(hierarchical techniques, k-means m

(hierarchical techniques, k-means methods and probabilistic clustering) may be used in
principle.
Agglomerative hierarchical techniques can be - dependent on your hardware - applied for small (e.g.
n=50) and moderate sample sizes (e.g. n=500). K-means methods require at least a moderate sample
size (e.g. n=300). K-means can be used for large sample sizes, too. Probabilistic techniques require
large sample size (e.g. n=3000). The size of sample depends on the structure of the data. If well
separated clusters exist the sample size can be smaller. Therefore, general threshold values cannot be
given.
Explorative Cluster Analysis and Confirmatory Cluster Analysis
Clustering techniques are regarded as explorative methods in many text books. This is
correct only to some extent. They only require a specificatoin of the variables and cases that
should be used. A specification of the number of clusters is not necessary in advance. The
number of clusters can be determined in principle. It is also not necessary to specify certain
characteristics of the cluster (e.g. clustering variables: country A and B are in the same
clusters; or clustering cases: cluster 1 prefers countries A, B and C, cluster 2 countries A and
D, and so on). Therefore, clustering techniques may be used in an explorative way. But they
can also be applied as confirmatory techniques. In this case the number of clusters and certain
characteristics of the clusters are fixed. Figure 1-2 shows the differences between exploratory
and confirmatory cluster analysis.

ผลลัพธ์ (ไทย) 1:

(เทคนิคลำดับชั้น ถึงวิธี และคลัสเตอร์น่าจะ) สามารถใช้ในหลักการนี้เทคนิคลำดับ agglomerative สามารถ - ขึ้นอยู่กับฮาร์ดแวร์ของคุณ - ใช้สำหรับขนาดเล็ก (เช่นn = 50) และขนาดตัวอย่างในระดับปานกลาง (เช่น n = 500) ถึงวิธีที่ต้องการอย่างน้อยปานกลางขนาด (เช่น n = 300) ถึงใช้เป็นตัวอย่างขนาดใหญ่ เกินไป เทคนิคที่น่าจะต้องขนาดตัวอย่างขนาดใหญ่ (เช่น n = 3000) ขนาดของตัวอย่างขึ้นอยู่กับโครงสร้างของข้อมูล ถ้าดีมีแยกกลุ่มตัวอย่างขนาดจะเล็กลงได้ ดังนั้น ไม่สามารถเป็นค่าเกณฑ์ทั่วไปได้วิเคราะห์ explorative คลัสเตอร์และคลัสเตอร์สามารถวิเคราะห์เทคนิค clustering ถือเป็นวิธีการ explorative ในหนังสือข้อความ นี้เป็นแก้ไขในระดับหนึ่งเท่านั้น พวกเขาต้องการ specificatoin ของตัวแปรเท่านั้น และกรณีที่ควรใช้ ข้อมูลจำเพาะของจำนวนของคลัสเตอร์ไม่จำเป็นล่วงหน้า การหมายเลขของคลัสเตอร์สามารถถูกกำหนดในหลักการ ยังไม่จำเป็นต้องระบุบางลักษณะของคลัสเตอร์ (คลัสเตอร์เช่น ตัวแปร: ประเทศ A และ B อยู่ในเดียวกันคลัสเตอร์ หรือกรณีคลัสเตอร์: คลัสเตอร์ 1 ชอบประเทศ A, B และ C คลัสเตอร์ 2 ประเทศ A และD และอื่น ๆ) ดังนั้น เทคนิค clustering อาจใช้ในทาง explorative แต่พวกเขานอกจากนี้ยังสามารถใช้เป็นเทคนิคที่สามารถ ในกรณีนี้หมายเลขของคลัสเตอร์และบางลักษณะของคลัสเตอร์ได้รับการแก้ไข รูปที่ 1-2 แสดงความแตกต่างระหว่างการสำรวจและคลัสเตอร์สามารถวิเคราะห์

ผลลัพธ์ (ไทย) 2:

