- •Оглавление
- •Основная цель
- •Проверка статистической значимости
- •Области применения
- •Объединение (древовидная кластеризация) Общая логика
- •Иерархическое дерево
- •Меры расстояния
- •Правила объединения или связи
- •Двувходовое объединение Вводный обзор
- •Двувходовое объединение
- •Метод k средних Общая логика
- •Вычисления
- •Интерпретация результатов
- •Список литературы
Вычисления
С вычислительной точки зрения вы можете рассматривать этот метод, как дисперсионный анализ (см. Дисперсионный анализ) "наоборот". Программа начинает с K случайно выбранных кластеров, а затем изменяет принадлежность объектов к ним, чтобы: (1) - минимизировать изменчивость внутри кластеров, и (2) - максимизировать изменчивость между кластерами. Данный способ аналогичен методу "дисперсионный анализ (ANOVA) наоборот" в том смысле, что критерий значимости в дисперсионном анализе сравнивает межгрупповую изменчивость с внутригрупповой при проверке гипотезы о том, что средние в группах отличаются друг от друга. В кластеризации методом K средних программа перемещает объекты (т.е. наблюдения) из одних групп (кластеров) в другие для того, чтобы получить наиболее значимый результат при проведении дисперсионного анализа (ANOVA).
Интерпретация результатов
Обычно, когда результаты кластерного анализа методом K средних получены, можно рассчитать средние для каждого кластера по каждому измерению, чтобы оценить, насколько кластеры различаются друг от друга. В идеале вы должны получить сильно различающиеся средние для большинства, если не для всех измерений, используемых в анализе. Значения F-статистики, полученные для каждого измерения, являются другим индикатором того, насколько хорошо соответствующее измерение дискриминирует кластеры.
Список литературы
Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. — М.: Финансы и статистика, 1989. — 607 с.
Мандель И. Д. Кластерный анализ. — М.: Финансы и статистика, 1988. — 176 с.
Хайдуков Д. С. Применение кластерного анализа в государственном управлении// Философия математики: актуальные проблемы. — М.: МАКС Пресс, 2009. — 287 с.
Классификация и кластер. Под ред. Дж. Вэн Райзина. М.: Мир, 1980. 390 с.
Tryon R.C. Cluster analysis. — London: Ann Arbor Edwards Bros, 1939. — 139 p.
Жамбю М. Иерархический кластер-анализ и соответствия. — М.: Финансы и статистика, 1988. — 345 с.
Дюран Б., Оделл П. Кластерный анализ. — М.: Статистика, 1977. — 128 с.
Бериков В. С., Лбов Г. С. Современные тенденции в кластерном анализе // Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы», 2008. — 26 с.
Вятченин Д. А. Нечёткие методы автоматической классификации. — Минск: Технопринт, 2004. — 219 с.
Олдендерфер М. С., Блэшфилд Р. К. Кластерный анализ / Факторный, дискриминантный и кластерный анализ: пер. с англ.; Под. ред. И. С. Енюкова. — М.: Финансы и статистика, 1989—215 с.
Министерство науки и образования РФ
ФГБОУ ВПО «Удмуртский государственный университет»
Институт педагогики, психологии и социальных технологий
КОНТРОЛЬНАЯ РАБОТА
по дисциплине Математические методы в психологии
на тему: Кластерный анализ
Выполнил: студент группы
3СВБ-030300-41(К)
Фомина М.Н
Проверил: Сидоров К.В
Фефилов А.В
Ижевск 2014