Kalkulator hierarchicznej analizy skupień

Jeśli chcesz przeprowadzić hierarchiczną analizę skupień online, skopiuj dane do powyższej tabeli i wybierz co najmniej jedną zmienną metryczną. Dodatkowo możesz wybrać kolumnę z etykietami.

Hierarchiczna analiza skupień jest stosowana, gdy chcesz pogrupować dane bez określania z góry liczby skupień. Za jej pomocą możesz następnie zwizualizować odległości między danymi.

Do przeprowadzenia hierarchicznej analizy skupień można wykorzystać różne metody wiązania i miary odległości. Dostępne są następujące opcje:

• Metody wiązania: pojedyncze, pełne, średnie
• Miary odległości: euklidesowa, Manhattan, maksimum

Czym jest hierarchiczna analiza skupień?

Hierarchiczna analiza skupień (HCA) jest metodą grupowania, która tworzy hierarchiczne drzewo grupowanych obiektów, czyli dendrogram. Drzewo przedstawia podobieństwa między obiektami i pokazuje, w jaki sposób obiekty łączą się w skupienia na różnych poziomach szczegółowości.

W przeciwieństwie do analizy skupień metodą k-means hierarchiczna analiza skupień nie wymaga wcześniejszego określenia liczby skupień.

Istnieją dwa główne rodzaje grupowania hierarchicznego: aglomeracyjne i deglomeracyjne. W grupowaniu aglomeracyjnym obiekty są początkowo traktowane jako odrębne skupienia, a następnie w toku analizy łączone w większe skupienia. W grupowaniu deglomeracyjnym obiekty są początkowo traktowane jako jedno skupienie, a następnie dzielone na mniejsze skupienia.

Jak przeprowadza się hierarchiczną analizę skupień?

Tworzenie dendrogramu rozpoczyna się od obliczenia macierzy odległości między wszystkimi parami obiektów. Na podstawie macierzy odległości tworzona jest macierz wiązań, która zawiera informacje o odległościach między skupieniami na każdym etapie analizy. Następnie macierz wiązań służy do utworzenia dendrogramu pokazującego relacje między skupieniami.

Kiedy stosuje się hierarchiczną analizę skupień?

HCA znajduje zastosowanie w wielu dziedzinach, takich jak biologia, marketing i nauki społeczne. W biologii może służyć do identyfikacji wzorców w danych genetycznych, w marketingu do segmentacji klientów, a w naukach społecznych do identyfikacji wzorców w danych ankietowych.