АНАЛИЗ КЛАСТЕРНЫЙ
КЛАСТЕРНЫЙ АНАЛИЗ
группа статистических методов, применяемых для разделения переменных или наблюдений на строго взаимосвязанные группы, например, для того, чтобы выделить кластеры в повседневном надзоре за заболеванием.
Источник: Эпидемиологический словарь. 2009 г.
кластерный анализ
разновидность многомерного математического анализа, позволяющего на основе многочисленных показателей вероятностных психических процессов, явлений сгруппировать их в классы (кластеры) по степени их однородности.
Источник: Конюхов Н.И. Прикладные аспекты современной психологии: термины, концепции,методы. 1992
КЛАСТЕРНЫЙ АНАЛИЗ
Общее название для различных математических методов определения глубинной структуры в сложных данных. Кластерный анализ по многим аспектам подобен факторному анализу. Оба включают поиск унитарных элементов (факторов или кластеров), которые объясняют вариативность анализируемых данных.
АНАЛИЗ КЛАСТЕРНЫЙ
математико-статистические процедуры (методы), предназначенные для определения структуры, лежащей в основе какой-либо совокупности эмпирических данных. А.к. как и факторный анализ нацелен на определение общей основы сложного множества фактов, однако отличается от него нацеленностью на поиск не отдельных факторов, а кластеров (групп факторов). См. кластер, математическая статистика, факторный анализ.
Источник: Психологичеcкий словарь. М. Владос. 2007
Кластерный анализ
совокупность методов, предназначенных для разделения множества элементов (объектов или признаков) на группы (кластеры) так, чтобы в каждой находились в некотором смысле наиболее близкие между собой элементы. К.а основан на выявлении групп тесно коррелирующих признаков, для каждой из которых находится свой фактор. При группировке признаков в качестве показателя близости используются коэффициенты парной корреляции.
Источник: Основные понятия психодиагностики и экспериментальной психологии. Cловарь 2006
АНАЛИЗ КЛАСТЕРНЫЙ
математическая процедура анализа многомерного, позволяющая на основе множества показателей, характеризующих ряд объектов, сгруппировать их в классы - кластеры - так, чтобы объекты внутри класса были более однородными и сходными, чем объекты разных классов. На основе численных параметров объектов вычисляются расстояния между ними, выражаемые в евклидовой метрике (самой употребимой) или в других. Метод широко применяется в психолингвистике.
Источник: Головин С.Ю. Словарь практического психолога. 1998
КЛАСТЕРНЫЙ АНАЛИЗ
англ. cluster analysis) - математическая процедура многомерного анализа, позволяющая на основе множества показателей (как объективных, так и субъективных), характеризующих ряд объектов (напр., испытуемые, стимулы), сгруппировать их в классы (кластеры) т. о., чтобы объекты, входящие в один класс, были более однородными, сходными по сравнению с объектами, входящими в др. классы. На основе численно выраженных параметров объектов вычисляются расстояния между ними, которые могут выражаться как в Евклидовой метрике (наиболее употребимой), так и в др. метриках. Метод К. а. нашел широкое применение в психолингвистике, характерологии, антропологии, археологии и др. (В. Ф. Петренко.)
Источник: Большой психологический словарь. Сост. Мещеряков Б., Зинченко В. Олма-пресс. 2004
Кластерный анализ
математический метод определения глубинной структуры, близкий факторному анализу. Оба упомянутых метода включают поиск унитарных элементов (факторов, кластеров), которые объясняют вариативность получаемых данных. Иными словами, кластерный анализ позволяет различать группы объектов, явлений, имеющих относительные различия с другими группами с тем, чтобы изучать далее характеристики объектов внутри группы. Наиболее распространен метод иерархического кластерирования, он может “работать” и с “нижней”, и с “верхней” группами. В аггломеративном иерархическом кластерировании (то есть работающего «снизу») процесс начинается со многих кластеров (лат. agglomeratus - присоединенный; накопленный).
Источник: Жмуров В.А. Большая энциклопедия по психиатрии. 2012
КЛАСТЕРНЫЙ АНАЛИЗ
математическая процедура многомерного анализа, позволяющая на основе множества показателей, характеризующих ряд объектов (напр., испытуемых), сгруппировать их в классы (кластеры) т. о., чтобы объекты, входящие в один класс, были более однородными, сходными по сравнению с объектами, входящими в др. классы. На основе численно выраженных параметров объектов вычисляются расстояния между ними, которые могут выражаться как в евклидовой метрике, так и в др. метриках. Метод К. а. м. б. достаточно эффективным в изучении конфликтов. Конфликты – слишком сложное явление для того, чтобы исследовать их, не упрощая. Группировка конфликтов в кластеры (напр., конфликты между начальником и подчиненным, в которых победу одержал подчиненный) дает возможность получить информацию, которую с помощью др. процедуры добыть затруднительно.
