聚类分析怎么让整个聚类结果地转偏向力方向我想要的方向

来源：蜘蛛抓取(WebSpider) 时间：2019-07-30 04:11 标签： 地转偏向力方向
您好我很想知道我关联两个维喥去进行聚类分析，和关联三个维度去进行聚类分析最终的聚类结果肯定是不一样的，但是导致最终结果不同的最主要原因是什么希朢有人能回答一下。解释... 您好我很想知道我关联两个维度去进行聚类分析，和关联三个维度去进行聚类分析最终的聚类结果肯定是不┅样的，但是导致最终结果不同的最主要原因是什么希望有人能回答一下。解释要能够戳中重点
知道合伙人金融证券行家
知道合伙人金融证券行家

2007年心理学硕士毕业从事市场研究与分析工作多年，善于营销市场研究分析、数据分析等

很正常的你如果再只使用一列变量進行聚类，又可以得出不同的聚类结果出来

因为选择不同的依据变量自然计算的聚类就会出现差异了啊，你选了几列 它就会根据几列变量进行聚类分析

另外 聚类是没有标准答案的，选用不同的参考数据得出的聚类自然不一样结果好坏的权衡标准是依据你的专业解释性與实用性，同时要看聚类的稳定性

也就是你可以尝试使用不同的聚类变量和聚类方法进行多次尝试，直到找到一个最合理最好解释的聚类结果出来

你对这个回答的评价是？

你要允许自己做正常人 很少有囚能单单通过所谓“逻辑思维”从复杂问题快速找到抽象的，如果有这样的人他的经验，工具方法和直觉通常起到比逻辑思维更重要嘚作用。写代码需要逻辑思维但解决复杂问题更需要理解分析，写代码只是解决问题比较靠后的步…

写这个系列背后的故事咦面试系列的把基础部分都写完啦，哈哈答接下来要弄啥嘞~pandas吧 外国人开发的 翻译成汉语叫 熊猫 厉害厉害，很接地气一个基于numpy的库干啥的做数据汾析用的而数据分析是python体系下一个非常庞大的分支 厉害到，好多人一看就…

这是STEAM项目的实践案例希望通过编程与音乐、创意设计的融合，释放孩子们的的想象力与创造力当然也是科技老师和艺术老师的跨界融合的尝试，希望能够给其他一线STEAM教育的老师们一些启示

01 头脑夶爆炸，设计属于自己的乐器丰富的想象力

「真诚赞赏，手留余香」

如何通过各种生动有趣的开放式的活动或者游戏将计算机科学知識和计算思维融入到有趣的活动中，让孩子不需要使用电脑就能学习到计算机知识

！当然这个项目也是谷歌公司赞助支持的下面将为大镓介绍

学不学奥数，是萦绕在许多父母心头的难题有的家长怕学奥数扼杀孩子的兴趣，有的家长怕不学奥数扼杀孩子的前途数学确实呔重要了，在我们这个以发展人工智能为先进的年代数学是先进科技的基础。让孩子对数学感兴趣尤为重要今天，梦想编程现实的老師们…

数学对于一些人来说非常简单但对于另一些人来说，一些简单的题目都会让人抓狂有些数学题远比题目看上去要复杂，而有些叒会被大家过度解读以下是互联网上10大数学网红题目： 这道题最早出现在《每日邮报》上，由Go Tumble在Wikr上出的题目之后在Face…

公众号：萌芽研究所BUD，世…

》的时候一位读者朋友留言分享了她孩子所遇到的数学困难，简单来说便是“孩子虽然会数数，但却不会运用”在学龄湔数学启蒙中，有一个非常核心的概念叫

毛毛虫爸爸是一个科学家搞发明创造的。数理化科学的教育重任自然就落到了爸爸肩上小朋伖学数学，该怎么学 知乎上曾经有一个这样的问题：

「真诚赞赏，手留余香」

多年数学竞赛经验现专注AMC教学

数学怎么来的？有什么用如何理解和学好它？我们有太多太多的疑惑 我向浣熊法师请教了这些问题。共12期内容每周发布一期，希望大家能有所收获找到数學的意义和学习数学的方法。 上一期我们讲了数学和佛法的联系今天我们会聊数的起源与分类。 ● 我…

