聚类分析？聚类算法有哪几种

本文目录

• 聚类分析
• 聚类算法有哪几种
• 数据挖掘中分类分析和聚类分析的区别
• 如何用cluster做聚类分析
• 什么是聚类分析
• 谁懂聚类分析
• 聚类分析cluster结果怎么看
• 主成分分析，聚类分析，因子分析的基本思想以及他们各自的优缺点
• 系统聚类图怎么看不懂
• 怎么用spss做聚类分析

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。

聚类算法有哪几种

聚类算法有：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。

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

如何用cluster做聚类分析

1。聚类分析的特点 聚类分析（cluster analysis）是根据事物本身的特性研究个体的一种方法，目的在于将相似的事物归类。它的原则是同一类中的个体有较大的相似性，不同类的个体差异性很大。这种方法有三个特征：适用于没有先验知识的分类。

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.

谁懂聚类分析

根据同类事物应具有相近特性，而不同事物在这些特性上差异较大的假定，将所研究的事物进行分类，这种研究方法称为聚类Cluster。
在 SPSS中，有两种方法进行聚类分析，一种是并不指定最终的类数，所有个案不断相聚，最终聚为一类，结论将在聚类过程中寻求，这种聚类称为分层聚类。另一种是在指定了用于聚类分析的变量和类数后进行的聚类，称为快速样本聚类。
一、分层聚类
事物的性质是通过测量变量来描述的，因此，变量可以揭示事物的一些内部属性。如果以n个数值型变量(n维空间)来描述某一类事物，则一个事物就是n维空间中是一个点。例如：对一批运动员分别测量了他们的百米、万米、摸高、举重、体操等若干项指标，最后根据他们的各项成绩的分析将他们分为几种不同类型的运动员，比如：爆发力型、耐力型、灵巧型等。

分层聚类分析就是通过对变量的测量，将比较接近的个案找出来归为一类，进一步再将比较接近的类合并成为新的类，逐层合并直到最后合并成为一类。分层聚类产生的结果不在聚类的开始，也不在聚类的最终，而是在其过程中。研究者将根据聚类过程适当截取聚类结论。
分层聚类有两种类型：“Q聚类”，也可解释为样本聚类。这种聚类将在聚类过程中发现具有共同属性的样本。“R聚类”，也可解释为变量聚类。“R聚类”则可以在某些变量中选择出具有代表性的变量。

练习题：调查某市的11个区、县的国民生产和经济发展情况，测量如下项目：地区、非农业人口、农业人口、社会增产率、工业总产值、工商总税利和农业总产值。
要求：对其进行分层聚类分析，并生成聚类过程的树状图。
由报告中可以得到：个案处理摘要表“Case Processing Summary”、并类表“Agglomeration Schedule”以及聚类过程的树状图“Dendrogram”。

二、快速样本聚类
快速样本聚类的方法就是将聚类仅仅进行到指定的类数就停止。进行快速样本聚类分析应当确定最终聚类数，使聚类发生到该指定类数后停止。
为了使聚类过程快速有效，还可以指定聚类中心点位置，这样将使聚类过程的叠代次数减少很多。快速聚类过程始终遵照所有样本空间的点与这几个类中心的距离取最小值原则，进行反复的叠代计算，最终将各个个案分配到各个类中心所在的类，叠代计算将停止。
另外，系统还提供了一种更简单的方法，即：用户指定了初始类中心后，系统只负责分类，而不再更改这些初始类中心的位置，最终将各个个案点归类到各个初始类中心。

快速样本聚类举例。对全国30个省、市、自治区的国民经济情况进行统计，分别测量了各个地区的国民生产总值GMSCZZ、国民收入GMSR、社会总产值SHZCZ、工农业总产值GNYZCZ和总人口ZRK等变量。指定初始类中心为5个点。

聚类分析cluster结果怎么看

聚类有两种，一是变量聚类，二是样本聚类。样本聚类的情况更多，就是将样本分成几个类别，如果是这样建议使用在线SPSS软件SPSSAU，直接就出来类别，而且还可以自行进行设置类别个数，而且出来后还需要对类别命名，这些全部SPSSAU都会直接提供。

