聚類分析方法的優劣勢

⑴ 聚類分析有什麼用

1、與多元分析的其他方法相比，聚類分析是很粗糙的，理論尚不完善，但由於它成功地應用於心理、經濟、社會、管理、醫學、地質、生態、地震、氣象、考古、企業決策等，因此成了多元分析的重要方法，統計包中都有豐富的軟體，對數據進行聚類處理。

2、聚類分析除了獨立的統計功能外，還有一個輔助功能，就是和其他統計方法配合，對數據進行預處理。

例如，當總體不清楚時，可對原始數據進行聚類，根據聚類後相似的數據，各自建立回歸分析，分析的效果會更好。同時如果聚類不是根據個案，而是對變數先進行聚類，聚類的結果，可以在每一類推出一個最有代表性的變數，從而減少了進入回歸方程的變數數。

3、聚類分析是研究按一定特徵，對研究對象進行分類的多鬧拆元統計方法，它並不關心特徵及變數間的因果關系。分類的結果，應使類別間個體差異大，而同類的個體差異相對要小。

(1)聚類分析方法的優劣勢擴展閱讀：

聚類效果的檢驗：

一、聚類分析後得到的每個類別是否可以進行有效的命名，每個類別的特徵情況是否符合現實意義，如果研究者可以結合專業知識對每個聚類類別進行命名，即說明聚類效果良好，如果聚類類別無法進行命名，則需要考慮重新進行聚類分析。

二、使用判別分析方圓衫法進行判斷，將SPSS生成的聚類類別變數作為因變數(Y)，而將聚類變數作為自變數(X)進行判別分析，判別分析具體分析聚類變數與類別之間投影關系情況，如果研究人員對聚類分析效果非常在乎，可以使用判別分析進行分析。

三、聚類分析方法的詳細過程說明，描述清楚聚類分析的科學使用過程，科學的聚類分析方法使用即是良好結果的前提保障。

是、聚類分析後每個類別樣本數量是否均勻，如果聚類結果顯示為三個類別，有一個類別樣本量非常少，比如低於30，此時很可能說明橘彎腔聚類效果較差。針對聚類效果的判斷，研究者主要是結合專業知識判斷，即聚類類別是否可以進行有效命名。

⑵ 主成分分析，聚類分析，因子分析的基本思想以及他們各自的優缺點。

主成分分析與因子分析的區別

1. 目的不同： 因子分析把諸多變數看成由對每一個變數都有作用的一些公共因子和僅對某一個變數有作用的特殊因子線性組合而成，因此就是要從數據中控查出對變數起解釋作用的公共因子和特殊因子以及其組合系數；主成分分析只是從空間生成的角度尋找能解釋諸多變數變異的絕大部分的幾組彼此不相關的新變數（主成分）。

2. 線性表示方向不同： 因子分析是把變數表示成各公因子的線性組合；而主成分分析中則是把主成分表示成各變數的線性組合。

3. 假設條件不同：主成分分析中不需要有假設；因子分析的假設包括：各個公共因子之間不相關，特殊因子之間不相關，公共因子和特殊因子之間不相關。

4. 提取主因子的方法不同：因子分析抽取主因子不僅有主成分法，還有極大似然法，主軸因子法，基於這些方法得到的結果也不同；主成分只能用主成分法抽取。

5. 主成分與因子的變化：當給定的協方差矩陣或者相關矩陣的特徵值唯一時，主成分一般是固定的；而因子分析中因子不是固定的，可以旋轉得到不同的因子。

6. 因子數量與主成分的數量：在因子分析中，因子個數需要分析者指定（SPSS根據一定的條件自動設定，只要是特徵值大於1的因子主可進入分析），指定的因子數量不同而結果也不同；在主成分分析中，成分的數量是一定的，一般有幾個變數就有幾個主成分（只是主成分所解釋的信息量不等）。

7. 功能：和主成分分析相比，由於因子分析可以使用旋轉技術幫助解釋因子，在解釋方面更加有優勢；而如果想把現有的變數變成少數幾個新的變數（新的變數幾乎帶有原來所有變數的信息）來進入後續的分析，則可以使用主成分分析。當然，這種情況也可以使用因子得分做到，所以這種區分不是絕對的。

1 、聚類分析

基本原理：將個體（樣品）或者對象（變數）按相似程度（距離遠近）劃分類別，使得同一類中的元素之間的相似性比其他類的元素的相似性更強。目的在於使類間元素的同質性最大化和類與類間元素的異質性最大化。

