『壹』 聚類分析在基因表達的數據挖掘分析中的地位有多大
數據挖掘有三個主要的應用方向：關聯/相關分析、分類與預測、聚類。
除了你提到的那些方面，就是關聯分析了。
所謂基因表達的聚類分析的應用，應該主要是相似基因的聚類吧。不好量化說，但應該是一個主要的方向。
『貳』 聚類分析解決股票投資問題有什麼意義
炒股選擇輔助軟體，請選擇紅三兵股票決策系統、
『叄』 聚類分析的意義是什麼
1、與多元分析的其他方法相比，聚類分析是很粗糙的，理論尚不完善，但由於它成功地應用於心理、經濟、社會、管理、醫學、地質、生態、地震、氣象、考古、企業決策等，因此成了多元分析的重要方法，統計包中都有豐富的軟體，對數據進行聚類處理。
2、聚類分析除了獨立的統計功能外，還有一個輔助功能，就是和其他統計方法配合，對數據進行預處理。
例如，當總體不清楚時，可對原始數據進行聚類，根據聚類後相似的數據，各自建立回歸分析，分析的效果會更好。同時如果聚類不是根據個案，而是對變數先進行聚類，聚類的結果，可以在每一類推出一個最有代表性的變數，從而減少了進入回歸方程的變數數。
3、聚類分析是研究按一定特徵，對研究對象進行分類的多元統計方法，它並不關心特徵及變數間的因果關系。分類的結果，應使類別間個體差異大，而同類的個體差異相對要小。
(3)聚類分析在股票分析中的優勢擴展閱讀：
聚類效果的檢驗：
一、聚類分析後得到的每個類別是否可以進行有效的命名，每個類別的特徵情況是否符合現實意義，如果研究者可以結合專業知識對每個聚類類別進行命名，即說明聚類效果良好，如果聚類類別無法進行命名，則需要考慮重新進行聚類分析。
二、使用判別分析方法進行判斷，將SPSS生成的聚類類別變數作為因變數(Y)，而將聚類變數作為自變數(X)進行判別分析，判別分析具體分析聚類變數與類別之間投影關系情況，如果研究人員對聚類分析效果非常在乎，可以使用判別分析進行分析。
三、聚類分析方法的詳細過程說明，描述清楚聚類分析的科學使用過程，科學的聚類分析方法使用即是良好結果的前提保障。
是、聚類分析後每個類別樣本數量是否均勻，如果聚類結果顯示為三個類別，有一個類別樣本量非常少，比如低於30，此時很可能說明聚類效果較差。針對聚類效果的判斷，研究者主要是結合專業知識判斷，即聚類類別是否可以進行有效命名。
『肆』 模糊聚類分析方法與聚類分析法有哪些優點
模糊聚類（FCM）是聚類分析方法中的一種，是模糊數學融入K-means，對其進行改進。一般的劃分演算法，如K-means，是把數據劃分到不相交的類中的。即每個數據通過計算最終都將屬於一個且唯一一個聚類。然而客觀世界中大量存在著界限並不分明的聚類問題。模糊聚類擴展了傳統聚類的思想。FCM考慮一個靠近兩個類邊界的對象，它離其中的一個稍微近一些，如果對每一個對象和每一個類賦予一個權值，指明該對象屬於該簇的程度(被稱為隸屬度)，通過使用隸屬，使得可以把每一個數據分配給所有的聚類，不同於傳統的聚類方法，模糊聚類的結果使得每個數據最終可能屬於多個聚類，每個數據對每個聚類分配一個隸屬度。聚類的結果可以表示為一個模糊矩陣。實際上，就是為提高聚類的分類效果的一種改進方法。
另外，聚類分析的優勢是通過樹立的角度對數據做智能劃分，免去人工劃分的痛苦。同時，一個對象由若干種不同性質的屬性構成，通過聚類進行分類，為人們做決策提供參考。
『伍』 股票技術分析的優點有哪些又有什麼缺陷