(เทคนิคการลำดับชั้น K-หมายถึงวิธีการและการจัดกลุ่มความน่าจะเป็น) อาจจะใช้ใน
หลักการ.
เทคนิคลำดับชั้น Agglomerative สามารถ - ขึ้นอยู่กับฮาร์ดแวร์ของคุณ - ใช้สำหรับขนาดเล็ก (เช่น
n = 50) และขนาดตัวอย่างในระดับปานกลาง (เช่น n = 500) K-หมายถึงวิธีการที่ต้องมีอย่างน้อยปานกลางตัวอย่าง
ขนาด (เช่น n = 300) K-วิธีที่สามารถใช้สำหรับขนาดตัวอย่างที่มีขนาดใหญ่เกินไป ความน่าจะเป็นเทคนิคที่จำเป็นต้องมี
ขนาดใหญ่ตัวอย่าง (เช่น n = 3000) ขนาดของตัวอย่างขึ้นอยู่กับโครงสร้างของข้อมูล ถ้าดี
กลุ่มที่แยกออกมาอยู่ขนาดของกลุ่มตัวอย่างจะมีขนาดเล็ก ดังนั้นค่าเกณฑ์ทั่วไปไม่สามารถ
รับ.
การวิเคราะห์กลุ่ม Explorative และยืนยันคลัสเตอร์วิเคราะห์
Clustering เทคนิคที่ถือได้ว่าเป็นวิธีการสำรวจตรวจในตำราหลาย นี่คือ
ที่ถูกต้องเท่านั้นที่มีขอบเขต พวกเขาเพียงต้องการ specificatoin ของตัวแปรและกรณีที่
ควรจะใช้ ข้อกำหนดจำนวนของกลุ่มที่ไม่จำเป็นล่วงหน้า
จำนวนกลุ่มสามารถกำหนดในหลักการ นอกจากนี้ยังไม่จำเป็นต้องระบุบาง
ลักษณะของคลัสเตอร์ (เช่นตัวแปรการจัดกลุ่ม: ประเทศ A และ B อยู่ในเดียวกัน
กลุ่มหรือกรณีการจัดกลุ่ม: คลัสเตอร์ 1 ชอบประเทศ A, B และ C, คลัสเตอร์ 2 ประเทศ A และ
D, และอื่น ๆ บน). ดังนั้นเทคนิคการจัดกลุ่มอาจถูกนำมาใช้ในทางที่สำรวจตรวจ แต่พวกเขา
ยังสามารถนำไปใช้เป็นเทคนิคการยืนยัน ในกรณีนี้จำนวนกลุ่มและบาง
ลักษณะของกลุ่มที่มีการแก้ไข รูปที่ 1-2 แสดงให้เห็นถึงความแตกต่างระหว่างการสอบสวน
วิเคราะห์กลุ่มและยืนยัน

ผลลัพธ์ (ไทย) 3:

( การเทคนิค วิธีการ และการ k-means clustering ) อาจจะใช้หลักการเทคนิคการวิเคราะห์ agglomerative สามารถขึ้นอยู่กับฮาร์ดแวร์ของคุณ - ใช้สำหรับขนาดเล็ก ( เช่นn = 50 ) และตัวอย่างมีขนาดปานกลาง ( เช่น N = 500 ) วิธีการ k-means ต้องการอย่างน้อยปานกลาง ตัวอย่างขนาด ( เช่น N = 300 ) k-means สามารถใช้ขนาดตัวอย่างใหญ่ด้วย การใช้เทคนิคตัวอย่างขนาดใหญ่ ( เช่น N = 3 , 000 ) ขนาดของกลุ่มตัวอย่างขึ้นอยู่กับโครงสร้างของข้อมูล ถ้าดีแยกกลุ่มมีอยู่ขนาดตัวอย่างมีขนาดเล็กสามารถ ดังนั้น เกณฑ์ทั่วไปค่า ไม่สามารถได้รับการวิเคราะห์เชิงกลุ่มสำรวจและการวิเคราะห์กลุ่มสำหรับเทคนิคที่ถือว่าเป็นวิธีการสำรวจในหนังสือมากมาย นี้คือที่ถูกต้องเท่านั้นที่มีขอบเขต พวกเขาเพียงต้องการ specificatoin ของตัวแปรและกรณีที่ควรใช้ รายละเอียด หมายเลขของกลุ่มเป็นล่วงหน้า ที่จำนวนของกลุ่มได้ในหลักการ มันยังไม่จําเป็นต้องระบุแน่นอนคุณลักษณะของกลุ่ม ( เช่น กลุ่มตัวแปร A และ B อยู่ในประเทศเดียวกันกลุ่ม หรือเป็นกรณี : กลุ่ม 1 ชอบประเทศ A , B และ C , 2 และกลุ่มประเทศD , และอื่น ๆ ) ดังนั้น ข้อมูลเทคนิค อาจใช้วิธีการสำรวจ . แต่พวกเขายังสามารถใช้เป็นเทคนิคเชิง . ในกรณีนี้จำนวนของกลุ่มแน่นอนลักษณะของกลุ่มได้รับการแก้ไข รูปที่ 2 แสดงให้เห็นความแตกต่างระหว่างสำรวจการวิเคราะห์องค์ประกอบเชิงยืนยัน และกลุ่ม .