常用聚類方法：系統聚類法，K-均值法，模糊聚類法，有序樣品的聚類，分解法，加入法。

注意事項：1. 系統聚類法可對變數或者記錄進行分類，K-均值法只能對記錄進行分類；

2. K-均值法要求分析人員事先知道樣品分為多少類；

3. 對變數的多元正態性，方差齊性等要求較高。

應用領域：細分市場，消費行為劃分，設計抽樣方案等

2、判別分析

基本原理：從已知的各種分類情況中總結規律（訓練出判別函數），當新樣品進入時，判斷其與判別函數之間的相似程度（概率最大，距離最近，離差最小等判別准則）。

常用判別方法：最大似然法，距離判別法，Fisher判別法，Bayes判別法，逐步判別法等。

注意事項：1. 判別分析的基本條件：分組類型在兩組以上，解釋變數必須是可測的；

2. 每個解釋變數不能是其它解釋變數的線性組合（比如出現多重共線性情況時，判別權重會出現問題）；

3. 各解釋變數之間服從多元正態分布（不符合時，可使用Logistic回歸替代），且各組解釋變數的協方差矩陣相等（各組協方方差矩陣有顯著差異時，判別函數不相同）。

相對而言，即使判別函數違反上述適用條件，也很穩健，對結果影響不大。

應用領域：對客戶進行信用預測，尋找潛在客戶（是否為消費者，公司是否成功，學生是否被錄用等等），臨床上用於鑒別診斷。

3、 主成分分析/ 因子分析

主成分分析基本原理：利用降維（線性變換)的思想，在損失很少信息的前提下把多個指標轉化為幾個綜合指標（主成分),即每個主成分都是原始變數的線性組合,且各個主成分之間互不相關,使得主成分比原始變數具有某些更優越的性能（主成分必須保留原始變數90%以上的信息），從而達到簡化系統結構，抓住問題實質的目的。

因子分析基本原理：利用降維的思想，由研究原始變數相關矩陣內部的依賴關系出發，把一些具有錯綜復雜關系的變數歸結為少數幾個綜合因子。（因子分析是主成分的推廣，相對於主成分分析，更傾向於描述原始變數之間的相關關系）

求解主成分的方法：從協方差陣出發（協方差陣已知），從相關陣出發（相關陣R已知）。

（實際研究中，總體協方差陣與相關陣是未知的，必須通過樣本數據來估計）

求解因子載荷的方法：主成分法，主軸因子法，極大似然法，最小二乘法，a因子提取法。

注意事項：1. 由協方差陣出發與由相關陣出發求解主成分所得結果不一致時，要恰當的選取某一種方法；

2. 對於度量單位或是取值范圍在同量級的數據，可直接求協方差陣；對於度量單位不同的指標或是取值范圍彼此差異非常大的指標，應考慮將數據標准化，再由協方差陣求主成分；

