下载文档原格式
SPSS聚类分析实验报告一、实验目的本实验旨在通过SPSS软件对样本数据进行聚类分析，找出样本数据中的相似性，并将样本划分为不同的群体。
二、实验步骤1.数据准备：在SPSS软件中导入样本数据，并对数据进行处理，包括数据清洗、异常值处理等。
2.聚类分析设置：在SPSS软件中选择聚类分析方法，并设置分析参数，如距离度量方法、聚类方法、群体数量等。
3.聚类分析结果：根据分析结果，对样本数据进行聚类，并生成聚类结果。
4.结果解释：分析聚类结果，确定每个群体的特征，观察不同群体之间的差异性。
三、实验数据本实验使用了一个包含1000个样本的数据集，每个样本包含了5个变量，分别为年龄、性别、收入、教育水平和消费偏好。
下表展示了部分样本数据：样本编号，年龄，性别，收入，教育水平，消费偏好---------，------，------，------，---------，---------1，30，男，5000，大专，电子产品2，25，女，3000，本科，服装鞋包3，35，男，7000，硕士，食品饮料...，...，...，...，...，...四、实验结果1. 聚类分析设置：在SPSS软件中，我们选择了K-means聚类方法，并设置群体数量为3，距离度量方法为欧氏距离。
2.聚类结果：经过聚类分析后，我们将样本分为了3个群体，分别为群体1、群体2和群体3、每个群体的特征如下：-群体1：年龄偏年轻，女性居多，收入较低，教育水平集中在本科，消费偏好为服装鞋包。
-群体2：年龄跨度较大，男女比例均衡，收入中等，教育水平较高，消费偏好为电子产品。
-群体3：年龄偏高，男性居多，收入较高，教育水平较高，消费偏好为食品饮料。
3.结果解释：根据聚类结果，我们可以看到不同群体之间的差异性较大，每个群体都有明显的特征。
这些结果可以帮助企业更好地了解不同群体的消费习惯，为市场营销活动提供参考。
五、实验结论通过本次实验，我们成功地对样本数据进行了聚类分析，并得出了3个不同的群体。
1.1 系统聚类本次实验的系统聚类都是凝聚系统聚类，为了控制变量，都采用平方Euclidean距离。
1.1.1 最短距离聚类法最短距离法聚类步骤如下：1.规定样本间的距离，计算样本两两之间的距离，得到对称矩阵。
开始每个样品自成一类。
2.选择对称矩阵中的最小非零元素。
将两个样品之间最小距离记为D1，将这两个样品归并成为一类，记为G1。
3.计算G1与其他样品距离。
重复以上过程直到所有样品合并为一类。
我们在SPSS中实现最短距离分析非常简单。
单击“”-->“”-->“”。
将弹出如图1-1所示的对话框，设置相应的参数即可。
图1-1 最短距离法我们的数据已经做过标准化，在“转化值”-->“标准化”选项上选无。
在统计量的聚类成员中选择“无”，因为这是非监督分类，不需要指定最终分出的类个数。
在绘制中选择绘制“树状图”。
单击确定，得到以下结果。
聚类表阶群集组合系数首次出现阶群集下一阶群集1 群集 2 群集 1 群集 21 21 28 .211 0 0 102 12 24 .465 0 0 63 2 27 .491 0 0 54 13 20 .585 0 0 95 2 14 .645 3 0 66 2 12 .678 5 2 77 2 7 .702 6 0 88 2 25 .773 7 0 99 2 13 .916 8 4 1110 21 29 1.085 1 0 1211 2 18 1.106 9 0 12表1-2 聚类过程我们可以通过更加形象直观的树状图来观察整个聚类过程和聚类效果。
如图1-2所示，最短距离法组内距离小，但组间距离也较小。
分类特征不够明显，无法凸显各个省份的能源消耗的特点。
但是我们可以看到广东省能源消耗组成和其他省份特别不同，在其他方法中也显现出来。
12 2 21 1.115 11 10 13 13 2 17 1.360 12 0 14 14 2 26 1.564 13 0 15 15 2 22 1.627 14 0 16 16 2 5 1.649 15 0 17 17 2 8 1.877 16 0 18 18 2 16 3.027 17 0 19 19 2 30 3.543 18 0 20 20 2 11 4.930 19 0 21 21 2 4 5.024 20 0 22 22 2 10 6.445 21 0 24 23 1 9 8.262 0 0 26 24 2 15 10.093 22 0 25 25 2 23 10.096 24 0 26 26 1 2 10.189 23 25 27 27 1 6 11.387 26 0 28 28 1 3 13.153 27 0 29 2911932.36728图1-2 最短距离法聚类图1.1.2 组间联接聚类组间联接聚类法定义为两类之间的平均平方距离，即。
