Многомерный анализ данных методами прикладной статистики

2) рассчитывается матрица расстояний или матрица мер сходства; 3) находится пара самых близких кластеров; 4) по выбранному алгоритму объединяются эти два кластера. Новому кластеру присваивается меньший из номеров объединяе­ мых кластеров. Процедуры 2) - 4) повторяются до тех пор, пока все объекты не будут объединены в один кластер или до достижения заданного порога сходства. Метод А:-средних. Наряду с иерархическими методами клас­ сификации, рассмотренными в ранее, существует многочисленная группа так называемых итеративных методов кластерного анализа. Предположим, что уже имеются гипотезы относительно числа кла­ стеров (по наблюдениям или по переменным), а также можно ука­ зать системе; образовать ровно три кластера так, чтобы они были настолько различны, насколько это возможно, Это именно тот тип задач, которые решает алгоритм методах-средних, В общем cj;y4ae метод /г-средних строит ровно к различных кластеров, расположенных на возможно больших расстояниях друг от друга. Сущность метода заключается в том, что процесс классификации начинается с задания некоторых начальных усло­ вий (количество образуемых кластеров, порог завершения процес­ са классификации и т,д,). Итеративные методы в большей степени, чем иерархические, требуют от пользователя интуиции при выборе типа классифика­ ционных процедур и задания начальных условий разбиения, так как большинство этих методов очень чувствительны к изменению задаваемых параметров. Например, выбранное случайным образом число кластеров может не только сильно увеличить трудоемкость процесса классификации, но и привести к образованию «размы­ тых» или мало наполняемых кластеров. Поэтому целесообразно сначала провести 1спассификацию по одному из иерархических ме- 15