आर्थिक समस्यांचे निराकरण करण्यासाठी साधनांपैकी एक क्लस्टर विश्लेषण आहे. त्यासह, डेटा अॅरेची क्लस्टर आणि इतर ऑब्जेक्ट्स गटांमध्ये वर्गीकृत केली जातात. हे तंत्र एक्सेलमध्ये वापरले जाऊ शकते. आता हे कसे चालले आहे ते पाहूया.
क्लस्टर विश्लेषण वापरणे
क्लस्टर विश्लेषणाच्या सहाय्याने तपासणी केल्यावर सॅम्पलिंग करणे शक्य आहे. एक बहुआयामी अॅरे समलिंगी गटांमध्ये विभाजित करणे हे त्याचे मुख्य कार्य आहे. गटासाठी निकष म्हणून, दिलेल्या पॅरामीटर्सद्वारे जोडी सहसंबंध जोड गुणांक किंवा युक्लिडियन अंतर वापरला जातो. सर्वात जवळील मूल्ये एकत्रित केली जातात.
बहुतेकदा या प्रकारचे विश्लेषण अर्थशास्त्रामध्ये वापरले जात असले तरी ते जीवशास्त्र (प्राण्यांच्या वर्गीकरणासाठी), मनोविज्ञान, औषध आणि मानवी क्रियाकलापांच्या इतर अनेक भागात देखील वापरता येते. या हेतूसाठी एक्सेल टूलकिट वापरुन क्लस्टर विश्लेषण लागू केले जाऊ शकते.
उपयोग उदाहरण
आमच्याकडे पाच वस्तू आहेत, ज्या दोन अभ्यासित घटकांद्वारे दर्शविल्या जातात - एक्स आणि वाई.
- युलक्लिडीनचा दूरध्वनी सूत्र या मूल्यांवर लागू करा, ज्याचा वापर साचातून केला जातो:
= मूळ ((x2-x1) ^ 2 + (y2-y1) ^ 2) - हे मूल्य पाच वस्तूंपैकी प्रत्येक दरम्यान गणना केली जाते. गणना परिणाम अंतराच्या मॅट्रिक्समध्ये ठेवलेले असतात.
- आम्ही पाहतो, ज्या दरम्यान अंतर कमी होते ते कमी आहे. आमच्या उदाहरणामध्ये हे ऑब्जेक्ट्स आहेत. 1 आणि 2. त्यांच्यातील अंतर 4,123106 आहे, जे या लोकसंख्येच्या इतर कोणत्याही घटकांपेक्षा कमी आहे.
- आम्ही हा डेटा एका गटात एकत्र करतो आणि नवीन मॅट्रिक्स तयार करतो ज्यामध्ये मूल्ये असतात 1,2 एक स्वतंत्र घटक म्हणून उभे रहा. मॅट्रिक्स संकलित करताना, संयुक्त सार्यासाठी मागील सारण्यातील सर्वात लहान मूल्ये सोडा. पुन्हा आपण पाहतो की, अंतर कोणत्या घटकांमध्ये कमीतकमी आहे. यावेळी आहे 4 आणि 5तसेच एक ऑब्जेक्ट 5 आणि वस्तूंचा समूह 1,2. अंतर 6,708204 आहे.
- आम्ही निर्दिष्ट घटक सामान्य क्लस्टरमध्ये जोडतो. मागील सारख्या तत्त्वावर आम्ही नवीन मॅट्रिक्स तयार करतो. म्हणजेच आम्ही सर्वात लहान मूल्यांकडे पाहतो. अशा प्रकारे आपण पाहतो की आपला डेटा सेट दोन क्लस्टर्समध्ये विभागला जाऊ शकतो. पहिल्या क्लस्टरमध्ये सर्वात जवळील घटक आहेत - 1,2,4,5. आमच्या प्रकरणात दुसर्या क्लस्टरमध्ये फक्त एक घटक आहे - 3. हे इतर वस्तूंपेक्षा तुलनेने दूर आहे. क्लस्टरमध्ये अंतर 9 .8 4 आहे.
लोकसंख्या गटांमध्ये विभाजित करण्यासाठी प्रक्रिया पूर्ण करते.
जसे आपण पाहू शकता, जरी सामान्य क्लस्टर विश्लेषणात जटिल वाटू शकते, परंतु प्रत्यक्षात या पद्धतीची व्याख्या समजणे इतके कठीण नाही. गटांमध्ये संघटनेचे मूलभूत स्वरूप समजणे ही मुख्य गोष्ट आहे.
