1.雜訊和異常值的處理
2.資料標準化
參與聚類的變數絕大多數都是區間型變數，不同區間型變數之間的數量單位不同，如果不加處理直接進行聚類，很容易造成聚類結果的失真。
資料標準化不僅可以為聚類計算中的各個屬性賦予相同的權重，還可以有效化解不同屬性因度量單位不統一所帶來的潛在的數量等級的差異
標準差標準化，經過這種方法處理後的資料符合標準正態分佈，即均值為0，標準差為1。(μ為所有樣本資料的均值，σ為所有樣本資料的標準差)
3.聚類變數的少而精
優勢
缺點
1.業務專家的評估
2.聚類技術上的評價指標
rmsstd：群體中所有變數的綜合標準差，rmsstd越小表明群體內(簇內)個體物件的相似程度越高，聚類效果越好。
r-square：聚類後群體間差異的大小，也就是聚類結果可以在多大比例上解釋原資料的方差，r-square越大表明群體間(簇間)的相異性越高，聚類效果就越好。
spr：該指標適用於層次方法中的凝聚層次聚類演算法，它表示當原來兩個群體合併成新群體的時候，其所損失的群內相似性的比例。一般來說，spr越小，表明合併成新的群體時，損失的群內相似性比例越小，新群體內的相似性越高，聚類效果就越好。
distance between clusters：該指標適用於層次方法中的凝聚層次聚類演算法，它表示在要合併兩個細分群體(簇)時，分別計算兩個群體的中心，以求得兩個群體的距離。一般來說，距離越**明兩個群體越適合合併成乙個新群體。
r語言聚類分析 R語言實現tSNE聚類分析
t sne t distributed stochastic neighborembedding 是用於降維的一種無監督機器學習演算法，由 laurens van der maaten 和 geoffrey hinton在08年提出。t sne 作為一種非線性降維演算法，非常適用於高維資料降維到2維...
聚類分析 K Means演算法
k means演算法 這是基於劃分的聚類演算法，該演算法效率較高，對大規模資料進行聚類時被廣泛使用。基本思路 把資料集劃分成k 個簇，每個簇內部的樣本非常相似，不同簇之間的差異非常大。k means演算法是乙個迭代演算法，先隨機選擇 k個物件，每個物件代表了起中心，對於剩下的物件，將其賦給最近的簇，...
判別分析分為r型和q型嗎 r型聚類分析
第3l卷第4期2007年8月 物探與化探geophysical geochemicalexplorall0n v01.31.no.4aug.2007 利用excel實現r型聚類分析春乃 芽125000 遼寧有色葫蘆島地質.實驗目的 用資料探勘聚類演算法 q型聚類 r型聚類 求分類微博資料。2.實驗環...