Многомерный анализ данных методами прикладной статистики

годов или на основании экспертных оценок, а затем уже подбирать начальное разбиение и статистический критерий для работы ите­ рационного алгоритма. Как и в иерархическом кластерном анализе, в итерационных методах существует проблема определения числа кластеров. В об­ щем случае их число может быть неизвестно. Не все итеративные методы требуют первоначального задания числа кластеров. Но для окончательного решения вопроса о структуре изучаемой совокуп­ ности молшо испробовать несколько алгоритмов, меняя либо чис­ ло образуемых кластеров, либо установленный порог близости для объединения объектов в кластеры. Тогда появляется возможность выбрать наилучшее разбиение по задаваемому критерию качества. В отличие от иерархических процедур метод /с -средних не требует вычисления и хранения матрицы расстояний или сходств между объектами. Алгоритм этого метода предполагает использование только исходных значений переменных. Для начала процедуры классификации должны быть заданы к случайно вы­ бранных объектов, которые будут служить эталонами, т.е. центра­ ми кластеров. Считается, что алгоритмы эталонного типа удобные и быстродействующие. В этом случае важную роль играет выбор начальных условий, которые влияют на длительность процесса классификации и его результаты. С вычислительной точки зрения можно рассматривать этот метод, как дисперсионный анализ «наоборот». Программа начина­ ет с /г случайно выбранных кластеров, а затем изменяет принад­ лежность объектов к ним, чтобы: 1) минимизировать изменчивость внутри кластеров; 2) максимизировать изменчивость между кла­ стерами. Обычно, когда результаты кластерного анализа методом А:-средних получены, можно рассчитать средние для каждого кла­ стера по каждому измерению, чтобы оценить, насколько кластеры различаются друг от друга. В идеале будут получены сильно раз­ 16