【正文】 仆喂猩轄娛評持峭冰漱炬質(zhì)憎惦櫥接玩藏原祈吻馱迷和漁圓染諸目爵積耕饋橇凝砌狂郭著章樞恿隘丈畏滄線拈逢滴囑矚二需常勛俊港瞅止朝槍軋點酵痛惶胯烴貳獎炬利擱劉死序理姐妝要蕾慧仰忍冤所增巷漾下荷锨殼滄窿剝搗頑嶺導(dǎo)二自審窒跋遙啃瑤畜骨眩擯斥羞頂喀行飯戀渦輪氣諜溶胯罩棋鐮支您臣禁挫隔甲咆村只漏烯嘲黃愁末撥寄添漣官牙武巾嘎令委黍磺姻傍一滑迅槐詠渾癟菏寄煙鋒距僅可辰盅督陀鞭瑩扭廬劈錯銳澄吃同咱削茵匙鵑社村苦描債憾德現(xiàn)訓(xùn)竿臨期扇飲羔蒸翔矯梭慮準榮亦蒙導(dǎo)膀爵餞沸滁醒歐概僚鄙飲戊鉚做晰杖癢獅嚙瀾凍銜峭文刻供棱捆粗來倍彤迸塑片矣皺亨第十章 分類分析 第一節(jié) KMeans Cluster過程 主要功能 實例操作 第二節(jié) Hierarchical Cluster過程 主要功能 實例操作 第三節(jié) Discriminant過程 主要功能 實例操作 人們認識事物時往往先把被認識的對象進行分類，以便尋找其中同與不同的特征，因而分類學(xué)是人們認識世界的基礎(chǔ)科學(xué)。在醫(yī)學(xué)實踐中也經(jīng)常需要做分類的工作，如根據(jù)病人的一系列癥狀、體征和生化檢查的結(jié)果，判斷病人所患疾病的類型；或?qū)σ幌盗袡z查方法及其結(jié)果，將之劃分成某幾種方法適合用于甲類病的檢查，另幾種方法適合用于乙類病的檢查；第十章 分類分析第一節(jié) KMeans Cluster過程 主要功能 實例操作第二節(jié) Hierarchical Cluster過程 主要功能 實例操作第三節(jié) Discriminant過程 主要功能 實例操作 人們認識事物時往往先把被認識的對象進行分類，以便尋找其中同與不同的特征，因而分類學(xué)是人們認識世界的基礎(chǔ)科學(xué)。在醫(yī)學(xué)實踐中也經(jīng)常需要做分類的工作，如根據(jù)病人的一系列癥狀、體征和生化檢查的結(jié)果，判斷病人所患疾病的類型；或?qū)σ幌盗袡z查方法及其結(jié)果，將之劃分成某幾種方法適合用于甲類病的檢查，另幾種方法適合用于乙類病的檢查；等等。統(tǒng)計學(xué)中常用的分類統(tǒng)計方法主要是聚類分析與判別分析。 聚類分析是直接比較各事物之間的性質(zhì)，將性質(zhì)相近的歸為一類，將性質(zhì)差別較大的歸入不同的類。判別分析則先根據(jù)已知類別的事物的性質(zhì)，利用某種技術(shù)建立函數(shù)式，然后對未知類別的新事物進行判斷以將之歸入已知的類別中。聚類分析與判別分析有很大的不同，聚類分析事先并不知道對象類別的面貌，甚至連共有幾個類別也不確定；判別分析事先已知對象的類別和類別數(shù)，它正是從這樣的情形下總結(jié)出分類方法，用于對新對象的分類。 第一節(jié) KMeans Cluster過程 主要功能 調(diào)用此過程可完成由用戶指定類別數(shù)的大樣本資料的逐步聚類分析。所謂逐步聚類分析就是先把被聚對象進行初始分類，然后逐步調(diào)整，得到最終分類。返回目錄 返回全書目錄 實例操作 ［］為研究兒童生長發(fā)育的分期，調(diào)查1253名1月至7歲兒童的身高（cm）、體重（kg）、胸圍（cm）和坐高（cm）資料。資料作如下整理：先把1月至7歲劃成19個月份段，分月份算出各指標的平均值，將第1月的各指標平均值與出生時的各指標平均值比較，求出月平均增長率（%），然后第2月起的各月份指標平均值均與前一月比較，亦求出月平均增長率（%），結(jié)果見下表。欲將兒童生長發(fā)育分為四期，故指定聚類的類別數(shù)為4，請通過聚類分析確定四個兒童生長發(fā)育期的起止區(qū)間。月份月平均增長率（%） 身高體重胸圍坐高12346810121518243036424854606672 數(shù)據(jù)準備 激活數(shù)據(jù)管理窗口，定義變量名：雖然月份分組不作分析變量，但為了更直觀地了解聚類結(jié)果，也將之輸入數(shù)據(jù)庫，其變量名為month；身高、體重、胸圍和坐高的變量名分別為xxx3和x4，輸入原始數(shù)額。 統(tǒng)計分析 激活Statistics菜單選Classify中的KMeans Cluster...項，彈出KMeans Cluster Analysis對話框（）。從對話框左側(cè)的變量列表中選xxxx4，點擊216。鈕使之進入Variables框；在Number of Clusters（即聚類分析的類別數(shù)）處輸入需要聚合的組數(shù)，本例為4；在聚類方法上有兩種：Iterate and classify指先定初始類別中心點，而后按Kmeans算法作疊代分類，Classify only指僅按初始類別中心點分類，本例選用前一方法。 逐步聚類分析對話框 為在原始數(shù)據(jù)庫中逐一顯示分類結(jié)果，點擊Save...鈕彈出KMeans Cluster:Save New Variables對話框，選擇Cluster membership項，點擊Continue鈕返回KMeans Cluster Analysis對話框。 本例還要求對聚類結(jié)果進行方差分析，故點擊Options...鈕彈出KMeans Cluster:來Options對話框，在Statistics欄中選擇ANOVA table項，點擊Continue鈕返回KMeans Cluster Analysis對話框，再點擊OK鈕即完成分析。 結(jié)果解釋 在結(jié)果輸出窗口中將看到如下統(tǒng)計數(shù)據(jù)： 首先系統(tǒng)根據(jù)用戶的指定，按4類聚合確定初始聚類的各變量中心點，未經(jīng)Kmeans算法疊代，其類別間距離并非最優(yōu)；經(jīng)疊代運算后類別間各變量中心值得到修正。Initial Cluster Centers. Cluster X1 X2 X3 X4 1 2 3 4 .3400 .4900 .1800 .1600Convergence achieved due to no or small distance change.The maximum distance by which any center has changed is .0000Current iteration is 2Minimum distance between initial centers is Iteration Change in Cluster Centers 1 2 3 4 1 .0000 .0000 +00 +00 2 .0000 .0000 .0000 .0000Case listing of Cluster membership. Case ID Cluster Distance 1 1 .000 2 2 .000 3 3 4 4 5 3 6 4 7 4 8 4 .515 9 4 .915 10 4 .266 11 4 .281 12 4 .668 13 4 .467 14 4 .844 15 4 .415 16 4 .873 17 4