主成分分析，聚类分析，因子分析的基本思想以及他们各自的优缺点

主成分分析与因子分析的区别

1. 目的不同： 因子分析把诸多变量看成由对每一个变量都有作用的一些公共因子和仅对某一个变量有作用的特殊因子线性组合而成，因此就是要从数据中控查出对变量起解释作用的公共因子和特殊因子以及其组合系数；主成分分析只是从空间生成的角度寻找能解释诸多变量变异的绝大部分的几组彼此不相关的新变量（主成分）。

2. 线性表示方向不同： 因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。

3. 假设条件不同：主成分分析中不需要有假设；因子分析的假设包括：各个公共因子之间不相关，特殊因子之间不相关，公共因子和特殊因子之间不相关。

4. 提取主因子的方法不同：因子分析抽取主因子不仅有主成分法，还有极大似然法，主轴因子法，基于这些方法得到的结果也不同；主成分只能用主成分法抽取。

5. 主成分与因子的变化：当给定的协方差矩阵或者相关矩阵的特征值唯一时，主成分一般是固定的；而因子分析中因子不是固定的，可以旋转得到不同的因子。

6. 因子数量与主成分的数量：在因子分析中，因子个数需要分析者指定（SPSS根据一定的条件自动设定，只要是特征值大于1的因子主可进入分析），指定的因子数量不同而结果也不同；在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等）。

7. 功能：和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势；而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这种情况也可以使用因子得分做到，所以这种区分不是绝对的。

1 、聚类分析

基本原理：将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化。

常用聚类方法：系统聚类法，K-均值法，模糊聚类法，有序样品的聚类，分解法，加入法。

注意事项：1. 系统聚类法可对变量或者记录进行分类，K-均值法只能对记录进行分类；

2. K-均值法要求分析人员事先知道样品分为多少类；

3. 对变量的多元正态性，方差齐性等要求较高。

应用领域：细分市场，消费行为划分，设计抽样方案等

2、判别分析

基本原理：从已知的各种分类情况中总结规律（训练出判别函数），当新样品进入时，判断其与判别函数之间的相似程度（概率最大，距离最近，离差最小等判别准则）。

常用判别方法：最大似然法，距离判别法，Fisher判别法，Bayes判别法，逐步判别法等。

注意事项：1. 判别分析的基本条件：分组类型在两组以上，解释变量必须是可测的；

2. 每个解释变量不能是其它解释变量的线性组合（比如出现多重共线性情况时，判别权重会出现问题）；

3. 各解释变量之间服从多元正态分布（不符合时，可使用Logistic回归替代），且各组解释变量的协方差矩阵相等（各组协方方差矩阵有显著差异时，判别函数不相同）。

相对而言，即使判别函数违反上述适用条件，也很稳健，对结果影响不大。

应用领域：对客户进行信用预测，寻找潜在客户（是否为消费者，公司是否成功，学生是否被录用等等），临床上用于鉴别诊断。

3、 主成分分析/ 因子分析

主成分分析基本原理：利用降维（线性变换)的思想，在损失很少信息的前提下把多个指标转化为几个综合指标（主成分),即每个主成分都是原始变量的线性组合,且各个主成分之间互不相关,使得主成分比原始变量具有某些更优越的性能（主成分必须保留原始变量90%以上的信息），从而达到简化系统结构，抓住问题实质的目的。

因子分析基本原理：利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子。（因子分析是主成分的推广，相对于主成分分析，更倾向于描述原始变量之间的相关关系）

求解主成分的方法：从协方差阵出发（协方差阵已知），从相关阵出发（相关阵R已知）。

（实际研究中，总体协方差阵与相关阵是未知的，必须通过样本数据来估计）

求解因子载荷的方法：主成分法，主轴因子法，极大似然法，最小二乘法，a因子提取法。

注意事项：1. 由协方差阵出发与由相关阵出发求解主成分所得结果不一致时，要恰当的选取某一种方法；

2. 对于度量单位或是取值范围在同量级的数据，可直接求协方差阵；对于度量单位不同的指标或是取值范围彼此差异非常大的指标，应考虑将数据标准化，再由协方差阵求主成分；

