@ -15,9 +15,8 @@
< / e l - b u t t o n >
< / div >
< div class = "app-main" >
< div class = "main-left" >
< el -scrollbar height = " 5 60px" style = "padding: 0 10px" min -size = " 5 " >
< el -scrollbar height = " 64 0px" style = "padding: 0 10px" min -size = " 5 " >
< div >
< div class = "left-top" >
< span > 一 、 选择指标 < / span >
@ -68,15 +67,15 @@
< el -button @click ="clusterAnalysisCalculation" > 计 算 < / el -button >
< / div >
< / div >
< / e l - s c r o l l b a r >
< div style = "margin-top: auto" >
< div style = "margin-top: auto" >
< div class = "startOver" @click ="startOver()" >
< img src = "../../../assets/images/重新开始.png" alt = "" / >
< span > 重新开始 < / span >
< / div >
< / div >
< / e l - s c r o l l b a r >
< / div >
< div class = "main-right" >
< el -scrollbar height = "500px" ref = "scrollbar" style = "padding: 20px" >
< div >
@ -137,9 +136,6 @@
< el -form -item label = "簇类3:" >
< el -input style = "width: 240px" v -model = " formInline2.value5 " clearable / >
< / e l - f o r m - i t e m >
< el -form -item label = "簇类4:" >
< el -input style = "width: 240px" v -model = " formInline2.value6 " clearable / >
< / e l - f o r m - i t e m >
< / e l - f o r m >
< / div >
< template # footer >
@ -160,11 +156,14 @@
< br / >
& nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; 聚类分析是一种探索性分析方法 ， 与判别分析不同 ， 聚类分析事先并不知道分类的标准 ， 甚至不知道应该分成几类 ， 而是会根据样本数据的特征 ， 自动进行分类 。
< / p >
< img src = "@/assets/images/f1001.png" / >
< img src = "@/assets/images/f1001.png" style = "width: 600px;height: 400px;" / >
< p > 聚类与分类的不同在于 ， 聚类所要求划分的类是未知的 < / p >
< img src = "@/assets/images/f1002.png" / >
< img src = "@/assets/images/f1003.png" / >
< img src = "@/assets/images/f1005.png" / >
< img src = "@/assets/images/f1002.png" style = "width: 600px;height: 300px;" / > < br / >
< img src = "@/assets/images/f1003.png" style = "width: 600px;height: 300px;" / >
<!-- < img src = "@/assets/images/f1005.png" style = "width: 1100px;height: 400px;" / > -- >
< li style = "font-size:18px" > 从统计学的观点看 ， 聚类分析是通过数据建模简化数据的一种方法 。 < / li >
< li style = "font-size:18px" > 从机器学习的角度看 ， 簇相当于隐藏模式 。 聚类是搜索簇的无监督学习过程 。 < / li >
< li style = "font-size:18px" > 从实际应用的角度看 ， 聚类分析是数据预处理 ( 降维 ) 和信息挖掘的主要任务之一 。 < / li >
< p style = "font-size: 19px" > 2. 原理 < / p >
< p >
& nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; 假定研究对象均用所谓的 “ 点 ” 来表示 。
@ -173,14 +172,14 @@
< br / >
& nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; 一般的规则 ：
< / p >
< img src = "@/assets/images/f10010.png" / >
< img src = "@/assets/images/f10010.png" style = "width: 600px;height: 300px;" / >
< br / >
< img src = "@/assets/images/f10011.png" / >
< br / >
< img src = "@/assets/images/f10012.png" / >
< img src = "@/assets/images/f10012.png" style = "width: 600px;height: 300px;" / >
< p style = "font-weight: 700; font-size: 22px" > 聚类方法及其在SPSS中的实现 < / p >
< p style = "font-size: 19px" > 1. 主要的聚类方法 ： < / p >
< img src = "@/assets/images/f10013.png" / >
< img src = "@/assets/images/f10013.png" style = "width: 600px;height: 300px;" / >
< p style = "font-size: 19px" > 2. 方法详解 ： < / p >
< p style = "font-size: 17px" > （ 1 ） ： K - means聚类 < / p >