技術分析是指以市場行為為研究對象，以判斷市場趨勢並跟隨趨勢的周期性變化來進行股票及一切金融衍生物交易決策的方法的總和。技術分析認為市場行為包容消化一切信息、價格以趨勢方式波動、歷史會重演。
2、技術分析盲區與誤區
應用技術分析研判走勢應該注意規避技術分析的盲區與誤區。所謂技術分析盲區，就是指技術指標無法預測或者預測失靈的區域，比如KDJ指標預測上升段和下跌段比較准確，但是出現高位鈍化和低位鈍化就是KDJ指標進入了技術分析盲區。又比如乖離率、布林線等技術指標做超跌反彈比較有效，但是，牛市末期反轉的第一波下跌行情往往是慣性下跌行情，很多技術指標出現超跌反彈信號，結果都是失靈的，這也是技術分析盲區。所謂技術分析誤區，就是指技術指標預測結果有時准確有時不準確的區域，比如說很多著名分析師和炒股高手總結捕捉黑馬的技術指標和標准，在熊市末期和牛市初期是安全可靠的，如果在熊市初期和平衡市按圖索驥就是技術分析誤區。還有多數技術指標存在的滯後現象，也是技術分析的盲區與誤區，投資者應該注意。
『陸』 數學建模中模糊聚類分析法的優缺點
數學建模中模糊聚類分析法優點：聚類分析模型的優點就是直觀，結論形式簡明。 缺點：在樣本量較大時，要獲得聚類結論有一定困難。
由於相似系數是根據被試的反映來建立反映被試間內在聯系的指標， 而實踐中有時盡管從被試反映所得出的數據中發現他們之間有緊密的關系，但事物之間卻無任何內在聯系，此時，如果根據距離或相 似系數得出聚類分析的結果，顯然是不適當的，但是，聚類分析模型本身卻無法識別這類錯誤。
模糊聚類分析是根據客觀事物間的特徵、親疏程度、相似性，通過建立模糊相似關系對客觀事物進行聚類的分析方法。
模糊劃分矩陣有無窮多個，這種模糊劃分矩陣的全體稱為模糊劃分空間。最優分類的標準是樣本與聚類中心的距離平方和最小。因為一個樣本是按不同的隸屬度屬於各類的，所以應同時考慮它與每一類的聚類中心的距離。逐步聚類法需要反復迭代計算，計算工作量很大，要在電子計算機上進行。算出最優模糊劃分矩陣後，還必須求得相應的常規劃分。此時可將得到的聚類中心存在計算機中，將樣本重新逐個輸入，去與每個聚類中心進行比較，與哪個聚類中心最接近就屬於哪一類。
這種方法要預先知道分類數，如分類數不合理，就重新計算。這就不如運用基於模糊等價關系的系統聚類法，但可以得到聚類中心，即各類模式樣本，而這往往正是所要求的。因此可用模糊等價關系所得結果作為初始分類，再通過反復迭代法求得更好的結果。
『柒』 聚類分析和支持向量機各自的優點和缺點是什麼，如果同時應用兩種方法會更好一些嗎
數學建模中模糊聚類分析法優點：聚類分析模型的優點就是直觀，結論形式簡明。 缺點：在樣本量較大時，要獲得聚類結論有一定困難。
由於相似系數是根據被試的反映來建立反映被試間內在聯系的指標， 而實踐中有時盡管從被試反映所得出的數據中發現他們之間有緊密的關系，但事物之間卻無任何內在聯系，此時，如果根據距離或相 似系數得出聚類分析的結果，顯然是不適當的，但是，聚類分析模型本身卻無法識別這類錯誤。
『捌』 聚類分析在股票板塊中的應用 急需此題論文！！
請先看看下面這教程，看能否找到你要的答案，不明再問我。。
www.fjmu.e.cn
『玖』 如何判斷聚類分析結構的優劣
需要搜集用戶的哪些特徵？聚類分析變數選擇的原則是：在哪些變數組合的前提，使得類別內部的差異盡可能的小，即同質性高，類別間的差異盡可能的大，即同質性低，並且變數之間不能存在高度相關。常用的用戶特徵變數有：①