3.主成分分析不要求数据来源于正态分布；

4. 在选取初始变量进入分析时应该特别注意原始变量是否存在多重共线性的问题（最小特征根接近于零，说明存在多重共线性问题）。

5. 因子分析中各个公共因子之间不相关，特殊因子之间不相关，公共因子和特殊因子之间不相关。

应用领域：解决共线性问题，评价问卷的结构效度，寻找变量间潜在的结构，内在结构证实。

4、对应分析/最优尺度分析

基本原理：利用降维的思想以达到简化数据结构的目的，同时对数据表中的行与列进行处理，寻求以低维图形表示数据表中行与列之间的关系。

对应分析：用于展示变量（两个/多个分类）间的关系（变量的分类数较多时较佳）；

最优尺度分析：可同时分析多个变量间的关系，变量的类型可以是无序多分类，有序多分类或连续性变量，并 对多选题的分析提供了支持。

5、典型相关分析

基本原理：借用主成分分析降维的思想，分别对两组变量提取主成分，且使从两组变量提取的主成分之间的相关程度达到最大，而从同一组内部提取的各主成分之间互不相关。

系统聚类图怎么看不懂

SPSSAU可直接生成分层聚类图，配合帮助手册说明可更快速进行解读。

比如分两类的情况下：（6,10，7)是一类，剩下的是一类；

分三类的情况下：（6,10，7）一类，（5）一类，剩下的是一类；

四类的情况下：（6,10，7）一类，（5）一类，（2,3,9）一类，（1,3,4）一类。

扩展资料：

聚类结构形成的原则中若两个样品在已经分好的组中都未出现过，周把们形成一个独立的新组，

若两个样品中有一个是在已经分好的组中出现过，则把另一个样品也加人到该组中1若选出一对样品，都分别出现在已经分好的组中，这就把两组联结在一起。

若选出的一对样品都出现在同一组中，则这一对样品就不再分组了，在具体进行分类时，要依这四条原则反复进行，直到把所有样品都分类聚合完毕为止。

参考资料来源：百度百科-聚类分析谱系图

怎么用spss做聚类分析

依次点击：analyse--classify--hierarchical cluster，打开分层聚类对话框
spss分层聚类的操作方法和分析方法
2
在聚类分析对话框中，
将聚类用到的变量都放到variables中
spss分层聚类的操作方法和分析方法

将地区变量放入case标签中，他的意思是每一个数据都用地区这个值来命名
spss分层聚类的操作方法和分析方法

点击plot按钮，打开对话框，设置要输出的图
spss分层聚类的操作方法和分析方法

在打开的对话框中，勾选dendrogram，然后点击continue按钮。这个dendrogram是层次聚类谱系图，最后我们还会分析这个图
spss分层聚类的操作方法和分析方法

点击method按钮，设置聚类的方法
spss分层聚类的操作方法和分析方法

如图所示，通常我们用到的聚类方法是wards method，接着我们需要把变量转换成z分数，点击continue按钮
spss分层聚类的操作方法和分析方法

点击save按钮，填写希望保存的聚类类别数范围3--8，据此选项，spss将在数据窗口中添加7个变量，分别标明聚类数位3--8类情况下各省市所属的类
spss分层聚类的操作方法和分析方法

设置输出的聚类类别数范围3--8，点击continue按钮
spss分层聚类的操作方法和分析方法

点击ok按钮，开始输出数据处理的结果
spss分层聚类的操作方法和分析方法

你看到的下面的这个表格叫做聚类过程表，其内容并不是经常被关注，因为大部分实际应用中，聚类的具体过程是被忽略的。但是聚类系数可以帮助我们判断将数据分为几类最合适，判断的方法是，相邻的两个数据变化的幅度显著大于前面的系数的变化范围，这时候分类在这里就是最好的
spss分层聚类的操作方法和分析方法

最后是层次聚类谱系图，从这个图中可看到聚类的过程，根据你的需求选择分类的组数
spss分层聚类的操作方法和分析方法