需要做聚类、分类、时间序列分析，用什么工具比较好？ 可以试试spss这个统计分析软件，集成了许多数据处理方法和机器学习方法，直接使用，无需编程，适合快速分析。
集成聚类和聚类集成是同一个问题么？ 比如说你得到一堆数据中国各省份的收入指标，有k个个案，就是样本数即省份数，对个案聚类就是对这些样本聚类，又称Q型聚类，对变量聚类，比如说有农民收入，城市居民收入这些变量指标，对这些聚类就是所谓变量聚类，又称R型聚类，希望能够帮助到您！
文本分类和聚类有什么区别 聚类就是将一组的文章或文本信息进行相似性的比较，将比较相似的文章或文本信息归为同一组的技术。分类和聚类都是将相似对象归类的过程。区别是，分类是事先定义好类别，。
聚类的计算方法 传统的聚类分析计算方法主要有如下几种：1、划分方法(partitioning methods)给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K。而且这K个分组满足下列条件：（1）每一个分组至少包含一个数据纪录；（2）每一个数据纪录属于且仅属于一个分组（注意：这个要求在某些模糊聚类算法中可以放宽）；对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好，而所谓好的标准就是：同一分组中的记录越近越好，而不同分组中的纪录越远越好。使用这个基本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法；大部分划分方法是基于距离的。给定要构建的分区数k，划分方法首先创建一个初始化划分。然后，它采用一种迭代的重定位技术，通过把对象从一个组移动到另一个组来进行划分。一个好的划分的一般准备是：同一个簇中的对象尽可能相互接近或相关，而不同的簇中的对象尽可能远离或不同。还有许多评判划分质量的其他准则。传统的划分方法可以扩展到子空间聚类，而不是搜索整个数据空间。当存在很多属性并且数据稀疏时，这是有用的。为了达到全局最优，基于划分的。
何谓数据仓库？为什么要建立数据仓库？何谓数据挖掘？它有哪些方面的功能 何谓数据仓库？为什么要建立数据仓库？答：数据仓库是一种新的数据处理体系结构，是面向主题的、集成的、不可更新的(稳定性)、随时间不断变化(不同时间)的数据集合，为企业。
“水既不聚集成滴，也不成股流下”的背后到底有什么道理？ 初中化学课本中的“洗试管”终极目标，到底为什么洗成这样就算干净了呢？
SPSS教程（32）：分层聚类分析，分层聚类是SPSS中最基本的一种聚类方式，它采用由近到远、逐层聚合的方式把所有元素逐步聚为一类，对个案和变量的聚类都适用。。
聚类与分类有什么区别 简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。简单地说，聚类是指事先没有“标签”而通过某种成团分析。
粒子群优化算法解决聚类集成问题？ kmeans 给出的是150个样本的聚类后所属类别。你的样本是150*20的，也就是说，样本个数150，维数20.用粒子群做聚类的方法是，采用粒子群迭代的方法优化得到N个最优位置，这N个位置对应N个聚类的中心，本题N=3.然后通过计算每个样本与N个中心间之间的距离，取距离最短的聚类中心，认为样本跟此聚类中心是一类的，这样每个样本就被归为了N类。针对你的问题，首先说参数没问题（也可以把c1=c2=2）检查你的聚类过程，是否把20当做了训练样本（这个虽然低级，但是初学的特别容易犯），你要初始化的是3个中心位置，每个位置20维，总共60.即初始化一个60维的种群。如果1检查无误的话可能就是你的程序问题了，对照网上的粒子群算法的公式检查下程序吧。
