实验二聚类分析

实验二聚类分析一．实验目的（1）通过实验操作，对于给出的数据会进行系统聚类与K—均值聚类的操作，能够合理解释得出的结果；（2）通过实验，体会聚类过程，对深刻理解聚类思想；（3）通过对不同聚类方法的实验，掌握各个聚类的过程，理解不同聚类方法的异同二．实验要求1.利用2001年全国31个省市自治区各类小康和现代化指数的数据，对地区分别作分层聚类和K-Means聚类分析。数据见：聚类分析数据（小康指数）.sav2.利用excel数据通过R实现聚类分析（其操作指南见eg4.1-4.2.txt）三．实验内容1、系统聚类（1）在spss中打开数据，查看各个名称所代表的含义，如下图：（2）点击：“分析—分类—系统聚类”，选择所需数据到变量与个案中：（3）在上图“统计量”中：（4）在“图”中，选中树状图：（5）在“方法”中：说明：上表中，聚类方法包括很多种，教材内介绍的有8种，即以何种方法聚类，在“度量——区间”中，也包括多种方法可选择，即在聚类时，彼此之间的距离的计算方法，如下图：spss得出的结果：对结果的简单说明：在上表、图中，聚类表表示的是聚类的动态过程，每一个步骤中，一个类别将哪些数据聚类在一块，在第几步聚类时，将某一个数据聚类到已经分为一个类的中，例如第一行数据，26表示甘肃，28表示江西，第一步将26、28聚在一起，然后是下一阶7，表示将26、28这个类用26表示，和30聚在一起，然后是15，即26、28、30这个类用26表示，和20聚在一起，这一以此类推，就将所有数据聚类。上图中，就是哪些先聚在一块，然后又是哪些类聚在一块，要分为几类，就以轴为横轴，画纵轴，将下面的部分分为几部分，就是聚为几类，相比较聚类表更直观，也是聚类表的直观表现。2、K—均值聚类（1）点击“分析——分类——K-均值聚类”，选择所需数据到变量与标注个案中，如下图：说明：聚类数表示所要做的聚类聚为几类，可以是3、4、等，按需求所做（2）在上图“迭代”中，选择所需要做的最大迭代次数，默认值为10，如下图：（3）在“保存”中，将聚类成员和聚类中心的距离都选中，最后在原始数据中能够显示这俩个值：（4）在“选项”中，选择统计量ANOVA表，即方差分析表，可以进行大致检验分类效果如何，如下图：在spss中得到的结果，如下图：在spss原始数据中多出的俩行数据，即为在第三步中所选中的聚类成员和与聚类中心的距离，如下图：3.练习3.1对第一个实验系统聚类的练习：在以上实验中提到聚类方法可以选择不同种，此时聚类法方选择“质心聚类法”，“区间”选择余弦，如下图：在spss中得到的结果如下：对结果的简单分析：将这次得出的结果同上面的结果进行比较，可以发现基本聚类结果相同，聚类表和聚类图的解释也基本一样，但需注意，在聚类图中，聚类类别对应的标尺的长度不同。第二个实验：在聚类数中，选择6时，如下：结果：对结果的简单分析：以上各个表的解释同上面实验中的解释，只是此时聚类中心变了，但都是经过5次迭代就达到了最终的聚类结果，ANOVA表也显示聚类效果较好。四、存在问题与解决情况本次实验，由于在实验前，已经将这部分内容了解的比较透彻，所以实验过程基本不存在什么困难，实验结果的理解上也能够清楚明了R软件：#eg4.1系统聚类在D盘（其他盘也可以）建立文件夹，内含所需的实验数据1.打开R软件，点击“文件—改变工作路径—选中文件夹—确定”（此步目的是将实验数据导入R中），部分截图如下：2.点击“程序包—加载程序包—foreign—确定”，此步目的是使数据在R软件加载，如下图3.在R工作界面输入：（此步目的是读取已经导入到R中的数据）data4.1-read.table(D:/data/eg4.1.txt,header=T);data4.1x1x2x3x4x5x614.654.225.014.504.154.1226.326.116.216.856.526.3334.874.604.954.154.024.1144.884.684.434.124.034.1456.736.656.726.136.516.3667.457.567.607.807.207.1878.108.238.017.958.318.2688.428.548.127.888.267.9896.456.816.526.316.276.06107.507.327.427.527.106.954.在R内继续输入：d-dist(data4.1,method=euclidean,diag=T,upper=F,p=2)#euclidean即欧氏距离d123456710.000000024.88103470.000000030.57956884.94354120.000000040.87183715.07306610.52801520.000000055.13804441.11319365.09686185.25988590.000000067.43369362.72009197.43641717.60138802.46136140.000000079.12854314.36369119.11262869.26007564.02489751.86024190.000000089.26085854.55785049.22184369.37141404.13975841.98537150.544426394.87465901.01488924.83487334.98698310.56921002.65862754.3185877107.02654972.34313897.02318307.18714832.03963230.48352872.21388808910123456780.000000094.42099540.0000000102.31536172.26223340.0000000继续输入：HC-hclust(d,method=single)#采用最小距离法（single）聚类plot(HC)练习：若method为manhattan绝对距离，采用centroid重心法，则得到结果：d-dist(data4.1,method=manhattan,diag=T,upper=F,p=2)HC-hclust(d,method=centroid)plot(HC)若method为euclidean（欧氏距离），采用ward（Ward法），则得到结果：d-dist(data4.1,method=euclidean,diag=T,upper=F,p=2)HC-hclust(d,method=ward)Thewardmethodhasbeenrenamedtoward.D;notenewward.D2plot(HC)实验二：在R内输入：data4.2-read.table(clipboard,header=T)#将eg4.2.xls数据读入到data4.2中KM-kmeans(data4.2,4,nstart=20,algorithm=Hartigan-Wong)#聚类的个数为4,随机集合#的个数为20,算法为Hartigan-Wongsort(KM$cluster)得到结果：对结果的简单分析：每一个省份下的数标，即为第几类，可以看到哪些是第一类，哪些是第二类等等。练习：（1）聚类的个数为6,随机集合#的个数为20,算法为Hartigan-WongKM-kmeans(data4.2,6,nstart=20,algorithm=Hartigan-Wong)sort(KM$cluster)得到结果：（2）聚类的个数为6,随机集合#的个数为20,算法为LloydKM-kmeans(data4.2,6,nstart=20,algorithm=Lloyd)sort(KM$cluster)得到结果：（3）聚类的个数为4,随机集合#的个数为20,算法为LloydKM-kmeans(data4.2,4,nstart=20,algorithm=Lloyd)sort(KM$cluster)（4）聚类的个数为4,随机集合#的个数为20,算法为MacQueenKM-kmeans(data4.2,4,nstart=20,algorithm=MacQueen)sort(KM$cluster)得到结果：