സാമ്പത്തിക പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനുള്ള ഉപകരണങ്ങളിൽ ഒന്നാണ് ക്ലസ്റ്റർ വിശകലനം. അതിനോടൊപ്പം, ക്ലസ്റ്ററുകളും ഡാറ്റാ അറേയിലെ മറ്റു വസ്തുക്കളും ഗ്രൂപ്പുകളായി തിരിച്ചിട്ടുണ്ട്. ഈ ടെക്സ്റ്റിക്ക് Excel- ൽ ഉപയോഗിക്കാവുന്നതാണ്. ഇത് എങ്ങനെ പ്രാവർത്തികമാകുമെന്ന് നമുക്ക് നോക്കാം.
ക്ലസ്റ്റർ വിശകലനം ഉപയോഗിക്കൽ
ക്ലസ്റ്റർ വിശകലനത്തിന്റെ സഹായത്തോടെ അന്വേഷണത്തിന്റെ അടിസ്ഥാനത്തിൽ സാമ്പിൾ നടപ്പിലാക്കാൻ കഴിയും. ഇതിന്റെ പ്രധാന ദൌത്യം ഒരു ബഹുമുഖ അറേ നിരപരാധികളായ വിഭാഗങ്ങളായി വിഭജിക്കുക എന്നതാണ്. ഗ്രൂപ്പിനുള്ള ഒരു മാനദണ്ഡം എന്ന നിലയിൽ ഒരു ജോഡി പരസ്പര കോഡീഷഷ്യം അല്ലെങ്കിൽ യൂക്ലിഡിയൻ ദൂരം നൽകിയിരിക്കുന്ന ഒബ്ജക്റ്റുകളിൽ വസ്തുക്കൾ തമ്മിൽ ഉപയോഗിക്കുന്നു. ഏറ്റവും അടുത്തുള്ള മൂല്യങ്ങൾ ഒരുമിച്ച് സംഘടിപ്പിക്കപ്പെടുന്നു.
മിക്കപ്പോഴും ഈ തരം വിശകലനം സാമ്പത്തിക ശാസ്ത്രത്തിൽ ഉപയോഗിച്ചിട്ടുണ്ടെങ്കിലും, അത് ജീവശാസ്ത്രത്തിലും (മൃഗങ്ങളുടെ വർഗ്ഗീകരണത്തിനായുള്ള), മനശാസ്ത്രം, വൈദ്യം, മനുഷ്യ പ്രവർത്തനത്തിന്റെ മറ്റു പല മേഖലകളിലും ഉപയോഗിക്കാവുന്നതാണ്. ഈ ആവശ്യത്തിനായി Excel ടൂൾകിറ്റ് ഉപയോഗിച്ച് ക്ലസ്റ്റർ വിശകലനം പ്രയോഗിക്കാൻ കഴിയും.
ഉപയോഗ ഉദാഹരണം
നമുക്ക് പഠനപാരമ്പര്യമുള്ള രണ്ടു വസ്തുക്കൾ ഉണ്ട് - x ഒപ്പം y.
- ഈ മൂല്യങ്ങളിലേക്കായി യൂക്ലിഡിയൻ ദൂരം ഫോർമുലയ്ക്ക് ഉപയോഗിക്കുക, അത് ടെംപ്ലേറ്റിൽ നിന്ന് കണക്കുകൂട്ടും:
= ROOT ((x2-x1) ^ 2 + (y2-y1) ^ 2) - ഈ വസ്തുവിന്റെ അഞ്ച് ഒരോ ഒരെണ്ണത്തിനും ഇടയിലാണ് ഇത് കണക്കാക്കുന്നത്. കണക്കുകൂട്ടൽ ഫലങ്ങൾ ദൂരം മാട്രിക്സിൽ സ്ഥാപിച്ചിരിക്കുന്നു.
- ഞങ്ങൾ നോക്കുമ്പോൾ, എത്ര ദൂരം എത്ര ദൂരം ആണ് എന്നതിനെ കുറിച്ചാണ്. നമ്മുടെ ഉദാഹരണത്തിൽ ഇവയെല്ലാം വസ്തുക്കളാണ്. 1 ഒപ്പം 2. അവയ്ക്കിടയിലുള്ള ദൂരം 4,123106 ആണ്, ഇത് ഈ ജനസംഖ്യയിലെ മറ്റെല്ലാ മൂലകങ്ങളുടെയും കുറവാണ്.
- ഞങ്ങൾ ഈ ഡാറ്റ ഒരു ഗ്രൂപ്പിലേക്ക് കൂട്ടിച്ചേർക്കുകയും മൂല്യത്തിൽ ഒരു പുതിയ മെട്രിക്സ് രൂപപ്പെടുത്തുകയും ചെയ്യുന്നു 1,2 ഒരു പ്രത്യേക ഘടകമായി നിൽക്കുക. മാട്രിക്സ് കംപൈൽ ചെയ്യുമ്പോൾ, സംയോജിത മൂലകത്തിന് മുമ്പത്തെ പട്ടികയിൽ നിന്ന് ഏറ്റവും കുറഞ്ഞ മൂല്യങ്ങൾ ഒഴിവാക്കുക. വീണ്ടും നോക്കുമ്പോൾ ദൂരം വളരെ കുറവാണ്. ഈ സമയം 4 ഒപ്പം 5അതുപോലെതന്നെ ഒരു വസ്തുവും 5 വസ്തുക്കളുടെ കൂട്ടം 1,2. 6,708204 ദൂരം.
- വ്യക്തമാക്കിയ മൂലകങ്ങളെ പൊതുവായ ക്ലസ്റ്ററിൽ നമ്മൾ ചേർക്കുന്നു. മുമ്പത്തെ സമയത്തെ അതേ തത്ത്വത്തിൽ ഞങ്ങൾ ഒരു പുതിയ മെട്രിക്സ് രൂപപ്പെടുത്തുന്നു. അതായത്, നമ്മൾ ഏറ്റവും ചെറിയ മൂല്യങ്ങൾ നോക്കുന്നു. അതിനാൽ, നമ്മുടെ ഡാറ്റാ സെറ്റ് രണ്ട് ക്ലസ്റ്ററുകളെ വേർതിരിക്കാനാകുമെന്ന് കാണാം. ആദ്യത്തെ ക്ലസ്റ്ററിലാണ് ഏറ്റവും അടുത്ത മൂലകങ്ങൾ - 1,2,4,5. ഞങ്ങളുടെ രണ്ടാമത്തെ ക്ലസ്റ്ററിൽ ഒരു ഘടകം മാത്രമേയുള്ളൂ - 3. അത് മറ്റു വസ്തുക്കളിൽ നിന്നും വളരെ ദൂരെയാണ്. ക്ലസ്റ്ററുകൾ തമ്മിലുള്ള ദൂരം 9.84 ആണ്.
ജനങ്ങളെ വിഭാഗങ്ങളായി വിഭജിക്കുന്നതിനുള്ള പ്രക്രിയ പൂർത്തിയാക്കുന്നു.
നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, പൊതു ക്ലസ്റ്റർ വിശകലനം സങ്കീർണ്ണമായി തോന്നാമെങ്കിലും, ഈ രീതിയുടെ സൂക്ഷ്മത മനസിലാക്കാൻ അത്ര എളുപ്പമല്ല. ഗ്രൂപ്പുകളിലെ അസോസിയേഷൻ അടിസ്ഥാന രീതി മനസ്സിലാക്കുന്നതിനുള്ള പ്രധാനകാര്യം.