3.主成分分析不要求數據來源於正態分布；

4. 在選取初始變數進入分析時應該特別注意原始變數是否存在多重共線性的問題（最小特徵根接近於零，說明存在多重共線性問題）。

5. 因子分析中各個公共因子之間不相關，特殊因子之間不相關，公共因子和特殊因子之間不相關。

應用領域：解決共線性問題，評價問卷的結構效度，尋找變數間潛在的結構，內在結構證實。

4、對應分析/最優尺度分析

基本原理：利用降維的思想以達到簡化數據結構的目的，同時對數據表中的行與列進行處理，尋求以低維圖形表示數據表中行與列之間的關系。

對應分析：用於展示變數（兩個/多個分類）間的關系（變數的分類數較多時較佳）；

最優尺度分析：可同時分析多個變數間的關系，變數的類型可以是無序多分類，有序多分類或連續性變數，並 對多選題的分析提供了支持。

5、典型相關分析

基本原理：借用主成分分析降維的思想，分別對兩組變數提取主成分，且使從兩組變數提取的主成分之間的相關程度達到最大，而從同一組內部提取的各主成分之間互不相關。

⑶ 模糊聚類分析方法與聚類分析法有哪些優點

模糊聚類（FCM）是聚類分析方法中的一種，是模糊數學融入K-means，對其進行改進。一般的劃分演算法，如K-means，是把數據劃分到不相交的類中的。即每個數據通過計算最終都將屬於一個且唯一一個聚類。然而客觀世界中大量存在著界限並不分明的聚類問題。模糊聚類擴展了傳統聚類的思想。FCM考慮一個靠近兩個類邊界的對象，它離其中的一個稍微近一些，如果對每一個對象和每一個類賦予一個權值，指明該對象屬於該簇的程度(被稱為隸屬度)，通過使用隸屬，使得可以把每一個數據分配給所有的聚類，不同於傳統的聚類方法，模糊聚類的結果使得每個數據最終可能屬於多個聚類，每個數據對每個聚類分配一個隸屬度。聚類的結果可以表示為一個模糊矩陣。實際上，就顫滲笑是為提高聚類的分類效果的一種改進方法。
另外，聚類分析的優勢是通過樹立的角度對數據做智能劃分，免去人工劃分的痛苦。同時，一個對象由若干種不同茄含性質的屬性構成，通過聚類進行分類，為人喊塌們做決策提供參考。

⑷ 聚類分析法（CA）

3.2.3.1 技術原理

聚類分析又稱群分析（CA），它是研究（對樣品或指標）分類問題的一種多元統計方法。首先認為所研究的樣品或指標（變數）之間存在著程度不同的相似性（親疏關系），根據一批樣品的多個觀測指標具體找出一些能夠度量樣品或指標之間相似程度的統計量，以這些統計量為劃分類型的依據，把一些相似程度較大的樣品（或指標）聚合為一類，把另一些彼此之間相似程度較大的樣品（或指標）聚合為另一類，根據分類對象不同，可分為對樣品分類的Q型聚類分析和對指標分類的R型聚類分析兩種類型。聚類分析可用SPSS軟體直接實現，在水質時空變異、水化學類型分區中得到廣泛的應用。聚類分析的功能是建立一種分類方法，它將一批樣品或變數，按照它們在性質上的親疏、相似程度進行分類，聚類分析的內容十分豐富，按其聚類的方法可分為以下幾種：系統聚類法、調優法、最優分割法、模糊聚類法等。

聚類分析根據分類對象的不同又分為R型和Q型兩大類，R型是對變數（指標）進行分類，Q型是對樣品進行分類。為了對樣品（或變數）進行分類，就必須研究它們之間的關系，描述樣品間親疏相似程度的統計量很多，目前用得最多的是距離和相似系數。距離方法主要有：閔科夫斯基（Minkowski）距離、絕對值距離、歐氏距離等。

樣品間的親疏程度除了用距離描述外，也可用相似系數來表示，相似系數的構造主要有以下兩種方法：對於定量變數，我們通常採用的相似系數有x_i和x_j之間的夾角餘弦和相關系數。

3.2.3.2 方法流程

目前使用最多的聚類方法是系統聚類法，其基本思想是：先將n個樣品各自看成一類，共有n個類，然後計算類與類間的距離，選擇距離最小的兩類合並成一個新類，使總類數減少為n-1，接著再計算這n-1類兩兩間的距離，從中找出距離最近的兩類合並，總類數又減少一個，剩下n-2個類，照此下去，每合並一次，減少一類，直至所有樣品都合並成一類為止。在並類的過程當中，可以根據聚類的先後以及並類時兩類間的距離，畫出能直觀反映各樣品間相近和疏遠程度的聚類圖（也稱譜系圖），根據這張聚類圖有可能找到最合適的分類方案。系統聚類法的聚類原則決定於樣品間的距離（或相似系數）及類間距離的定義，類間距離的不同定義就產生了不同的系統聚類分析方法，類間距離的定義方法主要有最短距離法、最長距離法、中間距離法、重心法、類平均法。在合理地選定（或定義）樣品間的距離以後，再適當定義類間的距離，就確定了一種聚類規則，之後按照系統聚類法的一般步驟加以聚類（圖3.4）。

圖3.4 聚類分析技術流程圖

3.2.3.3 適用范圍

聚類分析能夠將變數及樣本按照相應的規則進行分類，在大樣本多參數數據降維方面具有相對的優勢，尤其是對於在時間、空間上具有復雜變化的數據，聚類分析能夠根據變數和樣本的相關性和相似性，將數據有效地劃分為不同的類別，並通過樹狀圖反映出樣品隨距離或變數間相似性變化的情況，為查清變數和樣品之間關系提供了依據，也為查明污染來源奠定了基礎。

