下载文档原格式
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。
第8章聚类分析在自然与社会科学研究中，存在着大量分类研究的问题，如病虫害种群消长演替规律的研究中，需要从生态系统出发，构造其数量、时间和空间关系的分类模式，以此来研究病虫害的发生规律。
聚类分析就是其分类研究的方法之一。
聚类分析是根据事物本身的特性研究个体分类的方法。
聚类分析的原则是同一类中的个体有较大的相似性，不同类中的个体差异很大。
根据分类对象的不同可分为样品聚类和变量聚类。
１）样品聚类 样品聚类在统计学中又称为Ｑ型聚类。
用ＳＰＳＳ的术语来说就是对事件（Ｃａｓｅｓ）进行聚类，或是说对观测量进行聚类。
是根据被观测的对象的各种特征，即反映被观测对象的特征的各变量值进行分类。
２）变量聚类 变量聚类在统计学又称为Ｒ型聚类。
反映同一事物特点的变量有很多，我们往往根据所研究的问题选择部分变量对事物的某一方面进行研究。
由于人类对客观事物的认识是有限的，往往难以找出彼此独立的有代表性的变量，而影响对问题的进一步认识和研究。
例如在回归分析中，由于自变量的共线性导致偏回归系数不能真正反映自变量对因变量的影响等。
因此往往先要进行变量聚类，找出彼此独立且有代表性的自变量，而又不丢失大部分信息。
8.1快速聚类过程（K-Means Cluster ） 调用此过程可完成由用户指定类别数的大样本资料的逐步聚类分析。
所谓逐步聚类分析就是先把被聚对象进行初始分类，然后逐步调整，得到最终分类。
[例子8-1]根据1962年至1988年积累的三化螟有关资料进行聚类分析，研究三化螟种群消长规律。
数据见表8-1，其中发生期是指卵盛孵高峰期（2代以5月31日和3代7月20日为零计算天数），F2-F3为2代至3代的增殖系数，F3-F4为3代至4代的增殖系数。
对幼虫发生量和发生期数据进行快速聚类，分析各年的发生程度。
109表8-1幼虫发生量发生期增殖系数年份第2代第3代第2代第3代F2-F3 F3-F4 1962 344 3333 29 9 9.69 1.911963 121 1497 27 19 12.37 1.341964 187 1813 32 18 9.70 1.061965 500 4000 34 14 8.00 1.821966 441 3750 36 14 8.50 1.871967 404 4600 33 16 11.39 1.521968 328 986 35 18 3.01 1.261969 806 1790 32 15 2.22 2.141970 730 1970 36 20 2.70 2.641971 263 333 29 15 1.27 1.071972 486 600 32 19 1.23 1.471973 248 585 33 20 2.36 1.081974 2100 2700 22 14 1.28 1.331975 333 287 38 19 .86 .701976 90 77 40 24 .86 1.871977 19 25 40 27 1.32 2.881978 230 2525 39 20 10.96 .551979 1392 1041 33 18 .75 4.171980 308 41 31 28 .13 3.341981 415 916 36 18 2.21 1.091982 34 401 38 29 11.79 .991983 267 803 37 26 3.01 .091984 1043 3500 39 26 3.36 .071985 2243 7452 31 20 3.32 .121986 236 599 35 26 2.54 .001987 558 1061 33 24 1.90 .001988 162 2817 34 21 2.64 .008.1.1 操作方法1）数据准备在数据管理窗口，定义变量名：年份、幼虫２、幼虫３、发生期２、发生期３、增殖２３、增殖３４，分别代表年份、第２代幼虫发生量、第３代幼虫发生量、第２代发生期、第３代发生期、Ｆ２－Ｆ３增殖系数、Ｆ３－Ｆ４增殖系数。
SPSS聚类分析过程聚类的主要过程一般可分为如下四个步骤：1.数据预处理（标准化）2.构造关系矩阵（亲疏关系的描述）3.聚类（根据不同方法进行分类）4.确定最佳分类（类别数）SPSS软件聚类步骤1. 数据预处理（标准化）→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择从Transform Values框中点击向下箭头，此为标准化方法，将出现如下可选项，从中选一即可：标准化方法解释：None：不进行标准化，这是系统默认值；Z Scores：标准化变换；Range –1 to 1：极差标准化变换（作用：变换后的数据均值为0，极差为1，且|x ij*|<1，消去了量纲的影响；在以后的分析计算中可以减少误差的产生。
）；Range 0 to 1（极差正规化变换/ 规格化变换）；2. 构造关系矩阵在SPSS中如何选择测度（相似性统计量）:→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择常用测度（选项说明）：Euclidean distance：欧氏距离（二阶Minkowski距离），用途：聚类分析中用得最广泛的距离；Squared Eucidean distance：平方欧氏距离；Cosine：夹角余弦(相似性测度；Pearson correlation：皮尔逊相关系数；3. 选择聚类方法SPSS中如何选择系统聚类法常用系统聚类方法a）Between-groups linkage 组间平均距离连接法方法简述：合并两类的结果使所有的两两项对之间的平均距离最小。
（项对的两成员分属不同类）特点：非最大距离，也非最小距离b）Within-groups linkage 组内平均连接法方法简述：两类合并为一类后，合并后的类中所有项之间的平均距离最小C）Nearest neighbor 最近邻法（最短距离法）方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法d）Furthest neighbor 最远邻法（最长距离法）方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法e）Centroid clustering 重心聚类法方法简述：两类间的距离定义为两类重心之间的距离，对样品分类而言，每一类中心就是属于该类样品的均值特点：该距离随聚类地进行不断缩小。
