù)值變量的值，并且已知各個(gè)體的分類。

DA適用于定類變量（因）、任意變量（自）

兩類：一個(gè)判別函數(shù)；

多組：一個(gè)以上判別函數(shù)

DA目的

建立判別函數(shù)

檢查不同組之間在有關(guān)預(yù)測變量方面是否有顯著差異

決定哪個(gè)預(yù)測變量對組間差異的貢獻(xiàn)最大

根據(jù)預(yù)測變量對個(gè)體進(jìn)行分類