4.4 Лабораторна робота № 7

За наданою матрицею близькості виконати класифікацію об’єктів, використавши систему R:

• для заданої кількості кластерів;

• для заданого параметру близькості об’єктів.

Приклад лабораторної роботи №7

Для кластерного аналізу вибрано 12 професій: 1. Екскурсовод. 7. Програміст 2. Учитель. 8. Агроном. 3. Лікар. 9. Лісничий 4. Будівельник.. 10. Письменник. 5. Шофер. 11. Актор. .6. Інженер. 12. Космонавт.

Вказівки до лабораторної роботи №7

Спочатку розбиваємо на декілька груп за критерієм схожості. Дані носять суб'єктивний характер. Для обробки цих даних застосовується агломативний метод і використовується наступна схема: 1. Визначаємо деякий показник схожості між об'єктами і класами (в n-бальною системою). 2. Виконуємо наступні дії:

1. Визначається найменша відстань між об'єктами і кластерами. b. Об'єднують в першому кластері ті об'єкти, відстань між якими мінімальне. c. Обчислюємо відстань від нового кластера до кожного об'єкта або кластера. d. Повторюємо весь цикл до тих пір, поки число кластерів не буде рівних заданому або мінімальне розходження не стануть великими на перед заданої величини. Як показники схожості вибираємо кількість випробовуваних, які віднесли ці професії до одного класу. Дані заносимо в матрицю схожості.

	1	2	3	4	5	6	7	8	9	10	11	12
1	x	9	7	2	2	7	2	6	2	4	8	5
2		x	11	3	4	7	3	7	1	4	4	7
3			x	2	2	4	3	4	1	6	6	6
4				x	13	9	7	7	5	3	2	4
5					x	7	7	5	4	2	2	3
6						x	8	10	2	2	2	6
7							x	4	4	4	5	6
8								x	7	3	1	5
9									x	5	3	3
10										x	10	5
11											x	3
12												x

На першому кроці об'єднуємо в один кластер ті два об'єкти, схожість між якими максимально. В якості відстані даного кластера до решти об'єктів вибираємо максимальну відстань для цих двох кластерів

	1	2	3	4,5	6	7	8	9	10	11	12
1	x	9	7	2	7	2	6	2	4	8	5
2		x	11	4	7	3	7	1	4	4	7
3			x	2	4	3	4	1	6	6	6
4,5				x	9	7	7	5	3	2	4
6					x	8	10	2	2	2	6
7						x	4	4	4	5	6
8							x	7	3	1	5
9								x	5	3	3
10									x	10	5
11										x	3
12											x

2 + 3 6 + 8 10 + 11 Процес зупиняють за рівнем схожості (> = 3) або кількістю кластерів (2).