АНАЛИЗ КЛАСТЕРНЫЙ
Кластерный анализ
типологизация на основе выявления устойчивых сочетаний множества признаков [34.– С.327].
Источник: Социология. Словарь.
Кластерный анализ
деление объектов исследования на однородные группы по нескольким признакам таким образом, чтобы различия объектов одной группы были значительно меньшими, чем различия между объектами в других группах. Другими словами, К.а. определяет меру близости объектов (респондентов) по каким-либо признакам в количественной форме. К.а. - способ многофакторного объяснения явлений, процессов, поведения, сопровождаемое их многомерной классификацией.
Кластерный анализ
кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается неким набором переменных. Целью кластерного анализа является образование групп схожих между собой объектов, которые принято называть кластерами. Слова кластер английского происхождения (cluster), переводится как сгусток, пучок, группа. Родственные понятия, используемые в литературе, - класс, таксон, сгущение. В отличие от комбинационных группировок кластерный анализ приводит к разбиению на группы с учетом всех группировочных признаков одновременно.
Источник: Социологический словарь проекта Socium
АНАЛИЗ КЛАСТЕРНЫЙ
англ. analysis, cluster; нем. Clusteranalyse. Метод группировки экспериментальных данных в классы. Наблюдения, попавшие в один класс, в нек-ром смысле становятся ближе друг к другу, чем к наблюдениям из других классов. Тип процедуры А. к. зависит от числа наблюдений. Для малых выборок используются иерархические и параллельные процедуры. Иерархическая процедура заключается в последовательном объединении (разделении) сначала самых близких (далеких), а затем все более отдаленных (приближенных) наблюдений. Параллельная процедура означает одновременный отсчет всех наблюдений на каждом шагу алгоритма.
Источник: Большой словарь по социологии, проект www.rusword.com.ua
Кластерный анализ
При этом используется кластерная модель представления объектов - объекты со схожими свойствами относятся к одному классу.
Кластерный анализ - метод группировки объектов в классы на основании экспериментальных данных о свойствах объектов.
При этом используется кластерная модель представления объектов - объекты со схожими свойствами относятся к одному классу.
Кластерный анализ включает в себя набор различных алгоритмов классификации (в качестве примера метода кластерного анализа можно привести метод дендрограмм).
При этом, как правило, количество классов и принципы разделения на классы определяются заранее исходя из общей информации о наборе объектов и целей кластерного анализа.
Методы кластерного анализа дополняется методами дискриминантного анализа, которые позволяют определить границы между кластерами и использовать их для решения задач анализа и классификации данных.
Источник: Статистика. Краткий словарь терминов
КЛАСТЕРНЫЙ АНАЛИЗ
claster analysis) — методика, используемая для выявления групп объектов или людей, которые могут показывать относительное отличие в совокупности данных. Затем изучаются характеристики таких людей внутри каждой группы. В исследовании рынка, например, кластерный анализ применяется для обнаружения групп людей, имеющих иные маркетинговые подходы. Среди богатого разнообразия доступных методов наиболее распространен метод иерархического кластерирования, который может работать и с "нижней" и с "верхней" частями. В "аггломеративном иерархическом кластерировании" (то есть снизу) процесс начинается со многих "кластеров". Путем такого математического критерия, как Евклидово расстояние, объекты или люди последовательно соединяются в кластеры. В "аналитическом иерархическом кластерировании" (то есть сверху) работа ведется с одним кластером, содержащим все случаи. Затем он разбивается на меньшие кластеры. Использование кластерного анализа ставит множество практических проблем. Определяющее значение имеют выбор переменных, меры расстояния и критериев для сочетания случаев в кластерах. Поскольку выбранный метод кластерирования может самостоятельно накладывать определенное количество структур на данные, возможно получение фальшивых кластеров. В целом лучше прибегать к нескольким разным методам. (Подробнее см. Андерберг, 1973, и Эверит, 1974.)
Источник: Большой толковый социологический словарь
КЛАСТЕРНЫЙ АНАЛИЗ
CLUSTER ANALYSIS) Группа статистических техник, используемых для того, чтобы определить внутреннюю структуру данных при анализе исследовательской информации, касающейся множества переменных. Цель кластерного анализа — выявить группы объектов (индивидов и других субъектов), имеющих максимальное число общих черт между собой и в то же время минимальное сходство с другими группами. Например, если мы имеем дело с выборочной совокупностью индивидов с известными значениями таких переменных, как образование, уровень заработной платы и профессиональный статус, мы можем сгруппировать всех индивидов с университетским образованием, высоким уровнем зарплаты и статусом старших менеджеров или профессионалов в один кластер, а всех остальных — в другой. Поскольку техники кластерного анализа позволяют определять сходство и различие, они очень полезны в плане выявления в совокупности данных каких-либо основополагающих образцов. Вследствие этого они часто используются при предварительном анализе данных, в тех случаях, когда необходимо упорядочить сложную совокупность данных перед разработкой гипотез для причинного моделирования, а также при создании описательных классификаций и типологий. Хотя большинство статистических техник предназначены для формирования взаимоисключающих кластеров, когда индивид может быть отнесен только к одному кластеру, некоторые техники допускают частичное совпадение кластеров. В этих случаях иногда используется термин «clumping» («группировка»). См. также: Факторный анализ.
