1. 大规模聚类
大数据技术可以分为数据收集、数据存取、基础架构、数据处理、统计分析、数据挖掘、模型预测、结果呈现。以下是详细介绍：
1、数据收集：在大数据的生命周期中，数据采集处于第一个环节。根据MapReduce产生数据的应用系统分类，大数据的采集主要有4种来源：管理信息系统、Web信息系统、物理信息系统、科学实验系统。
2、数据存取：大数据的存去采用不同的技术路线，大致可以分为3类。第1类主要面对的是大规模的结构化数据。第2类主要面对的是半结构化和非结构化数据。第3类面对的是结构化和非结构化混合的大数据，
3、基础架构：云存储、分布式文件存储等。
4、数据处理：对于采集到的不同的数据集，可能存在不同的结构和模式，如文件、XML 树、关系表等，表现为数据的异构性。对多个异构的数据集，需要做进一步集成处理或整合处理，将来自不同数据集的数据收集、整理、清洗、转换后，生成到一个新的数据集，为后续查询和分析处理提供统一的数据视图。
5、统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、bootstrap技术等等。
6、数据挖掘：目前，还需要改进已有数据挖掘和机器学习技术；开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术；突破基于对象的数据连接、相似性连接等大数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。
7、模型预测：预测模型、机器学习、建模仿真。
8、结果呈现：云计算、标签云、关系图等。
2. 聚类分析百科
1.聚类分析与判别分析的区别与联系都是研究分类的，在进行聚类分析前，对总体到底有几种类型不知道（研究分几类较为合适需从计算中加以调整）。判别分析则是在总体类型划分已知，对当前新样本判断它们属于哪个总体。如我们对研究的多元数据的特征不熟悉，当然要进行聚类分析，才能考虑判别分析问题。
2.聚类分析分两种：Q型聚类（对样本的聚类），P型聚类（对变量的聚类）聚类分析需要注意的是，一般小样本数据可以用系统聚类法，大样本数据一般用快速聚类法（K均值聚类法）。需要根据统计量判断分几类比较合适，一般用R平方统计、伪F统计量等。如用前者时，可以从R平方的变换看n个样品分成几类比较合适，如分为5类时，R平方为0.9，当分为四类时，其值减小较快，如R平方为0.4，则认为分五类比较合适。另外，不同的分类方法产生的分类结果可能不同，要结合实际情况选出最优的分类方法。
3.判别分析有Fisher判别，Bayes判别和逐步判别。一般用Fisher判别即可，要考虑概率及误判损失最小的用Bayes判别，但变量较多时，一般先进行逐步判别筛选出有统计意义的变量，再结合实际情况选择用哪种判别方法。
3. 聚类分析聚类数
聚类
集合
将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
基本信息
中文名
聚类
群分析
聚类分析
对象相异
物以类聚，人以群分
名词简介
俗话说：“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。所谓类，通俗地说，就是指相似元素的集合。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。
聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。
随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
4. 多维度聚类
聚类是无监督学习的典型例子，聚类也能为企业运营中也发挥者巨大的作用，比如我们可以利用聚类对目标用户进行群体分类，把目标群体划分成几个具有明显特征区别的细分群体，从而可以在运营活动中为这些细分群体采取精细化、个性化的运营和服务；还可以利用聚类对产品进行分类，把企业的产品体系进一步细分成具有不同价值、不同目的的多维度的产品组合，在此基础分别制定和相应的开发计划、运营计划和服务规划。这都将提升运营的效率和商业效果。
聚类方法分为基于划分的聚类、基于层次的聚类、基于密度的聚类、基于网络的聚类、基于模型的聚类以及基于模糊的聚类，今天我们就从基于划分的聚类开始讲解聚类算法，什么是基于划分的聚类呢？其原理即需要将一堆散点进行聚类，聚类目标是“类内的点足够近，类间的点足够远”，而你需要做的就是(1)确定聚类数目;(2)挑选初始中心点;(3)迭代重置中心点直到满足“类内的点足够近，类间的点足够远”,典型的基于划分的聚类就是K-means算法。
5. 聚类有哪些
聚类特征，就是聚集的一类事物，他的共有的特征，例如连锁的店
6. 聚类个数范围
BIRCH全称是：利用层次方法的平衡迭代规约和聚类。BIRCH算法是1996年由Tian Zhang提出来的。Birch算法就是通过聚类特征(CF)形成一个聚类特征树，root层的CF个数就是聚类个数。
7. 聚类算法的类型
一个好的聚类算法应该具备下列特征：
良好的可伸缩性。不仅能在小数据集上拥有良好性能，得到较好聚类结果，而且在处理大数据集同时同样有较好的表现。
处理不同类型数据的能力。不仅能够对数值型的数据进行聚类，也能够对诸如图像、文档、序列等复杂数据进行聚类，甚至在多种类型的混合数据集中有良好的表现。
对样本顺序的不敏感性。良好的聚类算法应当不受输入数据顺序的影响，任意顺序数据输入都能够得到相同的聚类结果。
约束条件下的表现。实际应用场景中，聚类算法需要收到应用北京的约束。
易解释性和易用性。不是所有的聚类分析使用这都是数据分析专家，对于用户来说，聚类分析算法应该方便
8. 聚类统计量有哪些
spss统计分析软件除了有主成分分析、因子分析功能之外还有聚类分析的功能，聚类分析能够将物理或者抽象的对象集合分组为由类似的对象组成的多个类的分析过程。本 文将给大家详细介绍spss实现聚类分析的过程。
1、打开SPSS19.0，在界面内输入你需要分析的数据。
2、在上面菜单栏选择“分析”-“分类”-“系统聚类”，得到系统聚类选项框。
3、将A、B、C、D四组数据分别选择进入变量框内。
4、点击右边“绘制”选项，选中“树状图”。
5、在“方法”选项中选择你需要选择的方法。
6、点击“继续”-“确认”。恭喜你，你需要的系统类聚树状图出来了。
9. 多层次聚类
聚类是一种涉及数据点分组的机器学习技术。给定一组数据点，可以使用聚类算法将每个数据点到分类到图像中的特定组中。
理论上，同一组中的数据点应具有相似的属性和特征，而不同组中的数据点的属性和特征则应高度不同。聚类是无监督学习的一种方法，是用于多领域统计数据分析的常用技术。
在生物学领域， 有效地将不同的基因序列集进行有效的分类、功能基因识别、对蛋白质物理化学性质进行聚类可以预测其功能，推导植物和动物的分类，推断出物种的系统发育树，获得对种群固有的结构认识等，成为后基因组时代功能基因研究的重要工具。由于聚类分析应用的广泛性，出现了大量可用的聚类分析软件。常见的聚类分析方法有 K-means clustering， 以及Hierarchical Clustering （层次聚类）。