聚什么屬性(多屬性聚類)
1. 多屬性聚類
《交通領(lǐng)域中的聚類分析方法研究》系統(tǒng)詳細地闡述了聚類分析的多種相關(guān)方法、技術(shù)及具體應用。主要內(nèi)容包括：緒論，復雜多源異構(gòu)數(shù)據(jù)整合方法研究，常用聚類分析方法，面向混合特征的權(quán)熵模糊c-均值優(yōu)化方法研究，面向混合屬性數(shù)據(jù)的聚類融合方法研究，基于聚類融合的混合屬性數(shù)據(jù)增量聚類方法研究，聚類分析方法在交通領(lǐng)域中的應用。
2. 類屬聚合什么意思
連鎖聚合：
1. 由鏈引發(fā)、增長、終止等基原反應組成，其速率常數(shù)和活化能各不相同，引發(fā)最慢，是控制步驟。
2. 單體加到少量引發(fā)劑上，使鏈迅速增長，單體-單體、單體-聚合物、聚合物-聚合物之間均不能反應。
3. 只有鏈增長才使聚合度增加，從一聚體增長到高聚物時間極短，中途不能停止，聚合一開始就有高聚物產(chǎn)生。
4. 在聚合過程中，單體逐漸減少，轉(zhuǎn)化率相應增加。
5. 延長聚合時間，轉(zhuǎn)化率提高，分子量變化較小。
6. 反應混合物由單體、聚合物和微量引發(fā)劑組成。
7. 微量苯醌類阻聚劑可消滅活性種，使聚合停止。
逐步聚合：
1.不能區(qū)分鏈引發(fā)、增長、終止等基原反應，各步反應速率常數(shù)和活化能都基本相同。
2.單體、低聚體、高聚物任何物種之間均能縮聚，使鏈增長，無所謂的活性中心。
3.任何物種之間都能發(fā)生反應，使分子量逐步增加，反應可以停留在中等聚合度階段，只在聚合后期，才能獲得高分子聚合物。
4.聚合初期，單體縮聚成的低聚物，以后再逐步聚合成高聚物，轉(zhuǎn)化率變化微小，反應程度增加。
5.延長縮聚時間，分子量提高，但轉(zhuǎn)化率變化微小。
6.任何階段，反應混合物都有聚合度不等的同系物組成。
7.平衡限制和非等當量可使縮聚暫停，這些因素一旦除去，可繼續(xù)進行縮聚反應。
3. 多因素聚類
K-means算法是一種基于距離的聚類算法，這類聚類算法以距離來度量對象間的相似性，兩樣本對象間距離越大，相似性越小。關(guān)于K-means算法。
K-means算法思想與上面故事中牧師選位所表現(xiàn)出來的原理是十分相似的，最終的目的都是實現(xiàn)所有樣本數(shù)據(jù)（村民）到聚類中心（牧師）的距離之和最小化。K-means算法實現(xiàn)步驟如下：
輸入：數(shù)據(jù)集D={x1,x2,?,xn}D={x1,x2,?,xn}，聚類個數(shù)kk
輸出：聚類結(jié)果類簇
（1）隨機初始化kk個樣本作為聚類中心{μ1,μ2,?,μk}{μ1,μ2,?,μk}；
（2）計算數(shù)據(jù)集中所有樣本xixi到各個聚類中心μjμj的距離dist(xi,μj)dist(xi,μj)，并將xixi劃分到距離最小的聚類中心所在類簇中；
（3）對于每一個類簇，更新其聚類中心：μi=1|ci|∑x∈cixμi=1|ci|∑x∈cix
（4）重復（2）（3）步驟，直到聚類中心不再有明顯變化或滿足迭代次數(shù)。
總結(jié)而言，K-means算法整個流程可總結(jié)為一個優(yōu)化問題，通過不斷迭代使得目標函數(shù)收斂，K-means算法目標函數(shù)為：
J=∑kj=1∑ni=1dist(xi,μj)J=∑j=1k∑i=1ndist(xi,μj)
從目標函數(shù)中可以看出，有兩個因素對聚類結(jié)果有著至關(guān)重要的影響：kk值、距離度量方式。
對于kk值，這是K-means算法一個繞不開的問題，直接影響著最終聚類結(jié)果的準確性，在如何確定kk值問題上，傳統(tǒng)的的K-means算法在對數(shù)據(jù)分布未知的情況下只能通過多次嘗試不同的kk值來探索最優(yōu)取值。值得一說的是，眾多專家學者針對K-means算法中如何確定kk值、甚至避開kk值的的問題對K-means算法進行優(yōu)化改進，設計了許多改進的K-means算法，這又是一個大話題了，本文不在深究。下面在說說距離度量的問題。
K-means算法是一個應用十分廣泛、出場率極高的一個聚類算法，思想簡單，解釋性強，設定好kk值后即可輸出指定數(shù)量的類簇。不過，在實際應用中，也需要注意K-means算法的不足之處：
K-means算法的kk值必須在聚類前確定，在缺乏對數(shù)據(jù)集分布認知的情況下這往往是很難估計的，只能通過多次的嘗試探索最佳的kk值。
