什么是聚类分析？
1、与多元分析的其他方法相比，聚类分析是很粗糙的，理论尚不完善，但由于它成功地应用于心理、经济、社会、管理、医学、地质、生态、地震、气象、考古、企业决策等，因此成了多元分析的重要方法，统计包中都有丰富的软件，对数据进行聚类处理。
2、聚类分析除了独立的统计功能外，还有一个辅助功能，就是和其他统计方法配合，对数据进行预处理。
例如，当总体不清楚时，可对原始数据进行聚类，根据聚类后相似的数据，各自建立回归分析，分析的效果会更好。同时如果聚类不是根据个案，而是对变量先进行聚类，聚类的结果，可以在每一类推出一个最有代表性的变量，从而减少了进入回归方程的变量数。
3、聚类分析是研究按一定特征，对研究对象进行分类的多元统计方法，它并不关心特征及变量间的因果关系。分类的结果，应使类别间个体差异大，而同类的个体差异相对要小。
扩展资料：
聚类效果的检验：
一、聚类分析后得到的每个类别是否可以进行有效的命名，每个类别的特征情况是否符合现实意义，如果研究者可以结合专业知识对每个聚类类别进行命名，即说明聚类效果良好，如果聚类类别无法进行命名，则需要考虑重新进行聚类分析。
二、使用判别分析方法进行判断，将SPSS生成的聚类类别变量作为因变量(Y)，而将聚类变量作为自变量(X)进行判别分析，判别分析具体分析聚类变量与类别之间投影关系情况，如果研究人员对聚类分析效果非常在乎，可以使用判别分析进行分析。
三、聚类分析方法的详细过程说明，描述清楚聚类分析的科学使用过程，科学的聚类分析方法使用即是良好结果的前提保障。
是、聚类分析后每个类别样本数量是否均匀，如果聚类结果显示为三个类别，有一个类别样本量非常少，比如低于30，此时很可能说明聚类效果较差。针对聚类效果的判断，研究者主要是结合专业知识判断，即聚类类别是否可以进行有效命名。
参考资料来源：百度百科—聚类分析
聚类分析是根据事物本身的特性研究个体分类的方法。聚类分析的原则是同一类中的个体有较大相似性，不同类个体中差异较大。
比如kmeans聚类kmeans算法首先需要选择k个初始化聚类中心，其原理是计算每个数据对象到k个初始化聚类中心的距离。将数据对象分到距离聚类中心最近的那个数据集中，当所有的数据对象都划分以后，就形成了k个数据集（即k个簇）。kmeans算法呗广泛应用于数据挖掘和数据集处理以及图像分割等领域，也常常在用户画像中起着重要作用。kmeans使用的欧氏距离源自欧式空间中两点间距离公式，距离表示为：
可以使用SPSSAU进行聚类分析：
结果如下：
如上图所示，刚毛鸢尾花在花瓣宽、花瓣长两个属性数据的分布上与另外两个类别差异较为明显，具体表现为刚毛鸢尾花在花瓣长、宽数据上是都是最小的，刚毛鸢尾花的花瓣面积小这个特征较明显。此外，佛吉尼亚鸢尾花似乎有更长的花萼和花瓣。
