
发布时间:2021/09/23 15:14:10
K均值聚类、分层聚类、二阶聚类是SPSS聚类分析中常用的三种聚类方法。K均值聚类使用的是欧式距离的测量方法;分层聚类是根据度量的距离远近,构建谱系分析;二阶聚类是利用距离测量得到分类树,然后再利用BIC或AIC准则判别最佳聚类。
除了以上聚类原理的不同外,三种聚类方法还有哪些不同点呢?接下来,我们从参数设置与结果解读两方面进行详细解读。
一、参数设置
K均值聚类仅可用于连续变量的聚类分析,因此,如图1所示,其参数设置面板仅提供了一个变量选项。另外,K均值聚类主要是采用了迭代计算的方法。
虽然系统聚类分析也仅提供了一个变量选项,但其变量选项可添加分类变量或连续变量。但要注意的是,单次只能分析同一种类型的变量,也就是说,不能将分类变量与连续变量同时添加到变量选项框,只能添加其中一种类型。
另外,与K均值聚类仅可分析个案聚类不同,系统聚类可分析个案或变量的聚类。
而且,系统聚类分析可指定解的范围。
相对于其他两种聚类方法,二阶聚类的变量选项更为自由,可同时添加分类与连续变量。
二、结果解读
从结果解读来看,K均值聚类可简单快速地得到最终聚类的中心,但由于其测量计算主要是依靠“直线式”的欧式距离,因此,对异常值较为敏感。
而不同于K均值聚类清晰而简单的聚类结果,系统聚类主要是依靠如图7所示的谱系图解读聚类结果。
通过在谱系图中绘制竖线并向左观察,可得到聚类数据以及其包含的个案信息。
二阶聚类分析除了能通过BIC或AIC准则获得最佳的聚类数目外,还可进一步得到聚类的质量评分。
以及通过聚类预测重要性、聚类特征图等得到影响聚类的重要变量,以及各个聚类的变量特征。
三、小结
综上所述,K均值聚类、分层聚类、二阶聚类这三种SPSS的聚类方法各具优点与缺点。
K均值聚类简单快速,但无法分析分类变量、容易受异常值影响;系统聚类,可对个案与变量聚类,可对连续与分类变量聚类,但依靠谱系图分析,当数据量大时,分析速度慢;二阶聚类,自动程度高,可同时分析分类与连续变量,但容易受到分类变量的影响。
作者:泽洋
读者也喜欢这些内容:
spss决策树分析优缺点 spss决策树为什么没有生成树形图
SPSS决策树分析是在树状图的分析基础上构建的一种数据处理模型,它可以根据自变量的值来预测出因变量的变化趋势,并且分析得出数据之间的相互关联关系,还可以得出数据的风险状况,但是SPSS决策树在数据分析中同样也有优缺点,那么下面就来给大家介绍SPSS决策树分析优缺点,SPSS决策树为什么没有生成树形图。...
阅读全文 >
线性回归分析的意义 线性回归分析spss结果解读
回归分析是论文中最常用的研究假设检验技术,想知道自变量X对因变量Y的如何影响、作用方式,最常用的是线性回归,接下来就给大家介绍一下线性回归分析的意义,线性回归分析spss结果解读。...
阅读全文 >
spss聚类分析谱系图怎么画 spss聚类分析谱系图结果解读
spss聚类分析谱系图怎么画?聚类分析谱系图是spss系统聚类的辅助图表之一,软件可自动生成,不用自己画。本文会以实际例子演示spss画谱系图的方法以及进行spss聚类分析谱系图结果解读。...
阅读全文 >
spssk均值聚类分析步骤 spssk均值聚类分析结果解读
spssk均值聚类分析步骤,spssk均值聚类分析需事先指定聚类数目k,然后再依照该聚类数目进行迭代运算,本文会应用例子演示分析步骤,同时也会进行spssk均值聚类分析结果解读,以加深理解。...
阅读全文 >