其他分享
首页 > 其他分享> > SPSS的K均值聚类、分层聚类、二阶聚类有什么区别

SPSS的K均值聚类、分层聚类、二阶聚类有什么区别

作者:互联网

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。

图1:二阶、K均值、系统聚类

图1:二阶、K均值、系统聚类

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。

图2:K均值聚类参数设置

图2:K均值聚类参数设置

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。

图3:系统聚类参数设置

图3:系统聚类参数设置

而且,系统聚类分析可指定解的范围。

图4:系统聚类解范围

图4:系统聚类解范围

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。

图5:二阶聚类参数设置

图5:二阶聚类参数设置

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。

图6:K均值聚类中心

图6:K均值聚类中心

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。

图7:系统聚类谱系图

图7:系统聚类谱系图

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。

图8:二阶聚类模型概要

图8:二阶聚类模型概要

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。

图9:二阶聚类输入重要性

图9:二阶聚类输入重要性

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。

标签:变量,均值,SPSS,二阶,聚类,连续变量,参数设置
来源: https://blog.csdn.net/nekonekoboom/article/details/120649954