⑸ 聚類分析的結果和意義

問題一：聚類分析的意義是什麼 科技名詞定義中文名稱：聚類分析 英文名稱：cluster *** ysis 定義1：按照某種距離演算法對數據點分類。 應用學科：地理學（一級學科）；數量地理學（二級學科） 定義2：把觀測或變數按一定規則分成組或類的數學分析方法。 應用學科：生態學（一級學科）；數學生態學（二級學工）
聚類分析指將物理或抽象對象的 *** 分組成為由類似的對象組成的多個類的分析過程。它是一種重要的人類行為。聚類分析的目標就是在相似的基礎上收集數據來分類。聚類源於很多領域，包括數學，計算機科學，統計學，生物學和經濟學。在不同的應用領域，很多聚類技術都得到了發展，這些技術方法被用作描述數據，衡量不同數據源間的相似性，以及把數據源分類到不同的簇中。

問題二：數據挖掘，聚類分析演算法研究的目的和意義是什麼！ 15分 圖像分割
基本原理：根據圖像的組成結構和應用需求將圖像劃分為若干個互不相交的子區域的過程。這些子區域四某種意義下具有共同屬性的像素的連通 *** 。常用方法有：
1） 以區域為對象進行分割，以相似性原則作為分割的依據，即可根據圖像的灰度、色彩、變換關系等方面的特徵相似來劃分圖像的子區域，並將各像素劃歸到相應氏蘆彎物體或區域的像素聚類方法，即區域法；
2） 以物體邊界為對象進行分割，通過直接確定區域間的邊界來實現分割；
3） 先檢測邊緣像素，再將邊緣像素連接起來構成邊界形成分割。
具體的閾值分割：
閾值分割方法分為殲悶以下3類:
1) 全局閾值:T=T[p(x,y)〕，即僅根據f(x,y)來選取閾值，閾值僅與各個圖像像素的本身性質有關。
2) 局部閾值:T=T[f(x,y),p(x,y)],閾值與圖像像素的本身性質和局部區域性質相關。
3) 動態閾值:T=T[x,y,f(x,y),p(x,y)],閾值與像素坐標，圖像像素的本身性質和局部區域性質相關。
全局閾值對整幅圖像僅設置一個分割閾值，通常在圖像不太復雜、灰度分布較集中的情況下採用;局部閾值則將圖像劃分為若干個子圖像，並對每個子圖像設定局部閾值;動態閾值是根據空間信息和灰度信息確定。局部閾值分割法雖然能改善分割效果，但存在幾嘩喚個缺點:
1) 每幅子圖像的尺寸不能太小，否則統計出的結果無意義。
2) 每幅圖像的分割是任意的，如果有一幅子圖像正好落在目標區域或背景區域，而根據統計結果對其進行分割，也許會產生更差的結果。
3) 局部閾值法對每一幅子圖像都要進行統計，速度慢，難以適應實時性的要求。
全局閾值分割方法在圖像處理中應用比較多，它在整幅圖像內採用固定的閾值分割圖像。考慮到全局閾值分割方法應用的廣泛性，本文所著重討論的就是全局閾值分割方法中的直方圖雙峰法和基於遺傳演算法的最大類間方差法。在本節中，將重點討論灰度直方圖雙峰法，最大類間方差法以及基於遺傳演算法的最大類間方差法留待下章做繼續深入地討論。
參詳《數字圖像處理》工具：MATLAB或VC++

問題三：聚類分析方法有什麼好處 5分 聚類分析：將個體（樣品）或者對象（變數）按相似程度（距離遠近）劃分類別，使得同一類中的元素之間的相似性比其他類的元素的相似性更強。目的在於使類間元素的同質性最大化和類與類間元素的異質性最大化。其主要依據是聚到同一個數據集中的樣本應該彼此相似，而屬於不同組的樣本應該足夠不相似。
常用聚類方法：系統聚類法，K-均值法，模糊聚類法，有序樣品的聚類，分解法，加入法。
注意事項：
1. 系統聚類法可對變數或者記錄進行分類，K-均值法只能對記錄進行分類；
2. K-均值法要求分析人員事先知道樣品分為多少類；
3. 對變數的多元正態性，方差齊性等要求較高。
應用領域：細分市場，消費行為劃分，設計抽樣方案等
優點：聚類分析模型的優點就是直觀，結論形式簡明。
缺點：在樣本量較大時，要獲得聚類結論有一定困難。由於相似系數是根據被試的反映來建立反映琺試間內在聯系的指標，而實踐中有時盡管從被試反映所得出的數據中發現他們之間有緊密的關系，但事物之間卻無任何內在聯系，此時，如果根據距離或相似系數得出聚類分析的結果，顯然是不適當的，但是，聚類分析模型本身卻無法識別這類錯誤。

