标签：变量 教你用 均值 花瓣 SPSSAU 聚类 鸢尾花 聚类分析
1.案例数据探索
案例采用著名的鸢尾花iris数据集，按鸢尾花的三个类别（刚毛，变色，佛吉尼亚），每一类50株，共测得150株鸢尾花的花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性数据。
1.1 浏览数据与变量
数据上传SPSSAU后，在 “我的数据”中查看浏览一下原始数据，前10行数据如下：
图1 “我的数据”查看浏览数据集
花瓣、花萼长宽为连续型变量，已知的鸢尾花分类数据是类别型变量。
1.2 箱线图观察数据分布
现在我们用已知的鸢尾花分类变量作为组别，来分别看一下不同类型鸢尾花群体在花瓣、花萼长宽属性上的分布情况。数据分布的探查，我们考虑用SPSSAU绘制箱线图或提琴图。
图2 箱线图绘制操作
在“可视化”栏目下选择箱线图，花瓣、花萼长宽4个变量拖拽【定量分析项】框，分类变量拖至【分组】框，点“开始分析”按钮。SPSSAU会给出每个定量指标的分组箱线图，也会给出整合后的“簇状”箱线图，4个属性的数据均在0-100内变化，所以放在同一个坐标系下仍具有可读性且信息量丰富。
图3 SPSSAU箱线图
如上图所示，刚毛鸢尾花在花瓣宽、花瓣长两个属性数据的分布上与另外两个类别差异较为明显，具体表现为刚毛鸢尾花在花瓣长、宽数据上是都是最小的，刚毛鸢尾花的花瓣面积小这个特征较明显。此外，佛吉尼亚鸢尾花似乎有更长的花萼和花瓣。
2.K均值聚类详解
2.1 分析目的与方法选择
换一个角度看待这组数据，假设这150株鸢尾花是你刚刚采集到的数据，而且你并不知道每一株花是三种中的哪一个类型，现在我们希望采取某种分类的统计学方法，来对这150株花进行分类预测。
K均值聚类是一个不错的选择，它适合样本量较大的数据集，依据连续型数据对个案进行聚类过程。在开始聚类之前，K均值算法希望我们能提供一个K值，即聚类的类的个数。对于鸢尾花数据来说，我们已知它有刚毛、变色、佛吉尼亚三个类型，因此K均值的聚类个数K值是明确的。
2.2 SPSSAU聚类操作
在“进阶方法”栏目下，选择“聚类”，花瓣、花萼长宽这4个连续型变量拖拽至【定量分析项】框内，作为K均值聚类的依据。鸢尾花已知有3个类型，因此K值=3，SPSSAU聚类个数默认即为3类，默认即可。
对于聚类过程，不同指标单位量纲有区别，因此建议做标准化处理，默认勾选【标准化】。同时，我们希望聚类结束后，能将聚类的类变量作为结果保存下来，因此默认勾选【保存类别】。
图4 聚类分析操作
如上操作，可见SPSSAU做K均值聚类整个参数选项的设定过程极为简要明了，只需要有一点统计基础即可操作。
2.3 K均值聚类通俗理解
关于K均值聚类的K值，并不一定必须已知，我们可以采取遍历的形式，譬如说在3-6类之间进行遍历，即依次选择聚为3类、4类、5类、6类，然后对聚类结果进行比较，选择最佳结果即可。就聚类分析而言，通常情况下，建议用户设置聚类数量介于2~6个之间，不宜过多。
指定K值后，算法会从数据集中随机化选择一个个案的数据作为初始聚类中心，即K个类的中心点坐标。随后计算其他个案所代表的点与初始聚类中心点的距离，并按距离远近进行分配，每完成一次分配，聚类中心都将重新计算，因此聚类中心处于变化中，这个过程不断重复，直到聚类中心点不再变化为止，此时距离数据产生的误差平方和SSE应为最小。
K均值的聚类过程，全部会有SPSSAU计算完成。我们了解基础后，直接来读取它输出的结果即可。
3.K均值聚类结果解读
3.1 类的规模
首先来看聚类后各类的规模，本例即看三类中各类群体包含的鸢尾花株数。
图5 类规模三线表
如上表所示，cluster1包含56株、cluster2包含44株、cluster3包含50株，个案比例依次为37.3%、29.3%和33.3%。
该数据集已知每类含同类鸢尾花50株，现在K均值聚类结果仅有cluster3含50株，其他两类的规模与50株有微小差异，初步看聚类的准确率还是不错的。
SPSSAU还为类规模表配置了一个饼图进行可视化展示，如下：
图6 SPSSAU饼图
3.2 聚类中心与SSE
前面我们通俗介绍了K均值的聚类过程，提到初始聚类中心，在迭代过程中最后会成为最终聚类中心点，这个结果SPSSAU也为大家提供了。见下表。
图7 初始聚类中心与最终聚类中心