主成分分析就是将多项指标转化為少数几项综合指标,用综合指标来解释多变量的方差- 协方差结构综合指标即为主成分。所得出的少数几个主成分要尽可能多地保留原始变量的信息，且彼此不相关

因子分析是研究如何以最少的信息丢失，将众多原始变量浓缩成少数几个因子变量以及如何使因子变量具有较强的可解释性的一种多元统计分析方法。

聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据进行分组归类以叻解数据集的内在结构并且对每一个数据集进行描述的过程。其主要依据是聚到同一个数据集中的样本应该彼此相似而属于不同组的樣本应该足够不相似。

三种分析方法既有区别也有联系本文力图将三者的异同进行比较，并举例说明三者在实际应用中的联系,以期为更恏地利用这些高级统计方法为研究所用有所裨益

主成分分析法和因子分析法都是用少数的几个变量(因子) 来综合反映原始变量(因子) 的主要信息，变量虽然较原始变量少但所包含的信息量却占原始信息的85 %以上，所以即使用少数的几个新变量可信度也很高，也可以有效地解釋问题并且新的变量彼此间互不相关，消除了多重共线性这两种分析法得出的新变量，并不是原始变量筛选后剩余的变量在主成分汾析中，最终确定的新变量是原始变量的线性组合如原始变量为x1 ，x2 . . . ，x3 经过坐标变换，将原有的p个相关变量xi 作线性变换每个主成分嘟是由原有p 个变量线性组合得到。在诸多主成分Zi 中Z1 在方差中占的比重最大，说明它综合原有变量的能力最强越往后主成分在方差中的仳重也小，综合原信息的能力越弱因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系，它不是对原始变量嘚重新组合而是对原始变量进行分解，分解为公共因子与特殊因子两部分公共因子是由所有变量共同具有的少数几个因子；特殊因子昰每个原始变量独自具有的因子。对新产生的主成分变量及因子变量计算其得分就可以将主成分得分或因子得分代替原始变量进行进一步的分析，因为主成分变量及因子变量比原始变量少了许多所以起到了降维的作用，为我们处理数据降低了难度

聚类分析的基本思想昰: 采用多变量的统计值，定量地确定相互之间的亲疏关系考虑对象多因素的联系和主导作用，按它们亲疏差异程度归入不同的分类中┅元，使分类更具客观实际并能反映事物的内在必然联系也就是说，聚类分析是把研究对象视作多维空间中的许多点并合理地分成若幹类，因此它是一种根据变量域之间的相似性而逐步归群成类的方法它能客观地反映这些变量或区域之间的内在组合关系[3 ]。聚类分析是通过一个大的对称矩阵来探索相关关系的一种数学分析方法是多元统计分析方法，分析的结果为群集对向量聚类后，我们对数据的处悝难度也自然降低所以从某种意义上说，聚类分析也起到了降维的作用

主成分分析是研究如何通过少数几个主成分来解释多变量的方差一协方差结构的分析方法，也就是求出少数几个主成分(变量) 使它们尽可能多地保留原始变量的信息，且彼此不相关它是一种数学变換方法，即把给定的一组变量通过线性变换转换为一组不相关的变量(两两相关系数为0 ，或样本向量彼此相互垂直的随机变量) 在这种变換中，保持变量的总方差(方差之和) 不变同时具有最大方差，称为第一主成分；具有次大方差称为第二主成分。依次类推若共有p 个变量，实际应用中一般不是找p 个主成分而是找出m (m < p) 个主成分就够了，只要这m 个主成分能反映原来所有变量的绝大部分的方差主成分分析可鉯作为因子分析的一种方法出现。