問題四：聚類分析的結果分成幾類，但是這幾類有什麼關系呢,這幾類有什麼含義。 5分 這個要看你是面對什麼問題了，如：用聚類做財務舞弊，則會有以下幾類：正常財務報表、虛增利潤舞弊財務報表、關聯交易財務舞弊報表等

問題五：SPSS新手求問聚類分析 聚類分析主要作用是把一些數據分成未知的幾類這樣理解對嗎？ 系統聚類的 建議買本spss的教程，可以更加系統的學習。要是寫論文的話， 可以幫忙數據 he 分析。

問題六：主成分分析法和聚類分析法的區別

問題七：如何評價spss系統聚類分析結果？ 用方差分析來判定聚類結果好壞，類與類之間是否差異性顯著，呵呵~~

問題八：聚類分析主要解決什麼類型的實際問題 主要解決實現不知道類別標簽的樣本集的分類問題.聚類其實也是實現分類的功能.聚類和分類的區別：分類是用知道類別標簽的樣本集去訓練一個分類器,然後用該分類器對其他未知類別的樣本進行歸類,由於訓練分類器用到了知道類別的樣本,所以屬於有導師學習；聚類是完全不知道各個樣本的類別,按照一定的聚類度量准則直接進行聚類,所以屬於無導師的學習.
聚類可以用在圖像處理,模式識別,客戶信息分析,金融分析,醫學等很多領域.用模糊聚類進行圖像分割就是一個非常典型的應

⑹ 聚類分析優缺點

優缺點如下：

1、優點

k-平均演算法是解決聚類問題的一種經典演算法，演算法簡單、快速。

對處理大數據集，該演算法是相對可伸縮的改悔和高效率的，因為它的復雜度大約是O(nkt) O(nkt)O(nkt)，其中n是所有對象的數目，k是簇的數目，t是迭代的次數。通常k<<n。這個演算法經常以局部最優結束。

演算法嘗試找出使平方誤差函數值最小的k個劃分。當簇是密集的、球狀或團狀的，而簇與簇之間區別明顯時，它的聚類效果很好。

2、缺點

對K值敏感。也就是說，K的選擇會較大程度上影響分類效果。在聚類之前，我們需要預先設定K的大小，但是我們很難確定分成幾類是最佳的，比如上面的數據集中，顯然分為2類，即K = 2最好，但是當數據量很大時，我們預先無法判斷。

對離群點和雜訊點敏感。如果在上述數據集中添加一個噪音點，這個噪音點獨立成一個類。很顯然，如果K=2,其餘點是一類，噪音點自成一類，原本可以區分出來的點被噪音點影響，成為了一類了。如果K=3，噪音點也是自成一類，剩下的數據分成兩類。這說明噪音點會極大的影響其他點的分類。

聚類分析特點

聚類分析的實質：是建立一種分類方法，它能夠將一批樣本數據按照他們在性質上的親密程度在沒有先驗知識敏殲頌的情況下自動進行分類。這里所說的類就是一個具有相似性的個體的集合，不同類之間具有明顯的區別。

層次聚類分析是根據觀察值或變數之間的親疏程度，將最相似的對象結合在 一起，以逐次聚合的方式（Agglomerative Clustering），它將觀察值分類，直到最後所有樣本都聚成一類。

層次聚類分析有兩種形式，一種是對樣本（個案）進行分類，稱為Q型聚類；另一種是對研究對象的觀察變橋鄭量進行分類，稱為R型聚類。

⑺ 二階聚類分析缺點有哪些

二階聚類分析缺點有哪些，二賀兄階聚類，自動程度高，可同時分析分類與連續變數，但容易受到分類變數的影響。

K均值聚類、分層聚類、二階聚類這三種SPSS的聚類方法各具優點與缺點。

K均值聚類塵此簡單快速，但無法分析分類變數、容易派拍迅受異常值影響；系統聚類，可對個案與變數聚類，可對連續與分類變數聚類，但依靠譜系圖分析，當數據量大時，分析速度慢