表格中的属性数据是标准化后的数据，如果我们想使用最终聚类中心的话，需要转换为原始数据。对我们来说，比较重要的是该表下方备注的误差平方和SSE值，如果我们采取的是遍历聚类结果的方案，那么方案之间孰优孰劣，可以比较SSE的大小，更小的SSE表明聚类效果更佳。
3.3 类的特征与命名
现在我们思考一个问题，前面用于聚类的4个属性，即花瓣、花萼长宽数据，对于当前的K均值聚类结果来说，3个不同类之间花瓣、花萼长宽是否存在差异呢？或者说，各类在4个属性上有何特征？如果给每个类起个名字，我们的依据是什么？
图8 聚类结果方差分析三线表
为了探索出各个类别的具体特征，因而使用方差分析去研究各个类别群体的差异性，最终可结合各个类别特征进行类别命名。
上表即方差分析表，由此可知：聚类类别群体对于所有参与聚类的指标变量均呈现出显著性(p<0.05)，意味着聚类分析得到的3类群体，他们在研究项上的特征具有明显的差异性，具体差异性可通过平均值进行对比，并且最终结合实际情况，对聚类类别进行命名处理。
根据方差分析表中各类在4个属性上的均值表现，结合前面我们用箱线图对已知三种鸢尾花特征的探查，初步命名cluster3为刚毛鸢尾花类，cluster2为佛吉尼亚鸢尾花类，而cluster1为变色鸢尾花类。
SPSSAU生成的这个方差分析表格，界面是极其友好的，直接就是一个三线表外观，并且用均值±标准差的形式展示数据状况，并配方差分析F统计量、P值，而且还用*符号做标记。
该表基本符合学术要求，如果我们是写学术科研论文，那么此表稍作编辑即可放入论文中。
3.4 聚类结果的可视化展示
字不如表，表不如图，有没有可能用某种可视化图形来展示聚类结果呢？不着急，我们继续来解读SPSSAU输出的结果。
图9 聚类指标变量重要性排序
上方条形图，对参与聚类的4个属性变量，根据对聚类结果的贡献进行重要性排序。花瓣长、花瓣宽依次排名第一、第二。我们将花瓣长、花瓣宽选为最重要的两个聚类变量，接下来尝试结合SPSSAU另存出的聚类结果变量绘制散点图，以观察K均值的聚类结果。
图10 浏览查看聚类结果变量
我们再次打开数据集，此时SPSSAU已经将刚才K均值聚类的类变量保存到鸢尾花数据集中，大家看第一个变量“cluster kmeans”，它就是K均值的聚类结果。
现在，在“可视化”栏目下选择“散点图”，将刚才第一重要的花瓣长拖拽至【定量X】框内，将花瓣宽拖拽至【定量Y】框内，即将花瓣长、宽变量分别做为散点图的X轴、Y轴数据，然后将K均值的结果“cluster kmeans”变量拖拽至【颜色区分】框内，点“开始分析”命令绘制散点图。
图11 散点图操作
来看结果。
图12 SPSSAU散点图
以上操作，相当于我们以花瓣的大小来观察聚类结果。最终散点图如上图所示，花瓣最小的是cluster3即刚毛鸢尾花，花瓣相对较大的是cluster2即佛吉尼亚鸢尾花，花瓣居中的则是cluster1变色鸢尾花。
显然，刚毛鸢尾花特征最为明显（花瓣长宽最小），它的类中心和其他两个类的类中心距离足够远。而佛吉尼亚和变色鸢尾花的类中心点较近，一小部分株花无法明确划分区别，两类在花瓣特征上有微小重叠区域，佛吉尼亚鸢尾花的平均花瓣尺寸比变色鸢尾花更大一些。
总体看，基于花瓣、花萼长宽数据用K均值聚类方法可以对鸢尾花进行分类，尤其是对刚毛鸢尾花的判定准确度极高，对两外两类的分类预测存在较小的误差。
4.K均值聚类总结
K均值聚类要求参与聚类的指标变量为连续型数据，用于对样本进行分类处理。聚类个数K值，我们可以根据行业知识、经验来自行给定，也可以遍历多个聚类方案进行优选探究，一般建议聚类个数2~6个，不宜过多。
实践中，参与聚类的指标变量可能既有连续数据，也会包括分类数据。我们看到在SPSSAU的“聚类”功能下，允许同时存在连续项和分类项。此处大家应注意区分一下，如果说聚类指标变量中包括定类项，那么SPSSAU默认会进行K-prototype聚类算法（而不是kmeans算法）。
提炼信息以概括类的特征，对类进行命名，这项工作极为重要。算法给的聚类结果，如果没有独立、明确的类特征，那么其结果没有实际指导意义。
SPSSAU实现K均值聚类，操作简便，三线表直接可用，统计图形美观，结果丰富。必要时，可纳入分类变量作为聚类依据，实现K-prototype聚类算法，方法灵活，优势明显。
标签：变量,教你用,均值,花瓣,SPSSAU,聚类,鸢尾花,聚类分析 来源： https://www.cnblogs.com/spssau/p/16636099.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。