Documente Academic
Documente Profesional
Documente Cultură
IW
k X
X
(1)
d2 j; gi
115
(1)
IW
i=1 j2Egi
2.3.2
Exemplu
Descrierea datelor
Revenind la exemplul raselor de cini (subcapitolul 1.4.6) reamintim c
a
n urma aplic
arii analizei corespondentelor multiple au fost identicate patru
grup
ari principale:
cinii de vn
atoare
cinii de paz
a
cinii de companie
rase lente si mai putin inteligente.
Acest rezultat va comparat cu rezultatul obtinut utiliznd metoda de
clasicare neierarhic
a k-means pentru identicarea partitiei optime n k = 4
clustere a multimii raselor de cini. Reamintim c
a o conditie principal
a pentru
utilizarea acestei metode este cunoasterea priori a num
arului de clase (vezi
subcapitolul 2.3). Datele de intrare se reg
asesc n tabelul A.4. (Anex
a) cu
116
mentiunea c
a, de aceast
a dat
a, variabila care d
a denumirile raselor (R) nu va
mai constitui o variabil
a suplimentar
a ci o variabil
a de etichetare a indivizilor.
Pentru a realiza aceast
a modicare, n bara de meniu se apas
a Cases, Case
Names Manager si, n fereastra ap
arut
a, se completeaz
a numele variabilei de
unde se preiau numele indivizilor - R (g. 2.3.3.).
2.3. METODE DE CLASIFICARE NEIERARHICA
117
118
distanta de la ecare membru la centrul clasei din care face parte (tabelul
2.3.2.).
Caracteristicile specice ec
arei clase sunt date de mediile variabilelor
ce particip
a la analiz
a, calculate pentru ecare clas
a. Aceste rezultate sunt
disponibile n format tabelar, prin ap
asarea butonului Descriptive statistics
for each cluster, sau n format grac, prin ap
asarea butonului Graph of means
(g 2.3.6.).
tabelul 2.3.2. Membrii clusterelor Si distanT ele la centre
2.3. METODE DE CLASIFICARE NEIERARHICA
119
120
2.4
2.4.1
Aspecte formale
Deni
tia 2.4.1 Fie E o multime nit
a. O multime de multimi, H
se numeste ierarhie dac
a si numai dac
a
P (E),