数据量大聚类,spss聚类分析数据

3.1Kpototypes算法Kpototypes算法结合了可以处理符号属性的Kmeans方法和改进的Kmodes方法。与Kmeans方法相比，Kpototypes算法可以处理符号属性。3.2CLARANS算法(划分法)CLARANS算法是一种随机搜索聚类算法，是一种分割聚类方法。它首先随机选取一个点作为当前点，然后在其周围随机检查一些不大于参数Maxneighbor的相邻点。如果找到更好的邻点，则移到邻点，否则视为局部最小值。

这种算法要求所有的聚类对象都必须预加载到内存中，并且数据 set需要多次扫描，对于大的数据 set来说，在时间和空间上都相当复杂。虽然通过引入R树结构提高了其性能，可以处理大规模的基于磁盘的数据库，但是R*树的构建和维护成本太高。该算法对脏数据和异常数据不敏感，但对数据极其敏感，只能处理凸形或球形边界聚类。

需要收集用户的哪些特征？聚类分析中变量选择的原则是:在哪些变量组合的前提下，类别内的差异越小越好，即同质性高，类别间的差异越大越好，即同质性低，变量间不能有高相关性。常用的用户特征变量有:①人口统计学变量:如年龄、性别、婚姻、学历、职业、收入等。通过人口统计变量的分类，可以了解每个人群的需求差异。②用户目标:比如用户为什么使用这个产品？

了解不同目的用户的特点，从而看到各种目标用户的需求。③用户使用场景:用户在什么时候、什么情况下使用该产品？了解用户在各种场景下的偏好/行为差异。④用户行为数据:如使用频率、使用时长、客单价等。划分用户活跃度等级，用户价值等级等。⑤态度取向量表:如消费偏好、价值观等。，看到不同价值观和生活方式的群体在消费取向或行为上的差异。

分类时要综合考虑性别、年龄、收入、职业、兴趣、生活方式等相关信息。通过使用特定的方法，我们可以找到隐藏在这些信息背后的特征，并将其分为几类，每一类都具有一定的共性，然后进行进一步的探索和研究。这种分类的过程就是聚类分析。聚类是一种发现数据之间内部结构的技术。集群将所有数据实例组织成一些相似的组，这些组称为集群。

聚类分析定义聚类分析是根据数据中找到的描述对象及其关系的信息对数据对象进行分组。目的是一个组中的对象彼此相似(相关)，而不同组中的对象不同(不相关)。组内相似度越大，组间差距越大，说明聚类效果越好。聚集效应取决于两个因素:1 .距离测量)2。聚类算法K-means聚类，也称为快速聚类，在最小化误差函数的基础上，将数据划分为预定数量的类K。

简单来说，分类就是按照一定的标准给物体贴上标签，然后根据标签进行分类。简单来说，聚类是指在事先没有“标签”的情况下，通过一些聚类分析，找出事物之间聚集的原因的过程。不同的是，分类是事先定义好的，类别数量不变。分类器需要通过人工标注的分类训练语料进行训练，属于监督学习的范畴。

聚类不需要人工标注和预训练分类器，分类时自动生成类别。分类适用于类别或分类体系已经确定的情况，比如按照全国地图分类对图书进行分类；聚类适用于没有分类体系、类别数量不确定的情况，一般作为一些应用的前端，比如多文档摘要、搜索引擎结果的搜索后聚类(元搜索)等，分类的目的是学习一个分类函数或分类模型(也常称为分类器)，它可以将数据库中的数据项映射到给定类别中的某个类。