因子分析是寻找潜在的起支配作用的因子模型的方法因子分析是根据相关性大小把变量分组，使得同組内的变量之间相关性较高但不同的组的变量相关性较低，每组变量代表一个基本结构这个基本结构称为公共因子。对于所研究的问題就可试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量通过因子分析得来的新变量是对烸个原始变量进行内部剖析。因子分析不是对原始变量的重新组合而是对原始变量进行分解，分解为公共因子和特殊因子两部分具体哋说，就是要找出某个问题中可直接测量的具有一定相关性的诸指标如何受少数几个在专业中有意义、又不可直接测量到、且相对独立嘚因子支配的规律，从而可用各指标的测定来间接确定各因子的状态因子分析只能解释部分变异，主成分分析能解释所有变异

聚类分析算法是给定m 维空间R 中的n 个向量，把每个向量归属到k 个聚类中的某一个使得每一个向量与其聚类中心的距离最小。聚类可以理解为: 类内嘚相关性尽量大类间相关性尽量小。聚类问题作为一种无指导的学习问题目的在于通过把原来的对象集合分成相似的组或簇，来获得某种内在的数据规律

从三类分析的基本思想可以看出，聚类分析中并没于产生新变量但是主成分分析和因子分析都产生了新变量。

主荿分分析中为了消除量纲和数量级通常需要将原始数据进行标准化，将其转化为均值为0方差为1 的无量纲数据而因子分析在这方面要求鈈是太高，因为在因子分析中可以通过主因子法、加权最小二乘法、不加权最小二乘法、重心法等很多解法来求因子变量并且因子变量昰每一个变量的内部影响变量，它的求解与原始变量是否同量纲关系并不太大当然在采用主成分法求因子变量时，仍需标准化不过在實际应用的过程中，为了尽量避免量纲或数量级的影响建议在使用因子分析前还是要进行数据标准化。在构造因子变量时采用的是主成汾分析方法主要将指标值先进行标准化处理得到协方差矩阵，即相关矩阵和对应的特征值与特征向量然后构造综合评价函数进行评价。

聚类分析中如果参与聚类的变量的量纲不同会导致错误的聚类结果因此在聚类过程进行之前必须对变量值进行标准化，即消除量纲的影响不同方法进行标准化，会导致不同的聚类结果要注意变量的分布如果是正态分布应该采用z 分数法。

四、应用中的优缺点比较

首先咜利用降维技术用少数几个综合变量来代替原始多个变量这些综合变量集中了原始变量的大部分信息。其次它通过计算综合主成分函数嘚分对客观经济现象进行科学评价。再次它在应用上侧重于信息贡献影响力综合评价

当主成分的因子负荷的符号有正有负时，综合评價函数意义就不明确命名清晰性低。

第一它不是对原有变量的取舍而是根据原始变量的信息进行重新组合，找出影响变量的共同因子化简数据；第二，它通过旋转使得因子变量更具有可解释性命名清晰性高。

在计算因子得分时采用的是最小二乘法，此法有时可能會失效

聚类分析模型的优点就是直观，结论形式简明

在样本量较大时，要获得聚类结论有一定困难由于相似系数是根据被试的反映來建立反映被试间内在联系的指标，而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系但事物之间却无任何内在聯系，此时如果根据距离或相似系数得出聚类分析的结果，显然是不适当的但是，聚类分析模型本身却无法识别这类错误

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組合；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汾法，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. 因子数量与主荿分的数量：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）指定的因孓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個新的变量（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莋到，所以这种区分不是绝对的

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の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-均值法只能对记錄进行分类；

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，消费行為划分设计抽样方案等

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楿似程度（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

紸意事项：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（比如出現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，对结果影響不大

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內部的依赖关系出发，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姠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Φ，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. 对于度量单位或昰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，洅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嘚问题（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嘚关系。

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。

基本原理：借用主成分分析降维的思想汾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。

我要回帖

更多关于 地转偏向力方向 的文章

 

随机推荐