در این مطلب، ویدئو SPSS: خوشه بندی سلسله مراتبی با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:05:35
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>02
در این ارائه قصد
2
02 =>06
داشتیم نحوه انجام خوشهبندی سلسله مراتبی را
3
06 =>08
با SPSS بررسی کنیم، اکنون نسخه
4
08 =>11
SPSS که من در subversion 21 استفاده میکنم،
5
11 =>14
اگر به این لوله جدید نگاه کنید، توصیه میکنم
6
14 =>16
به حالت تمام صفحه بالا بروید، زیرا باعث میشود
7
16 =>19
این سادهترین راه باشد. با نگاه کردن به آن
8
19 =>21
مجموعه داده ای که قرار است استفاده کنم،
9
21 =>23
ذخیره نقطه خوشه ای کوچک نامیده می شود و می توانید
10
23 =>26
آن را از اینجا در Keio Brian dublin
11
26 =>29
dot wordpress.com دانلود کنید و اساساً من فقط
12
29 =>30
در یک ثانیه به این موضوع باز می گردم، اما
13
30 =>31
اساساً این روش زمانی که به
14
31 =>33
شرح زیر است تجزیه و تحلیل شد دسته بندی
15
33 =>36
سلسله مراتبی ما و ما
16
36 =>37
از گزینه های پیش فرض استفاده خواهیم کرد یا در واقع
17
37 =>39
خوشه بندی سلسله مراتبی است به جای
18
39 =>43
خوشه بندی، بنابراین بیایید به SPSS
19
43 =>45
برویم و با این کار برویم، بنابراین اینجا یک
20
45 =>48
خوشه کوچک وجود دارد، بنابراین در اصل
21
48 =>52
وزن ما به کیلوگرم است. و – سانتیمتر از
22
52 =>54
آنطور که میتوانید حدس بزنید، به این دلیل است که
23
54 =>58
این چند سگ است، بنابراین به هر حال، کاری که ما
24
58 =>01:01
میرویم و انجام میدهیم این است که برای تجزیه و تحلیل
25
01:01 =>01:05
برویم.
26
01:05 =>01:08
بنابراین، زمان خوبی
27
01:08 =>01:10
برای مکث کردن است، من فقط یک
28
01:10 =>01:12
یادداشت سریع می کنم که خوشه بندی طبقه بندی شده را تجزیه و تحلیل می کند،
29
01:12 =>01:14
اکنون کاری که می
30
01:14 =>01:16
خواهیم انجام دهیم این است که دو متغیر عددی را انتخاب می
31
01:16 =>01:17
کنیم
32
01:17 =>01:21
– وزن و متغیر نام که می
33
01:21 =>01:23
خواهیم انتخاب کنیم. در اینجا به عنوان موارد برچسب با
34
01:23 =>01:25
نام قرار دهید، بنابراین اساساً این یک نوع
35
01:25 =>01:27
متغیر توصیفی است – فقط
36
01:27 =>01:29
هر مورد را به طور منحصر به فرد توصیف می کند، ما می خواهیم به
37
01:29 =>01:34
سرعت به گزینه های پیش فرض نگاه کنیم که
38
01:34 =>01:36
چگونه آنها را مرتب کنیم که می
39
01:36 =>01:39
توانیم در یک برنامه آسیایی جذاب انتخاب کنیم و
40
01:39 =>01:41
ماتریس مجاورتی که در واقع به
41
01:41 =>01:43
شما امکان میدهد هر دوی این نمودارها را انتخاب کنید،
42
01:43 =>01:47
اجازه دهید در یک دندروگرام قرار دهید و
43
01:47 =>01:51
یک یخ به علاوه برای ادامه این کار قرار میدهیم و
44
01:51 =>01:54
اکنون در اینجا مهمترین چیز
45
01:54 =>01:56
است، این الگوریتمهایی است که برای تصمیمگیری در
46
01:56 =>02:00
مورد چگونگی موارد مورد استفاده قرار میگیرند. در این
47
02:00 =>02:03
مورد سگها دستهبندی شدهاند، بنابراین اولین چیزی
48
02:03 =>02:04
که در اینجا به آن نگاه میکنیم، روش خوشهبندی است،
49
02:04 =>02:07
بنابراین در واقع تعداد کمی وجود دارد که در
50
02:07 =>02:09
حدود هفت مورد وجود دارد، هفت
51
02:09 =>02:11
تکنیک خوشه