Источник: Социологический словарь
АНАЛИЗ КЛАСТЕРНЫЙ
совокупность многомерных статистических методов, предназначенных для исследования структуры некоторой совокупности объектов или других единиц анализа. Другие названия: автоматическая классификация, таксономия, распознавание образов. Анализ структуры объектов, т. е. разделение их совокупности на классы (кластеры), производится на основе матрицы расстояний – квадратной таблицы, в которой представлены расстояния между всеми 26 возможными парами объектов в многомерном пространстве признаков. Выбор мер расстояния зависит от типа измерительных шкал; наиболее просто он определяется, если все признаки измерены с помощью однотипных шкал – количественных, порядковых или дихотомических.
Для некоррелированных количественных и порядковых переменных обычно используется расстояние Евклида, для коррелированных – расстояние Махалонобиса; для дихотомических шкал – расстояние Хемминга. Иногда вместо мер расстояния используются меры сходства или подобия объектов. Алгоритмы кластерного анализа можно разделить на иерархические, неиерархические и методы классификации «с обучением».
Иерархические методы предполагают последовательное объединение объектов в кластеры по степени их близости друг к другу или, напротив, последовательное разбиение совокупности объектов на все более мелкие кластеры. В этом случае кластерное решение представляет собой иерархическую структуру вложенных друг в друга кластеров. Неиерархические методы позволяют находить и идентифицировать «сгущения» объектов в пространстве признаков. Кластеризация «с обучением» предполагает, что количество классов известно заранее и имеется обучающая выборка –набор объектов, для которых известно, к каким классам они принадлежат. Остальные объекты классифицируются по степени их близости к объектам из обучающей выборки. Результаты кластерного анализа чаще всего представляются графически, в виде дендрограммы («дерева»), показывающей порядок объединения объектов в кластеры. Интерпретация кластерной структуры, которая во многих случаях начинается с определения числа кластеров, является творческой задачей. Для того чтобы она могла быть эффективно решена, исследователь должен располагать достаточной информацией о кластеризуемых объектах. При кластеризации «с обучением» результаты могут быть представлены в виде списков объектов, отнесенных к каждому классу. Основными преимуществами кластерного анализа являются отсутствие ограничений на распределение переменных, используемых в анализе; возможность классификации (кластеризации) даже в тех случаях, когда нет никакой априорной информации о количествеи характере классов; универсальность (кластерный анализ может применяться не только к совокупностям объектов, но также к наборам переменных или любых других единиц анализа).
Лит.: Дюран Б., Оделл П. Кластерный анализ. –М., 1997; Факторный, дискриминантный и кластерный анализ. –М., 1989; Жамбю М. Иерархический кластерный анализ и соответствия. –М., 1988; Елисеева И. И., Рукавишников В. О. Группировка, корреляция, распознавание образов. –М., 1977. О. В. Терещенко
Для некоррелированных количественных и порядковых переменных обычно используется расстояние Евклида, для коррелированных – расстояние Махалонобиса; для дихотомических шкал – расстояние Хемминга. Иногда вместо мер расстояния используются меры сходства или подобия объектов. Алгоритмы кластерного анализа можно разделить на иерархические, неиерархические и методы классификации «с обучением».
Иерархические методы предполагают последовательное объединение объектов в кластеры по степени их близости друг к другу или, напротив, последовательное разбиение совокупности объектов на все более мелкие кластеры. В этом случае кластерное решение представляет собой иерархическую структуру вложенных друг в друга кластеров. Неиерархические методы позволяют находить и идентифицировать «сгущения» объектов в пространстве признаков. Кластеризация «с обучением» предполагает, что количество классов известно заранее и имеется обучающая выборка –набор объектов, для которых известно, к каким классам они принадлежат. Остальные объекты классифицируются по степени их близости к объектам из обучающей выборки. Результаты кластерного анализа чаще всего представляются графически, в виде дендрограммы («дерева»), показывающей порядок объединения объектов в кластеры. Интерпретация кластерной структуры, которая во многих случаях начинается с определения числа кластеров, является творческой задачей. Для того чтобы она могла быть эффективно решена, исследователь должен располагать достаточной информацией о кластеризуемых объектах. При кластеризации «с обучением» результаты могут быть представлены в виде списков объектов, отнесенных к каждому классу. Основными преимуществами кластерного анализа являются отсутствие ограничений на распределение переменных, используемых в анализе; возможность классификации (кластеризации) даже в тех случаях, когда нет никакой априорной информации о количествеи характере классов; универсальность (кластерный анализ может применяться не только к совокупностям объектов, но также к наборам переменных или любых других единиц анализа).
Лит.: Дюран Б., Оделл П. Кластерный анализ. –М., 1997; Факторный, дискриминантный и кластерный анализ. –М., 1989; Жамбю М. Иерархический кластерный анализ и соответствия. –М., 1988; Елисеева И. И., Рукавишников В. О. Группировка, корреляция, распознавание образов. –М., 1977. О. В. Терещенко
Источник: Экономико-социологический словарь.