聚类和降维有什么区别与联系？ 我现在在做聚类相关的问题，发现有用PCA聚类，可是PCA不应该是降维的方法么？所以不太清楚聚类和降维的区…
聚类和降维有什么区别与联系？ 当样本数据属性维数过多的时候，如果直接使用所有的参数可能会引入一些数据噪声。属性太多会可能会让聚类的粒度太小影响结果，就可以先借助PCA进行线性降维，可以降低参数的维数，还可以利用主成分分析结果，结合聚类分析的结果绘制分类交汇图，也可以用降维后的属性做聚类。
定量分析的方法在地理研究中的意义 任何问题都可以采用定性分析和定量分析这两种方法来评价、判断和研究，它们之间有不同也有联系.不同：定性-用文字语言进行相关描述.它是主要凭分析者的直觉、经验，凭分析对象过去和现在的延续状况及最新的信息资料.
聚类分析可分为Q型聚类和R型聚类，请问Q和R这两个字母的含义是什么，为什么叫Q和R而不叫其他的字母？ 在聚类分析中，通常我们将根据分类对象的不同分为Q型聚类分析和R型聚类分析两大类。R型聚类分析是对变量进行分类处理，Q型聚类分析是对样本进行分类处理。R型聚类分析的主要作用是：1、不但可以了解个别变量之间的关系的亲疏程度，而且可以了解各个变量组合之间的亲疏程度。2、根据变量的分类结果以及它们之间的关系，可以选择主要变量进行回归分析或Q型聚类分析。Q型聚类分析的优点是：1、可以综合利用多个变量的信息对样本进行分类；2、分类结果是直观的，聚类谱系图非常清楚地表现其数值分类结果；3、聚类分析所得到的结果比传统分类方法更细致、全面、合理。为了进行聚类分析，首先我们需要定义样品间的距离。常见的距离有：① 绝对值距离 ② 欧氏距离 ③ 明科夫斯基距离 ④ 切比雪夫距离
聚类和降维有什么区别与联系？ 这是一个很有意思的问题。PCA（主成分分析）是降维方法，K-means（K均值）是聚类方法，似乎风牛马不相及。但是，果真如此吗？它们是否有内在的联系呢？发现有用PCA聚类，可是PCA不应该是降维的方法么？我不知道你具体发现的是哪篇用PCA聚类的论文，不过我猜你看到的可能是这篇：Ding&He.2004.K-means Clustering via Principal Component Analysis.ranger.uta.edu/~chqding/papers/KmeansPCA1.pdf这篇论文的主要内容是从形式上准确地描述PCA和K-means的内在联系，因此使用了大量数学公式和推导。我不打算在这里重复推导过程，感兴趣的可以直接阅读上面给出的论文。我将尝试从直观的角度形象地说明两者的联系。首先，我们简单温习下PCA和K-means。PCA假定我们有一些数据点，PCA的目标是找到一条线，让这条线上的点能够最大程度上“代表”原本的数据点。那么，关键在于，我们将依据什么标准寻找这条线？PCA的标准有两条（这两条实际上是等价的）：这条线上的点差异越大越好（从数学上来说，方差较大）。否则线上的点全部挤在一起，代表性显然不好。基于这条线上的点，重建原数据点的误差最小。我们可以用下面的动图演示这一点：（图片来源：CrossValidated）上图中，红点是。
SAS聚类分析或回归分析，或模糊评价，需要一个数据，一个程序和运行结果的说明求大神帮助 为研究人脑老化的严重程度，有人测定了不同年龄的60名正常男性10项有关指标的数据，各变量的含义如下：AGE为年龄、TJ为图片记忆、SG为数字广度记忆、TS为图形顺序记忆、XX为心算位数、XS为心算时间、CK为规定时间内穿孔数、BJ为步距、JJ为步行时双下肢夹角、BS步速。试对这些指标作变量聚类分析。AGE TJ SG TS XX XS CK BJ JJ BS AGE TJ SG TS XX XS CK BJ JJ BS 16 17 9 14 5.14 4 9 54 35.32 3.92 48 20 8 3 5.00 5 12 37 24.70 3.73 18 12 8 14 3.57 5 11 46 30.66 3.30 49 18 8 5 1.87 5 10 34 22.54 4.77 19 11 8 2 11.67 3 12 53 37.01 3.08 50 13 8 4 3.20 5 11 45 33.47 2.78 20 18 9 5 7.04 5 9 47 30.10 3.90 51 16 7 14 3.58 5 2 40 26.27 4.38 21 15 9 6 6.57 5 10 57 37.14 2.72 52 17 8 14 2.86 5 7 34 23.93 5.10 22 19 8 14 3.29 5 11 46 30.66 3.24 53 10 8 14 3.43 3 4 41 26.01 4.04 24 16 9 5 3.50 2 10 43 27.64 4.41 54 11 8 8 6.18 5 2 37 25.45 3.80 25 19 9 6 3.57 1 9 42 26.54 4.49 55 11 8 14 2.15 4 0 42 29.68 2.61 26 17 9 14 3.86 3 9 52 29.24 3.54 56 8 7 9 22.10 1 5 45 29.80 6.67 27 15 8 1 6.00 4 9 42 32.30 4.38 57 12 10 7。
