如何判断聚类分析结构的优劣 需要搜集用户的哪些特征？聚类分析变量选择的原则是：在哪些变量组合的前提，使得类别内部的差异尽可能的小，即同质性高，类别间的差异尽可能的大，即同质性低，并且变量之间不能存在高度相关。常用的用户特征变量有：①人口学变量：如年龄、性别、婚姻、教育程度、职业、收入等。通过人口学变量进行分类，了解每类人口的需求有何差异。②用户目标：如用户为什么使用这个产品？为什么选择线上购买？了解不同使用目的的用户的各自特征，从而查看各类目标用户的需求。③用户使用场景：用户在什么时候，什么情况下使用这个产品？了解用户在各类场景下的偏好/行为差异。④用户行为数据：如使用频率，使用时长，客单价等。划分用户活跃等级，用户价值等级等。⑤态度倾向量表：如消费偏好，价值观等，看不同价值观、不同生活方式的群体在消费取向或行为上的差异。需要多少样本量？没有限制，通常情况下与实际应用有关，如果非要加一个理论的限制，通常认为，样本的个数要大于聚类个数的平方。①如果需要聚类的数据量较少（lt；100），那么三种方法(层次聚类法，K-均值聚类法，两步聚类法)都可以考虑使用。优先考虑层次聚类法，因为层次聚类法产生的树状图更加直观形象。
聚类分析树状图如何分析，怎么判断分成几类？ 从右边开始看，分为两类；然后从右往左看每个分叉就多分出一类。换个方式说：就是把图逆时针转90度，你就能看明白了，就像一个树状图。应该是分2到4类比较好，分类的间距越大效果越好。
在应用聚类分析和判别分析解决实际问题时应该注意哪些方面？ 聚类要注意的问题 聚类结果主要受所选择的变量影响.如果去掉一些变量，或者增加一些变量，结果会很不同.相比之下，聚类方法的选择则不那么重要了.因此，聚类之前一定要目标明确。
聚类分析的两组判别 定义问题估计DA函数系数确定DA函数的显著性解释结果评估有效性定义问题判别分析的第一步第二步就是将样本分为：分析样本验证样本估算判别函数系数直接法（direct method）就是同时用所有的预测变量估计判别函数，此时每个自变量都包括在内，而不考虑其判别能力。这种方法适用于前期研究或理论模型显示应包括哪些自变量的情况。逐步判别分析（stepwise discriminant analysis），预测变量依据其对组别的判别能力被逐步引入。确定显著性零假设：总体中各组所有判别函数的均值相等。特征值典型相关系数Wilk‘s ？(0，1)转换成卡方值检验见travel.spo解释结果系数的符号无关紧要，但能够表示每个变量对判别函数值的影响，以及与特定组的联系。我们可以通过标准化判别函数系数的绝对值初步判断变量的相对重要性。通过考察结构相关系数，也可以对预测变量的相对重要性进行判断。组重心评估判别分析的有效性根据分析样本估计出的判别权数，乘以保留样本中的预测变量值，就得出保留样本中每个样本的判别分。可以根据判别分及适当的规则划分为不同的组别。命中率（hit ratio）或称样本正确分类概率，就是分类矩阵对角线元素之和与总样本数的比例。比较样本。
聚类分析与判别分析的区别 聚类分析是无监督分类，不知道数据点的类别标签，需要自己自动分出来来，简单说就是一堆东西混到一起了，你要把它们区分开来谁和谁是一类的；判别分析是有监督的，本身已经知道每个数据点属于哪个类，它的任务是找到最佳的分类方法，也就是在你这种分类方法下分类的分类效果是最佳的(通常是指错分最少)。
聚类分析与判别分析有什么区别与联系？ 1.聚类分析与判别分析的区别与联系 都是研究分类的，在进行聚类分析前，对总体到底有几种类型不知道（研究分几类较为合适需从计算中加以调整）。判别分析则是在总体类型划分已知，对当前新样本判断它们属于哪个总体。如我们对研zhidao究的多元数据的特征不熟悉，当然要进行聚类分析，才能考虑判别分析问题。2.聚类分析分两种：Q型聚类（对样本的聚类），P型聚类（对变量的聚类）聚类分析需要注意的是，一般小样本数据可以专用系统聚类法，大样本数据一般用快速聚类法（K均值聚类法）。需要根据统计量判断分几类比较合适，一般用R平方统计、伪F统计量等。如用前者时，可以从R平方的变换看n个样品分成几类比较合适，如分为5类时，R平方为0.9，当分为四类时，其值减小较快，如R平方为0.4，则认为分五类比较合适。另外，不同的分类方法产生的分类结果可能不同，要结合实际情属况选出最优的分类方法。3.判别分析 有Fisher判别，Bayes判别和逐步判别。一般用Fisher判别即可，要考虑概率及误判损失最小的用Bayes判别，但变量较多时，一般先进行逐步判别筛选出有统计意义的变量，再结合实际情况选择用哪种判别方法。