人口學變數：如年齡、性別、婚姻、教育程度、職業、收入等。通過人口學變數進行分類，了解每類人口的需求有何差異。②
用戶目標：如用戶為什麼使用這個產品？為什麼選擇線上購買？了解不同使用目的的用戶的各自特徵，從而查看各類目標用戶的需求。③
用戶使用場景：用戶在什麼時候，什麼情況下使用這個產品？了解用戶在各類場景下的偏好/行為差異。④
用戶行為數據：如使用頻率，使用時長，客單價等。劃分用戶活躍等級，用戶價值等級等。⑤
態度傾向量表：如消費偏好，價值觀等，看不同價值觀、不同生活方式的群體在消費取向或行為上的差異。需要多少樣本量？沒有限制，通常情況下與實際應用有關，如果非要加一個理論的限制，通常認為，樣本的個數要大於聚類個數的平方。①如果需要聚類的數據量較少（lt;100），那麼三種方法(層次聚類法，K-均值聚類法，兩步聚類法)都可以考慮使用。優先考慮層次聚類法，因為層次聚類法產生的樹狀圖更加直觀形象，易於解釋，並且，層次聚類法提供方法、距離計算方式、標准化方式的豐富程度也是其他兩種方法所無法比擬的。②如果需要聚類的數據量較大（;1000），應該考慮選擇快速聚類別法或者兩步聚類法進行。③如果數據量在100～1000之間，理論上現在的計算條件是可能滿足任何聚類方法的要求的，但是結果的展示會比較困難，例如不可能再去直接觀察樹狀圖了。應用定量方法還是定性方法？聚類分析是一種定量分析方法，但對聚類分析結果的解釋還需要結合定性資料討論。1.聚類分析的定義與用途聚類分析（Cluster Analysis）是一種探索性的數據分析方法，根據指標/變數的數據結構特徵，對數據進行分類，使得類別內部的差異盡可能的小，即同質性高，類別間的差異盡可能的大，即同質性低。2.聚類分析的方法①層次聚類法（Hierarchical），也叫系統聚類法。既可處理分類變數，也可處理連續變數，但不能同時處理兩種變數類型，不需要指定類別數。聚類結果間存在著嵌套，或者說層次的關系。②K-均值聚類法（K-Means Cluster），也叫快速聚類法。針對連續變數，也可處理有序分類變數，運算很快，但需要指定類別數。K-均值聚類法不會自動對數據進行標准化處理，需要先自己手動進行標准化分析。③兩步聚類法（Two-Step Cluster）：可以同時處理分類變數和連續變數，能自動識別最佳的類別數，結果比較穩定。如果只對連續變數進行聚類，描述記錄之間的距離性時可以使用歐氏（Euclidean）距離，也可以使用對數似然值（Log-likelihood），如果使用前者，則該方法和傳統的聚類方法並無太大區別；但是若進行聚類的還有離散變數，那麼就只能使用對數似然值來表述記錄間的差異性。當聚類指標為有序類別變數時，Two-Step Cluster出來的分類結果沒有K-means cluster的明晰，這是因為K-means演算法假定聚類指標變數為連續變數。3.聚類分析的步驟①確定研究目的：研究問題關注點有哪些、是否有先驗分類數…②問卷編制：態度語句李克特項目、有序類別…③確定分析變數：問卷變數的類型，連續or分類，有序類別or無序類別、是否納入後台數據，變數間相關性低…④聚類分析：聚類分析方法選擇、數據標准化方法、聚類類別數確定…⑤結果檢驗：類別間差異分析、是否符合常理…⑥聚類結果解釋：類別的命名、類別間的差異、結合定性資料解釋…