< p >
@ -188,13 +187,13 @@
< br / >
& nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; 具体步骤如下 ：
< / p >
< img src = "@/assets/images/f10014.png" / >
< img src = "@/assets/images/f10015.png" / >
< img src = "@/assets/images/f10014.png" style = "width: 600px;height: 300px;" / > < br / >
< img src = "@/assets/images/f10015.png" style = "width: 600px;height: 300px;" / >
< p > 距离计算规则 （ 欧几里得距离公式 ） ： < / p >
< img src = "@/assets/images/f10016.png" / >
< p > 图解 ： < / p >
< img src = "@/assets/images/f10017.png" / >
< img src = "@/assets/images/f10018.png" / >
< img src = "@/assets/images/f10017.png" style = "width: 600px;height: 300px;" / > < br / >
< img src = "@/assets/images/f10018.png" style = "width: 600px;height: 300px;" / >
< p >
K - means的优缺点 ：
< br / >
@ -218,17 +217,17 @@
< br / >
通过查询整理出了2018年我国各省份的20项基本情况 ， 根据这些指标把这31个省市或地区分成3类 。
< / p >
< img src = "@/assets/images/f10019.png" / >
< img src = "@/assets/images/f10019.png" style = "width: 600px;height: 300px;" / >
< p > 分析步骤 ： 分析 >> 分类 >> K - 均值聚类 >> 迭代 >> 次数 >> 选项 >> 勾选统计 >> 确认 < / p >
< img src = "@/assets/images/f10020.png" / >
< img src = "@/assets/images/f10021.png" / >
< img src = "@/assets/images/f10020.png" style = "width: 600px;height: 400px;" / > < br / >
< img src = "@/assets/images/f10021.png" style = "width: 600px;" / >
< p > 结果分析 ： < / p >
< img src = "@/assets/images/f10022.png" / >
< img src = "@/assets/images/f10022.png" / > < br / >
< img src = "@/assets/images/f10023.png" / >
< p > 若不收敛则调大迭代次数 < / p >
< img src = "@/assets/images/f10024.png" / >
< p > 方差分析表 ： < / p >
< img src = "@/assets/images/f10025.png" / >
< img src = "@/assets/images/f10025.png" style = "width: 600px;height: 400px;" / >
< p > 其中聚类均方对应组间均方差 ， 误差均方对应组内均方差 ， 显著性p & lt ; 0.05 时说明此变量分类效果好 。 由表可知 ， 大部分变量的p & lt ; 0.05 , 且组间均方差大于组内均方差 ， 说明各变量在三个类别中的差异大 ， 分类结果可信度高 。 < / p >
< img src = "@/assets/images/f10026.png" / >
< br / >
@ -296,20 +295,26 @@ const formInline2 = reactive({
value3 : "" ,
value4 : "" ,
value5 : "" ,
value6 : "" ,
} ) ;
const task = ( ) => {
let errorNumber = 0
for ( let key in formInline2 ) {
if ( formInline2 [ key ] == "" ) {
proxy . $modal . msgError ( "请填写完整!" ) ;
return ;
}
}
if ( formInline2 . value1 !== 3 ) {
errorNumber = 1
}
if ( formInline2 . value2 !== input6 . value ) {
errorNumber = 1
}
portraitModel
. submit ( {
userId : JSON . parse ( getUserInfo ( ) ) . userId ,
taskName : "聚类分析" ,
numberOfErrors : 0 ,
numberOfErrors : errorNumber ,
} )
. then ( ( res ) => {
dialogVisible . value = false ;
@ -451,7 +456,7 @@ const resTable2=ref()
}
tableData2 . value = res . data
flag . value = true
proxy . $modal . msgSuccess ( "计算完成!" )
/ / p r o x y . $ m o d a l . m s g S u c c e s s ( " 计 算 完 成 ! " )
tableData2 . value = res . data ;
flag . value = true ;
} ) ;
@ -724,11 +729,10 @@ const handleExport = async (name) => {
}
}
. startOver {
/ / m a r g i n - l e f t : - 1 0 p x ;
width : 205 px ;
height : 55 px ;
width : 150 px ;
height : 40 px ;
background : # 00 f4ff ;
/ / 水 平 居 中
margin : auto ;
display : flex ;
align - items : center ;
justify - content : center ;