K-means算法第一次迭代時的kk個聚類中心對算法最終結(jié)果有很大影響，但在K-means算法中，第一次迭代的kk各聚類中心是隨機選定的，這給算法聚類結(jié)果帶來了不確定性。
K-means算法對非球狀分布的數(shù)據(jù)集上表現(xiàn)不佳。K-means算法這類基于距離的聚類算法基本假設是同一類簇內(nèi)部對象間距離遠小于不同類簇間對象距離，這種假設相當于將類簇看作是一個球狀，所以對非球狀分布的數(shù)據(jù)集，K-means算法表現(xiàn)可能并不佳。
K-means算法在不斷迭代過程中使得算法逐漸優(yōu)化，在每一次迭代中，都必須計算每一個對象與聚類中心的距離，所以當數(shù)據(jù)量非常大時，時間開銷比較大。
4. 多屬性分類
是這樣的 文件夾屬性當中的安全選項卡，可以叫他ntfs權(quán)限，那里面有多種歸類，比如administrator被劃分到administrators（管理員組）組，同時也是everyone找那個的成員。
如果你要規(guī)劃某個用戶的權(quán)限，可以點擊“添加“，里面輸入asd就能顯示了，（如果不知道要怎么稱呼那用戶，可以點擊”高級“》“查找”里面直接選取就好了）
5. 聚類有效性
extreme value distribution similarity簡稱EVS，用以指導郵件社區(qū)劃分;使用微聚類-宏聚類郵件社區(qū)劃分算法驗證了該方法的有效性。
實驗表明,在測試數(shù)據(jù)集上,相比余弦、PCC等經(jīng)典的鄰近性度量方法,以EVS作為劃分依據(jù)的郵件社區(qū)劃分算法能夠更加有效地發(fā)現(xiàn)高質(zhì)量的郵件社區(qū)。
6. Python對多屬性進行聚類分析
1.理解掌握K-means聚類算法的基本原理；
2.學會用python實現(xiàn)K-means算法 K-Means算法是典型的基于距離的聚類算法，其中k代表類簇個數(shù)，means代表類簇內(nèi)數(shù)據(jù)對象的均值（這種均值是一種對類簇中心的描述），因此，K-Means算法又稱為k-均值算法。K-Means算法是一種基于劃分的聚類算法，以距離作為數(shù)據(jù)對象間相似性度量的標準，即數(shù)據(jù)對象間的距離越小，則它們的相似性越高，則它們越有可能在同一個類簇。數(shù)據(jù)對象間距離的計算有很多種，k-means算法通常采用歐氏距離來計算數(shù)據(jù)對象間的距離。
該算法認為簇是由距離靠近的對象組成的，因此把得到緊湊且獨立的簇作為最終目標。
7. 聚類的類型
在使用SPSS進行數(shù)據(jù)分析時經(jīng)常需要對數(shù)據(jù)進行聚類。而二階聚類法可以基于類別變量和連續(xù)變量進行聚類，可以自動確定最終的分類個數(shù)，可以處理大型數(shù)據(jù)集。下面介紹其操作方法。
SPSS13及以上版本
1.、打開SPSS軟件，在自帶的sample文件夾中打開案例文件car-sales.sav。案例文件中采用種類、價格等10個變量對記錄進行聚類。
2、在軟件界面中依次點擊分析、分類、二階聚類，打開二階聚類分析界面。
3、將類別型變量“種類”點選進分類變量框中，將“價格”、“引擎型號”等9個連續(xù)型變量點選入連續(xù)變量框內(nèi)；在下方的距離測量中勾選“對數(shù)似然（L）”，作為聚類變量相似度的測量形式；在聚類準則中勾選“施瓦茲貝葉斯準則（BIC）”，作為聚類個數(shù)的判斷依據(jù)。
4、點擊右上角的“選項”按鈕，在彈出的二階聚類選項對話框中將上一步9個連續(xù)型變量點選入右側(cè)的待標準化計數(shù)（T）選框中。，目的是對9個變量自動進行標準化處理，統(tǒng)一測量尺度。
5、點擊“繼續(xù)”返回上一界面，點擊“輸出”按鈕，在彈出的二階聚類輸出對話框中勾選“透視表”，這樣最后的結(jié)果會出現(xiàn)在結(jié)果查看器中；勾選“圖表和表”，這樣輸出的結(jié)果會出現(xiàn)在模型查看器中；勾選“創(chuàng)建聚類成員變量”，可以得到聚類的最終結(jié)果。
6、點擊“確定”稍等片刻之后可以看到結(jié)果。呈現(xiàn)形式為BIC自動聚類表和聚類分布表，可以看到最終聚類個數(shù)。
7、點擊左側(cè)的“模型摘要圖”可以打開模型瀏覽器，可以看到聚類質(zhì)量、聚類大小等圖表形式結(jié)果。
強推
