Page 193 - 4511

об'єктів) для ідентифікації прихованої розмірності. Ця розмір-
ність може розглядатися як "приховані" (латентні) змінні, що
корелюються з спостережуваними вимірами. Методи кластер-
ного аналізу такі, як метод об'єднання (деревовидній кластери-
зації) можуть бути застосовані, незалежно від того, які міри ві-
дстані використовуються. Немає строгих вимог, що відносяться
до прихованих розподілів або масштабу вимірів. Таким чином,
кластери являються за своєю природою чисто описовими об'є-
ктами. Метод не дає статистичних виводів відносно прихова-
них змінних (проте, відмітимо, що можна посперечатися про те,
що аналіз головних компонент, на відміну від факторного ана-
лізу, є тільки описовим методом скорочення даних.).

Кластерний аналіз порівняно з багатовимірним шка-
луванням (MDS).

Багатовимірне шкалування схоже з факторним аналізом
інтерпретацією результатів. Метою багатовимірного шкалу-
вання є знаходження простору меншої розмірності, чим мають
об'єкти, представлені для аналізу, на основі відстаней між об'є-
ктами або схожості між ними. Проте, подібно до методів клас-
терного аналізу, багатовимірне шкалування є також алгорит-
мом класифікації в тому сенсі, що цей метод пересуває ітерати-
вно об'єкти для того, щоб дати їх краще представлення (тобто
їх відстані) в к-вимірному просторі. Також як і у факторному
аналізі, остаточна розмірність може вважатися прихованими
(латентними) змінними, в які поміщена загальна "істотна час-
тина" усіх змінних.

Кластерний аналіз порівняно з дискримінантним ана-
лізом
На перший погляд здається, що дискримінантний аналіз
має деяку схожість з методом К - середніх. Насправді ці методи
надзвичайно різні за своєю природою і інтерпретації. У дискри-
мінантному аналізі ви знаєте заздалегідь, до якої сукупності
(кластеру) належить кожне спостереження. Метою аналізу є ви-
значення, яка змінна або комбінація змінних краще розділяє ці
сукупності.
У кластерному аналізі К - середніми ви не знаєте апріорі,
до якого класу належить об'єкт, і навіть не маєте упевненості в

192