k均值聚类法算例？
k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。
SPSS教程（33）：K-均值聚类分析？
K-均值聚类法相对于层次聚类法来说运算速度快很多，所以又称为快速聚类法。
1、选择需要分析的数据
2、选择菜单【分析】-【分类】-【K-均值】，在跳出的对话框中进行如下操作，将标准化后的5个变量选入变量框中，聚类数填写5，其它保持默认状态
3、分别点击【迭代】、【保存】和【选项】按钮，然后依据实际需要选中项目。下图是聚类分析最基本的几个结果选项。
4、点击确定，输出结果初始聚类中心和最终聚类中心
5、迭代历史
6、方差分析结果
7、每个类别的个案数
8、五类客户的行为因素特征描述
怎么做聚类分析树状图？急？
这是用SPSS系统聚类法做出的聚类结果树状图。1，系统聚类的基本思想是：开始将n个样本各自作为一类，并规定样本之间的距离和类与类之间的距离，然后将距离最近的两类合并成一个新类，计算新类与其他类的距离；重复进行两个最近类合并，每次减少一个类，纸质所有样本合并为一类。你发的树状图就是根据这个过程得来的。
2，最上面一行的距离值表示个案与个案的距离值，这个是软件换算出的，不可以调整。
3，可能是你的SPSS版本较旧的原因，树状图是断开的，可能不太好分辨，新版本都是连上的线段。但仍可继续做分析。根据树状图可知，
第一次合并将7、8合为一类，1、3为一类，2、4、5为一类，说明它们之间最相似，距离最近。
第二次合并将6并入7、8的类。
第三次合并将1、3并入6、7、8所在类。此时总共就剩两类了
第四次，把所有的个体合为一类
4，最终合为一类不代表不分类，而是你根据自己的需要确定类个数，再从图上找结果。比如你最终想分类两类，结果就是『7、8、6、1、3』和『2、4、5』
利用SPSS进行数据的系统聚类分析？
spss统计分析软件除了有主成分分析、因子分析功能之外还有聚类分析的功能，聚类分析能够将物理或者抽象的对象集合分组为由类似的对象组成的多个类的分析过程。本 文将给大家详细介绍spss实现聚类分析的过程。
1、打开SPSS19.0，在界面内输入你需要分析的数据。
2、在上面菜单栏选择“分析”-“分类”-“系统聚类”，得到系统聚类选项框。
3、将A、B、C、D四组数据分别选择进入变量框内。
4、点击右边“绘制”选项，选中“树状图”。
5、在“方法”选项中选择你需要选择的方法。
6、点击“继续”-“确认”。恭喜你，你需要的系统类聚树状图出来了。
k均值聚类结果怎么分析？
一、概念：（分析-分类-K均值聚类）
1、此过程使用可以处理大量个案的算法，根据选定的特征尝试对相对均一的个案组进行标识。不过，该算法要求您指定聚类的个数。如果知道，您可以指定初始聚类中心。您可以选择对个案分类的两种方法之一，要么迭代地更新聚类中心，要么只进行分类。可以保存聚类成员、距离信息和最终聚类中心。还可以选择指定一个变量，使用该变量的值来标记个案输出。您还可以请求分析方差F统计量。
二、聚类中心（分析-分类-K均值聚类）
为获得最佳有效性，可取一个个案样本并选择迭代和分类方法确定聚类中心。选择最终聚类中心另存为。然后恢复整个数据文件并选择仅分类作为方法，并选择读取初始聚类中心来源以使用该样本估计的中心对整个文件分类。您可以写入和读取文件或数据集。可以在同一会话中继续使用数据集，但不会将其另存为文件，除非在会话结束之前明确将其保存为文件。数据集名称必须符合变量命名规则。
三、迭代（分析-分类-K均值聚类-迭代）
注意：只有在您从“K均值聚类分析”对话框中选择了迭代和分类方法的情况下，这些选项才可用。◎最大迭代次数。限制K均值算法中的迭代次数。即使尚未满足收敛准则，达到迭代次数之后迭代也会停止。此数字必须在1到999之间。◎收敛性标准。确定迭代何时停止。它表示初始聚类中心之间的最小距离的比例，因此必须大于0且小于等于1。例如，如果准则等于0.02，则当完整的迭代无法将任何聚类中心移动任意初始聚类中心之间最小距离的2%时，迭代停止。◎使用运行均值。允许您请求在分配了每个个案之后更新聚类中心。如果不选择此选项，则会在分配了所有个案之后计算新的聚类中心。
四、保存（分析-分类-K均值聚类-保存）
1、聚类成员。创建指示每个个案最终聚类成员的新变量。新变量的值范围是从1到聚类数。
2、与聚类中心的距离。创建指示每个个案与其分类中心之间的欧式距离的新变量。
五、选项：（分析-分类-K均值聚类-选项）
统计量。您可以选择以下统计量：初始聚类中心、ANOVA表以及每个个案的聚类信息。◎初始聚类中心.每个聚类的变量均值的第一个估计值。默认情况下，从数据中选择与聚类数相等的分布良好的多个个案。初始聚类中心用于第一轮分类，然后再更新。◎ANOVA表.显示方差分析表，该表包含每个聚类变量的一元F检验。F检验只是描述性的，不应解释生成的概率。如果所有个案均分配到单独一个聚类，则ANOVA表不显示。◎每个个案的聚类信息.显示每个个案的最终聚类分配，以及该个案和用来对个案分类的聚类中心之间的Euclidean距离。还显示最终聚类中心之间的欧氏距离。
