spss k均值聚类分析步骤 spss k均值聚类分析结果解读

spss k均值聚类分析步骤，spss k均值聚类分析需事先指定聚类数目k，然后再依照该聚类数目进行迭代运算，本文会应用例子演示分析步骤，同时也会进行spss k均值聚类分析结果解读，以加深理解。

一、spss k均值聚类分析步骤

spss k均值聚类分析，与系统聚类、二阶聚类等同属spss的分类分析，目的是将相似的个案归纳总结、分类，以找到个案间的相似点。spss k均值聚类是一种确定性的聚类分析，需事先指定聚类的数量，适用于有指定分类、分类数目固定的情况。

以一组店铺数据为例，目的是应用一些标准指标对店铺进行分类，需要注意的是，k均值聚类只能分析数值型变量，对于字符串变量需重新编码成数值。

示例数据

打开spss的分析菜单，选择分类中的“K-均值聚类分析”功能。

k均值聚类

第一步：设置变量

本例将会使用标准a、标准b与标准e三个指标进行聚类分析，其中原字符串变量“标准e”已重新编码为数值型变量。

将标准a、标准b与标准e三个变量选入“变量”列表框，将“店铺编码”选入个案标注依据，以区别不同的个案。

第二步：设置聚类数

在左侧变量下方进行“聚类数”设置，该数值需要分析者自定，无固定规则。本例设为2，即运算得出2个聚类。

其他方法、聚类中心等，如无特殊需求，可保持默认设置。

变量设置

第三步：设置保存新变量

“聚类成员”，是在聚类数目事先设定的情况下（本例为2个聚类），运算每个聚类所包含的个案，而从“与聚类中心的距离”，可看出聚类间的相似度，距离越远就越不相似。

保存新变量

第四步：设置统计量

可选择“初始聚类中心”、“每个个案的聚类信息（所属分类、与中心的距离）”，了解初始聚类与最终聚类的差别（如有的话）。

统计值

二、spss k均值聚类分析结果解读

完成以上设置后进行spss运算分析，并进行最后的步骤，解读数据。

如图6所示，根据初始聚类中心与迭代历史记录，以及实现设定的聚类数据2，数据在第二次迭代后，聚类中心不再变动，以此确认2次迭代。

初始聚类中心

在聚类数目为2的情况下，可将店铺个案归类为图7的“聚类成员”列表。

聚类结果

最终运算后，确定最终聚类中心为2，并得到最终聚类中心之间的距离。

最终聚类中心

其中，聚类1中包含了15个个案，聚类2中包含了7个个案。

每个聚类中的个案数

三、spss k均值聚类分析的优缺点

spss k均值聚类分析是一种确定性强的聚类分析方法，相对于系统聚类的模糊性，k均值聚类可在指定聚类数目k基础上进行聚类分析，因此可提供确定性的分类信息，但这也决定了k均值聚类不太适合用于模糊性的研究问题。

spss k均值聚类分析优缺点如下：

优点：

1.运算快速、简单

2.可处理大量的个案，相对于系统聚类来说，运算更有效率

3.有确定的聚类数目，结果清晰，无须分析者自行判断

缺点：

1.需要事先设定聚类数目，不适合模糊性研究问题

2.容易受到初值和离群点的影响，可能会造成大量个案归属同一类，而少量极端值归属同一类的情况

3.聚类结果可能无法解释，无法运用分析者经验修正结果

k均值聚类

四、小结

以上就是关于spss k均值聚类分析步骤，spss k均值聚类分析结果解读的相关内容。spss k均值聚类分析适用于确定性分类结果的研究问题，如果是模糊性的研究问题，可采用spss的系统聚类分析，进行探索性的聚类分析。无论是确定性分类，还是模糊性分类，spss都能进行有效地分析。