第十一章数据的聚类分析化处理。
五、聚类分析的应用聚类分析在企业经营管理中的应用主要表现在以下几方面。
（1）细分市场。
可以根据顾客购买产品时追求的利益对顾客进行细分，使每个类别的顾客都是由追求利益相似的人组成，从而了解各个细分市场的特点，实施目标市场营销。
（2）研究顾客行为。
通过聚类分析确定同质的顾客群体，分别研究不同顾客群体的购买行为差异，并有针对性地实施不同的营销策略。
（3）研究市场竞争。
通过对产品和品牌的聚类，可以识别市场中相互竞争的产品和品牌。
往往同类型品牌之间比不同类型品牌之间的竞争更加激烈，企业通过自身产品与竞争产品的分析比较，以便有效地捕捉市场机会。
（4）选择试销市场。
通过将城市分为同质的组，选择可比的城市对不同营销策略进行市场测试的反应。
（5）压缩数据。
聚类分析是一种通用的数据压缩技术，可用来生成比单个观测值更容易识别的数据类别。
例如，为了描述顾客对产品使用方面的差异，可以先用聚类分析将顾客进行分组，然后用判别分析研究不同组别之间的差异。
调研实例11-1产品的类同感[4]449不同国家的消费者对不同品类中的品牌是如何认知的？出人意料的是，产品认知的类同率相当高。
产品类同指的是消费者觉得同一品类中的不同品牌彼此相似。
BBDO的最新研究显示，在28个国家调查的消费者中有2/3的人认为13个产品类别中的品牌是美国的。
调查的产品类别涵盖从航空公司到信用卡，再到咖啡。
所有国家全部品类总感知类同率为63%；日本最高，达99%；哥伦比亚最低，仅28%。
从品类来看，信用卡的感知类同率最高，为76%；香烟最低，为52%。
BBDO根据感知类同率对国家进行了聚类，得到了类同感水平和模式相似的群组。
最高的类同感数字来自法国和亚洲（83%），后者包括澳大利亚、日本、马来西亚和韩国。
法国属于这一组并不奇怪，因为法国的多数产品采用感觉导向的视觉性广告。
另一群是受美国影响的市场（65%），包括奥地利、比利时、丹麦、意大利、荷兰、南非、西班牙、英国和德国。
IBM SPSS Modeler 实验一、聚类分析在数据挖掘中，聚类分析关注的内容是一些相似的对象按照不同种类的度量构造成的群体。
聚类分析的目标就是在相似的基础上对数据进行分类。
IBM SPSS Modeler提供了多种聚类分析模型，其中主要包括两种聚类分析，K-Mean 聚类分析和Kohonen聚类分析，下面对各种聚类分析实验步骤进行详解。
1、K-Means聚类分析实验首先进行K-Means聚类实验。
（1）启动SPSS Modeler 14.2。
选择“开始”→“程序”→“IBM SPSS Modeler 14.2”→“IBM SPSS Modeler 14.2”，即可启动SPSS Modeler程序，如图1所示。
图1 启动SPSS Modeler程序（2）打开数据文件。
首先选择窗口底部节点选项板中的“源”选项卡，再点击“可变文件”节点，单击工作区的合适位置，即可将“可变文件”的源添加到流中，如图2所示。
右键单击工作区的“可变文件”，选择“编辑”，打开如图3的编辑窗口，其中有许多选项可供选择，此处均选择默认设定。
点击“文件”右侧的“”按钮，弹出文件选择对话框，选择安装路径下“Demos”文件夹中的“DRUG1n”文件，点击“打开”，如图4所示。
单击“应用”，并点击“确定”按钮关闭编辑窗口。
图2 工作区中的“可变文件”节点图3 “可变文件”节点编辑窗口图4 文件选择对话框图5 工作区中的“表”节点（3）借助“表（Table）”节点查看数据。
选中工作区的“DRUG1n”节点，并双击“输出”选项卡中的“表”节点，则“表”节点出现在工作区中，如图5所示。
运行“表”节点（Ctrl+E或者右键运行），可以看到图6中有关病人用药的数据记录。
该数据包含7个字段（序列、年龄(Age)、性别(Sex)、血压(BP)、胆固醇含量(Cholesterol)、钠含量(Na)、钾含量(K)、药类含量(Drug)），共200条信息记录。