SPSS聚类分析过程
聚类的主要过程一般可分为如下四个步骤：
1.数据预处理（标准化）
2.构造关系矩阵（亲疏关系的描述）
3.聚类（根据不同方法进行分类）
4.确定最佳分类（类别数）
SPSS软件聚类步骤
1. 数据预处理（标准化）
→Analyze(分析) →Classify (分类，归类)→Hierachical Cluster Analysis（层序聚类分析）→Method（方法，条理，）然后从对话框中进行如下选择
从Transform Values框中点击向下箭头，此为标准化方法，将出现如下可选项，从中选一即可：
标准化方法解释：None：不进行标准化，这是系统默认值；Z Scores（Z-Scores, 英文名又叫Standardized Population Data, 是以标准差单位来表现的一组观察值）：标准化变换；Range –1 to 1：极差标准化变换（作用：变换后的数据均值为0，极差为1，且|x ij*|<1，消去了量纲的影响；在以后的分析计算中可以减少误差的产生。
）；Range 0 to 1（极差正规化变换 / 规格化变换）；
2. 构造关系矩阵
在SPSS中如何选择测度（相似性统计量）:
→Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择
常用测度（选项说明）：Euclidean distance：欧氏距离（二阶Minkowski距离），用途：聚类分析中用得最广泛的距离；Squared Eucidean distance：平方欧氏距离；Cosine：夹角余弦(相似性测度；Pearson correlation：皮尔逊相关系数；
3. 选择聚类方法
SPSS中如何选择系统聚类法
常用系统聚类方法
a）Between-groups linkage 组间平均距离连接法
方法简述：合并两类的结果使所有的两两项对之间的平均距离最小。
（项对的两成员分属不同类）特点：非最大距离，也非最小距离
b）Within-groups linkage 组内平均连接法
方法简述：两类合并为一类后，合并后的类中所有项之间的平均距离最小
C）Nearest neighbor 最近邻法（最短距离法）
方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法
d）Furthest neighbor 最远邻法（最长距离法）
方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法
e）Centroid clustering 重心聚类法
方法简述：两类间的距离定义为两类重心之间的距离，对样品分类而言，每一类中心就是属于该类样品的均值
特点：该距离随聚类地进行不断缩小。
该法的谱系树状图很难跟踪，且符号改变频繁，计算较烦。
f）Median clustering 中位数法
方法简述：两类间的距离既不采用两类间的最近距离，也不采用最远距离，而采用介于两者间的距离
特点：图形将出现递转，谱系树状图很难跟踪，因而这个方法几乎不被人们采用。
g）Ward’s method 离差平方和法
方法简述：基于方差分析思想，如果分类合理，则同类样品间离差平方和应当较小，类与类
间离差平方和应当较大
特点：实际应用中分类效果较好，应用较广；要求样品间的距离必须是欧氏距离。
谱系分类的确定
经过系统聚类法处理后，得到聚类树状谱系图，Demirmen(1972)提出了应根据研究的目的来确定适当的分类方法，并提出了一些根据谱系图来分类的准则：
A.任何类都必须在临近各类中是突出的，即各类重心间距离必须极大
B.确定的类中，各类所包含的元素都不要过分地多
C.分类的数目必须符合实用目的
D.若采用几种不同的聚类方法处理，则在各自的聚类图中应发现相同的类
实例分析
SPSS19.0分析软件聚类分析
4.2聚类分析——系统聚类法
在数据编辑窗口的主菜单中选择“分析(A)”→“分类(F)”→“系统聚类(H)”（如图-4所示），
弹出“系统聚类分析”对话框，将“地区”变量选入“标注个案(C)”中，将其他变量选入“变量框”中，如图-5所示。
在“分群”单选框中选中“个案”，表示进行的是Q型聚类。
在“输出”复选框中选中“统计量”和“图”，表示要输出的结果包含以上两项。
单击“统计量(S)”按钮，在“系统聚类分析：统计量”对话框中选择“合并进程表”、“相似性矩阵”，如图-6所示，表示输出结果将包括这两项内容。
单击“绘制(T)”按钮，在“系统聚类分析：图”对话框中选择“树状图”、“冰柱”，如图-7所示，表示输出的结果将包括谱系聚类图（树状）以及冰柱图（垂直）。
单击“方法(M)”按钮，弹出“系统聚类分析：方法”对话框，如下图-8所示。
“聚类方法(M)”选项条中可选项包括如图-9所示的几种方法，本例中选择“组间联接”：
“度量标准-区间(N)”选项条中可选项包括如图-10所示的几种度量方法，本例中选择“平方Euclidean距离”：
“转换值-标准化(S)”选项条中可选项包括如图-11所示的几种将原始数据标准化的方法，本
例中选择“全局从0到1”：
冰柱图解释
聚类分析冰柱图形状类似于屋檐上垂下的冰柱，因此而得名。
横轴：案例（Case）表示被聚类的对象或变量；
纵轴：群集数（Number of clusters）表示被聚成几类；
观察冰柱图应从最后一行开始。
举例如下：
当聚成6类时X4和X8和X6聚成一类，其他个案自成一类，用白板将6类一下挡上可以看出如图；
当聚成5类时X4和X8和X6和X2聚成一类，其他个案自成一类。
冰柱图的优点是不仅可以显示出不同类数时个案所属的分类结果，还能表现出聚类的过程步骤，生动形象；缺点是不能表现出聚类过程中距离的大小。
若生成的树状图如下，看不清楚。
可点击右键导出文件，生成word文件，然后可以看出聚类过程。
导出的word文档中聚类过程如下：
可看出聚类过程为如下表所示：
分类过程统计表。