⑻ 如何判斷聚類分析結構的優劣

需要搜集用戶的哪些特徵？聚類分析變數選擇的原則是：在哪些變數組合的前提，使得類別內部的差異盡可能的小，即同質性高，類別間的差異盡可能的大，即同質性低，並且變數之間不能存在高度相關。常用的用戶特徵變數有：①
人口學變數：如年齡、性別、婚姻、教育程度、職業、收入等。通過人口學變數進行分類，了解每類人口的需求有何差異。②
用戶目標：如用戶為什麼使用這個產品？為什麼選擇線上購買？了解不同使用目的的用戶的各自特徵，從而查看各類目標用戶的需求。③
用戶使用場景：用戶在什麼時候，什麼情況下使用這個產品？了解用戶在各類場景下的偏好/行為差異。④
用戶行為數據：如使用頻率，使用時長，客單價等。劃分用戶活躍等級，用戶價值等級等。⑤
態度傾向量表：如消費偏好，價值觀等，看不同價值觀、不同生活方式的群體在消費取向或行為上的差異。需要多少樣本量？沒有限制，通常情況下與實際應用有關，如果非要加一個理論的限制，通常認為，樣本的個數要大於聚類個數的平方。①如果需要聚類的數據量較少（lt;100），那麼三種方法(層次聚類法，K-均值聚類法，兩步聚類法)都可以考慮使用。優先考慮層次聚類法，因為層次聚類法產生的樹狀圖更加直觀形象，易於解釋，並且，層次聚類法提供方法、距離計算方式、標准化方式的豐富程度也是其他兩種方法所無法比擬的。②如果需要聚類的數據量較大（;1000），應該考慮選擇快速聚類別法或者兩步聚類法進行。③如果數據量在100～1000之間，理論上現在的計算條件是可能滿足任何聚類方法的要求的，但是結果的展示會比較困難，例如不可能再去直接觀察樹狀圖了。應用定量方法還是定性方法？聚類分析是一種定量分析方法，但對聚類分析結果的解釋還需要結合定性資料討論。1.聚類分析的定義與用途聚類分析（Cluster Analysis）是一種探索性的數據分析方法，根據指標/變數的數據結構特徵，對數據進行分類，使得類別內部的差異盡可能的小，即同質性高，類別間的差異盡可能的大，即同質性低。2.聚類分析的方法①層次聚類法（Hierarchical），也叫系統聚類法。既可處理分類變數，也可處理連續變數，但不能同時處理兩種變數類型，不需要指定類別數。聚類結果間存在著嵌套，或者說層次的關系。②K-均值聚類法（K-Means Cluster），也叫快速聚類法。針對連續變數，也可處理有序分類變數，運算很快，但需要指定類別數。K-均值聚類法不會自動對數據進行標准化處理，需要先自己手動進行標准化分析。③兩步聚類法（Two-Step Cluster）：可以同時處理分類變數和連續變數，能自動識別最佳的類別數，結果比較穩定。如果只對連續變數進行聚類，描述記錄之間的距離性時可以使用歐氏（Euclidean）距離，也可以使用對數似然值（Log-likelihood），如果使用前者，則該方法和傳統的聚類方法並無太大區別；但是若進行聚類的還有離散變數，那麼就只能使用對數似然值來表述記錄間的差異性。當聚類指標為有序類別變數時，Two-Step Cluster出來的分類結果沒有K-means cluster的明晰，這是因為K-means演算法假定聚類指標變數為連續變數。3.聚類分析的步驟①確定研究目的：研究問題關注點有哪些、是否有先驗分類數…②問卷編制：態度語句李克特項目、有序類別…③確定分析變數：問卷變數的類型，連續or分類，有序類別or無序類別、是否納入後台數據，變數間相關性低…④聚類分析：聚類分析方法選擇、數據標准化方法、聚類類別數確定…⑤結果檢驗：類別間差異分析、是否符合常理…⑥聚類結果解釋：類別的命名、類別間的差異、結合定性資料解釋…

⑼ 果蠅聚類分析優缺點

優點：1、直觀、容易了解。
2、資料的有效利用。
3、容易棚冊檢驗與更新。
4、可以適用於各種研究范圍。缺點拍核：1、每一橫向分類的小格中，住戶彼此之間的差異性被忽略。
2、因各小格樣本數的不同，得到的出行率用於預測時，會失去其一致的精確性。
3、同一類變數類別等級的確定是憑個人主觀，失之客觀
4、當本方法用於預測時，每一小格規劃年的資料鏈賀宏預測將是一項繁雜工作。