1. 多属性聚类

《交通领域中的聚类分析方法研究》系统详细地阐述了聚类分析的多种相关方法、技术及具体应用。主要内容包括：绪论，复杂多源异构数据整合方法研究，常用聚类分析方法，面向混合特征的权熵模糊c-均值优化方法研究，面向混合属性数据的聚类融合方法研究，基于聚类融合的混合属性数据增量聚类方法研究，聚类分析方法在交通领域中的应用。

2. 类属聚合什么意思

连锁聚合：

1. 由链引发、增长、终止等基原反应组成，其速率常数和活化能各不相同，引发最慢，是控制步骤。

2. 单体加到少量引发剂上，使链迅速增长，单体-单体、单体-聚合物、聚合物-聚合物之间均不能反应。

3. 只有链增长才使聚合度增加，从一聚体增长到高聚物时间极短，中途不能停止，聚合一开始就有高聚物产生。

4. 在聚合过程中，单体逐渐减少，转化率相应增加。

5. 延长聚合时间，转化率提高，分子量变化较小。

6. 反应混合物由单体、聚合物和微量引发剂组成。

7. 微量苯醌类阻聚剂可消灭活性种，使聚合停止。

逐步聚合：

1.不能区分链引发、增长、终止等基原反应，各步反应速率常数和活化能都基本相同。

2.单体、低聚体、高聚物任何物种之间均能缩聚，使链增长，无所谓的活性中心。

3.任何物种之间都能发生反应，使分子量逐步增加，反应可以停留在中等聚合度阶段，只在聚合后期，才能获得高分子聚合物。

4.聚合初期，单体缩聚成的低聚物，以后再逐步聚合成高聚物，转化率变化微小，反应程度增加。

5.延长缩聚时间，分子量提高，但转化率变化微小。

6.任何阶段，反应混合物都有聚合度不等的同系物组成。

7.平衡限制和非等当量可使缩聚暂停，这些因素一旦除去，可继续进行缩聚反应。

3. 多因素聚类

K-means算法是一种基于距离的聚类算法，这类聚类算法以距离来度量对象间的相似性，两样本对象间距离越大，相似性越小。关于K-means算法。

K-means算法思想与上面故事中牧师选位所表现出来的原理是十分相似的，最终的目的都是实现所有样本数据（村民）到聚类中心（牧师）的距离之和最小化。K-means算法实现步骤如下：

输入：数据集D={x1,x2,⋯,xn}D={x1,x2,⋯,xn}，聚类个数kk

输出：聚类结果类簇

（1）随机初始化kk个样本作为聚类中心{μ1,μ2,⋯,μk}{μ1,μ2,⋯,μk}；

（2）计算数据集中所有样本xixi到各个聚类中心μjμj的距离dist(xi,μj)dist(xi,μj)，并将xixi划分到距离最小的聚类中心所在类簇中；

（3）对于每一个类簇，更新其聚类中心：μi=1|ci|∑x∈cixμi=1|ci|∑x∈cix

（4）重复（2）（3）步骤，直到聚类中心不再有明显变化或满足迭代次数。

总结而言，K-means算法整个流程可总结为一个优化问题，通过不断迭代使得目标函数收敛，K-means算法目标函数为：

J=∑kj=1∑ni=1dist(xi,μj)J=∑j=1k∑i=1ndist(xi,μj)

从目标函数中可以看出，有两个因素对聚类结果有着至关重要的影响：kk值、距离度量方式。

对于kk值，这是K-means算法一个绕不开的问题，直接影响着最终聚类结果的准确性，在如何确定kk值问题上，传统的的K-means算法在对数据分布未知的情况下只能通过多次尝试不同的kk值来探索最优取值。值得一说的是，众多专家学者针对K-means算法中如何确定kk值、甚至避开kk值的的问题对K-means算法进行优化改进，设计了许多改进的K-means算法，这又是一个大话题了，本文不在深究。下面在说说距离度量的问题。

K-means算法是一个应用十分广泛、出场率极高的一个聚类算法，思想简单，解释性强，设定好kk值后即可输出指定数量的类簇。不过，在实际应用中，也需要注意K-means算法的不足之处：

K-means算法的kk值必须在聚类前确定，在缺乏对数据集分布认知的情况下这往往是很难估计的，只能通过多次的尝试探索最佳的kk值。

K-means算法第一次迭代时的kk个聚类中心对算法最终结果有很大影响，但在K-means算法中，第一次迭代的kk各聚类中心是随机选定的，这给算法聚类结果带来了不确定性。

K-means算法对非球状分布的数据集上表现不佳。K-means算法这类基于距离的聚类算法基本假设是同一类簇内部对象间距离远小于不同类簇间对象距离，这种假设相当于将类簇看作是一个球状，所以对非球状分布的数据集，K-means算法表现可能并不佳。

K-means算法在不断迭代过程中使得算法逐渐优化，在每一次迭代中，都必须计算每一个对象与聚类中心的距离，所以当数据量非常大时，时间开销比较大。

4. 多属性分类

是这样的 文件夹属性当中的安全选项卡，可以叫他ntfs权限，那里面有多种归类，比如administrator被划分到administrators（管理员组）组，同时也是everyone找那个的成员。

如果你要规划某个用户的权限，可以点击“添加“，里面输入asd就能显示了，（如果不知道要怎么称呼那用户，可以点击”高级“》“查找”里面直接选取就好了）

5. 聚类有效性

extreme value distribution similarity简称EVS，用以指导邮件社区划分;使用微聚类-宏聚类邮件社区划分算法验证了该方法的有效性。

实验表明,在测试数据集上,相比余弦、PCC等经典的邻近性度量方法,以EVS作为划分依据的邮件社区划分算法能够更加有效地发现高质量的邮件社区。

6. Python对多属性进行聚类分析

1.理解掌握K-means聚类算法的基本原理；

2.学会用python实现K-means算法 K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。

该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

7. 聚类的类型

在使用SPSS进行数据分析时经常需要对数据进行聚类。而二阶聚类法可以基于类别变量和连续变量进行聚类，可以自动确定最终的分类个数，可以处理大型数据集。下面介绍其操作方法。

SPSS13及以上版本

1.、打开SPSS软件，在自带的sample文件夹中打开案例文件car-sales.sav。案例文件中采用种类、价格等10个变量对记录进行聚类。

2、在软件界面中依次点击分析、分类、二阶聚类，打开二阶聚类分析界面。

3、将类别型变量“种类”点选进分类变量框中，将“价格”、“引擎型号”等9个连续型变量点选入连续变量框内；在下方的距离测量中勾选“对数似然（L）”，作为聚类变量相似度的测量形式；在聚类准则中勾选“施瓦兹贝叶斯准则（BIC）”，作为聚类个数的判断依据。

4、点击右上角的“选项”按钮，在弹出的二阶聚类选项对话框中将上一步9个连续型变量点选入右侧的待标准化计数（T）选框中。，目的是对9个变量自动进行标准化处理，统一测量尺度。

5、点击“继续”返回上一界面，点击“输出”按钮，在弹出的二阶聚类输出对话框中勾选“透视表”，这样最后的结果会出现在结果查看器中；勾选“图表和表”，这样输出的结果会出现在模型查看器中；勾选“创建聚类成员变量”，可以得到聚类的最终结果。

6、点击“确定”稍等片刻之后可以看到结果。呈现形式为BIC自动聚类表和聚类分布表，可以看到最终聚类个数。

7、点击左侧的“模型摘要图”可以打开模型浏览器，可以看到聚类质量、聚类大小等图表形式结果。