Page 180 - 4511

За міру подібності  ,xd i x j  між елементами приймемо
евклідову відстань між ними:
p 2


d  ,x i x j  x   r x   r  .
i
j
r 1
Міру подібності множин (груп) визначимо за формулою

d X  1k  , X  1k   a d X   k , X   k 
e
e
m
m
 b d X   k , X   k  c d X   k , X   k ,
q
m
e
q
де
n  n n  n q n
e
a  e m , b  , c  e .
n  n  n q n  n  n q n  n  n q
m
e
m
e
e
m

 1
 1
Множину X k  1 із індексом k на k - кроці алго-
m
ритму отримують об’єднання двох множин із індексом k , які
мають мінімальну відстань із усіх можливих пар

X   k U X   k  X   1k
m
q
m

і за формулою
1
k
X   X   k U 
e
e
для усіх інших множин X   k ( - порожня множина).
e
На кожному кроці об’єднуються тільки дві множини.

9.2 Кластерний аналіз у рамках програми STATISTI-
CA

Модуль кластерного аналізу включає реалізацію трьох
методів : кластеризацію методом К - середніх, ієрархічну клас-
теризацію (об'єднання, деревовидна кластеризація) і двувходо-
вую кластеризацію. Програма може використовувати, як зви-
чайний файл початкових даних, так і матрицю відстаней.

179