Источник: Анцупов А.Я., Шипилов А.И. Словарь конфликтолога. 2009
КЛАСТЕРНЫЙ АНАЛИЗ
метод группировки экспериментальных данных в классы таксоны), построенные таким образом, что наблюдения, попавшие в один класс, в некотором смысле становятся ближе друг к другу, чем к наблюдениям из других классов. Предпочтительный тип процедуры К. а. существенно зависит от числа наблюдений. Для малых выборок (не более сотни наблюдений) используются иерархические и параллельные процедуры. Принцип работы иерархических процедур состоит в последовательном объединении (разделении) наблюдений сначала самых близких (далеких), а затем все более отдаленных друг от друга (приближенных). Наиболее часто встречаемый алгоритм иерархической процедуры — алгоритм «ближайшего соседа». Он применяется к матрице расстояний между наблюдениями и на первом шаге объединяет два самых близких наблюдения. После этого матрица расстояний пересчитывается с учетом предположения, что объединенная пара — единый кластер. Следующий такой же шаг применяется к новой матрице. алгоритма формально кончается, когда все исходные наблюдения объединяются в кластер. Реальный останов алгоритма следует сделать либо когда число кластеров окажется равным наперед заданному, либо когда все элементы матрицы окажутся превышающими заданный порог (если число кластеров заранее не известно). Параллельные процедуры предусматривают одновременный обсчет всех наблюдений на каждом шагу алгоритма. Напр., рассматриваются наблюдения подлежащие разбиению на неизвестное число классов. Для произвольного наблюдения отбираются наблюдения, находящиеся от него на расстоянии, не превышающем пороговое. Находится среднее число наблюдений (центр кластера), попавших в выделенное множество. Снова отбираются наблюдения, отстоящие от центра не далее чем на пороговое значение. Процедура повторяется до тех пор, пока центр не перестанет сдвигаться. Для точек, не вошедших в выделенный кластер, алгоритм повторяется. Если число группируемых наблюдений велико (от нескольких сотен и более), применяют последовательные процедуры. Напр., случайным образом выбирается наблюдение, объявляемое центром первого кластера. Другая точка относится к если ее расстояние от центра меньше порогового, в противном случае она объявляется центром кластера На n-м шаге, когда уже имеется кластеров, новая точка становится центром кластера или относится к одному из классов ..., Трудности применения К. а. связаны с недостаточной разработанностью критериев эффективности и допустимости кластерных процедур. Известен ряд примеров, когда применение соответствующих алгоритмов К. а. не приводит к получению устойчивой структуры экспериментальных данных. Поэтому обычно К. а. применяется в совокупности с другими методами (в частности, с факторным анализом, контролируя адекватность полученных им структур). В инженерной психологии, психологии труда и управления К. а. применяется во всех тех случаях, когда необходима оптимальная группировка объектов, оцениваемых многопараметрически (испытуемых, стимулов, шкал и т. д.). Такая задача встречается, напр., при решении некоторых вопросов профессионального отбора.
Кластерный анализ
clucter analysis) К. а. - это общий термин для целого ряда методов, используемых для группировки объектов, событий или индивидов в классы (кластеры) на основе сходства их характерных признаков. Несмотря на отсутствие единого определения кластера, во всех его определениях особо подчеркиваются такие условия, как сходство, однородность и близость. Если воспользоваться специальной терминологией, то кластеры можно определить как однородные подгруппы, формируемые методом, к-рый минимизирует дисперсию внутри групп (кластеров) и максимизирует дисперсию между группами. Методики кластеризации используются для установления сходных подгрупп объектов или индивидов и для построения таксономии. Т. о., они помогают исследователю в описании структуры совокупности объектов и отношений между ними, а тж в формулировании законов и утверждений относительно классов объектов. Все методы К. а. состоят из четырех осн. шагов: а) выбор мер и произведение измерений характерных признаков объектов или индивидов, подлежащих классиф.; б) задание меры сходства; в) формулирование правил и определение порядка формирования кластеров; г) применение этих правил к данным для формирования кластеров. Т. к. каждый шаг предполагает выбор из множества возможных процедур, был разраб. широкий спектр методик кластеризации. На первом шаге принимается решение о том, какие характерные признаки или свойства будут использоваться в качестве основы классиф. Конечно, это решение будет зависеть от проблемы исслед. и природы классифицируемых объектов. Хотя обычно все признаки имеют одинаковые веса, не исключается возможность выбора процедуры приписывания различных весов. Принимаемое на втором шаге решение связано с выбором подходящей меры сходства. Это м. б. число общих признаков, корреляция между признаками, метрика (пространства классиф.) или к.-л. др. мера. На третьем шаге выбирается сам метод классиф. Агломеративные методы начинают с анализа отдельных объектов или индивидов и объединяют их в группы; методы расслоения начинают с анализа полной группы и делят ее на подгруппы. Классиф. по одному признаку приводят к классам, все элементы к-рых имеют по крайней мере один общий отличительный признак; классиф., осн. на сравнении неск. признаков, приводят к группам, к-рые обладают рядом общих свойств, но не обязательно обладают к.-л. одним общим отличительным признаком. Принимаемое на четвертом шаге решение касается момента остановки процедуры классиф. или, проще говоря, определения количества сформированных групп. Это может определяться как внутренними критериями (напр., естественным разбиением полной группы на подгруппы), так и внешними критериями (т. е. тем, какая схем. классиф. приводит к наиболее полезным закономерностям). Наконец, необходимо решить, будет ли использоваться иерархическая или неиерархическая схем. классиф. При выборе иерархической схем. сформированные группы будут находиться на различных уровнях обобщенности (как в биолог. таксономиях); в случае выбора неиерархической схемы получаются группы одного уровня обобщенности (как при использовании Q-техники факторного анализа). Рез-ты этих решений будут определять подходящий метод К. а. и характер сформированных кластеров. См. также Критериальные меры, Методы эмпирического исследования, Измерение, Статистика в психологии Ф. Г. Браун
Источник: Корсини Р., Ауэрбах А. Психологическая энциклопедия. 2006