關於JMP聚類使用過程出現的兩個疑問我正在使用JMPpro進行一項樣本量約10000份、包含20個變數的無監督機器學習聚類分析。在使用過程中出現了一些疑問，特此前來請教其他使用者或工程師，感謝你們能夠抽出寶貴的時間閱讀並耐心分析解答我的問題！ 疑問一：我已認真閱讀該軟體聚類分析功能介紹，JMP中的層次聚類適用於小樣本的任意資料類型。那麼，若資料中的20個變數分別屬於混合型資料（包含連續型變數、離散型變數、有序型變數、名目型變數），請問我在進行層次聚類時是否需要事先把連續型變數和離散型變數進行標準化處理，接著在【標準化依據】選擇「未標準化」呢？還是選擇「未標準化」後軟體會自動識別連續型變數和離散型變數並進行標準化處理，且有序型變數和名目型變數會保持原始值呢（即無需在層次聚類前事先手動標準化處理）？ 問題二：聚類分析屬於機器學習中的無監督學習，若將19個變數進行層次聚類時，並在【依據】設定了某個（1個）二元名義型變數。那麼，此次分析是否還被認為是無監督學習，或已經屬於半監督學習呢？若被認為屬於“半監督學習”，但是聚類本身屬於無監督學習，它們之間的關係應該如何準確描述呢？
預測建模和機器學習Re: 關於JMP聚類使用過程出現的兩個疑問嗨@pnogau ，
歡迎來到社區！
關於您的問題：
- 如果您的資料具有混合資料和建模類型（數值連續型、序數型和名目型），那麼只有層次叢集平台才能處理如此多種資料類型。您可以在此處獲取更多信息， 聚類觀察平台概述，其中顯示了此表：
您不需要預先對數值連續變數進行處理，有多種選項可以透過指定資料格式、標準化類型和缺失資料插補直接在平台中進行預處理： 啟動分層叢集平台
- 不確定完全理解你的第二個問題。
當您事先不知道資料中有多少個「群組」/簇以及您的觀察結果屬於哪個群組時，就會使用聚類，因此它是一種無監督學習技術。層次聚類是JMP 中的一項有趣的技術和平台，因為它可以執行雙向聚類，其中您的觀察結果以及所使用的變數都分組在聚類中，以查看所使用的變數之間的相似性和相關性。此分析可以與其他多元平台（例如相關性和多元技術）一起執行，也可以使用圖形生成器完成的視覺化來執行，以更好地評估變數之間的相關性。
此外，如果您的二項式變數是某種目標，您可以「盲目」執行聚類並查看推薦了多少組，並分析組和二項式變數之間的聯繫（這將是聚類無監督學習的組合，然後監督學習來分析聚類和二項式目標之間的聯繫），或直接指定您想要在層次聚類平台中使用2 個聚類（這可以被視為半監督學習，因為您已經知道要找到的聚類數量並指定它），並查看聚類是否/如何匹配二項式目標變數。
希望這個回答對你有幫助
Re: 關於JMP聚類使用過程出現的兩個疑問你好。 @Victor_G
非常感謝您在論壇上對我的問題的幫助和耐心解答。您的回答和建議為我提供了寶貴的見解，我相信我面臨的問題已經得到初步解決。
問題1：由於我的資料包含混合類型的變量，因此確實需要進行層次聚類。此外，根據您的建議，我仔細重讀了「啟動分層集群平台」並找到了解決方案：為了解決連續列和序數列的不同測量尺度的問題，看來我應該首先標準化連續變量和離散變量，然後選擇「標準化依據」下的「非標準化」。 標準化依據
問題2：您對我的疑惑的理解非常準確，您的回答給了我重要的啟發。事實上，我的目標是使用聚類分析來發現龐大資料集中（個體）的不同聚類，並進行視覺化分析來探索二十多個變數之間的潛在關係，這是一項無監督的機器學習任務。然而，為了獲得更理想的聚類結果，選擇「By」下的某個二項式變數似乎會產生非常令人滿意的聚類結果。我在思考現在這是否變成了半監督學習或監督學習。 經過
事實上，我有幸聯絡了一位負責JMP中國區大學業務的工程師，我準備和這位工程師進一步驗證我的猜測。如果您有興趣，我將與您分享我收到的答案。
收到您的回覆我感到非常興奮！祝您生活愉快，工作順利~
Re: 關於JMP聚類使用過程出現的兩個疑問
@Victor_G寫道：
嗨@pnogau ，
歡迎來到社區！
關於您的問題：
- 如果您的資料具有混合資料和建模類型（數值連續型、序數型和名目型），那麼只有層次叢集平台才能處理如此多種資料類型。您可以在此處獲取更多信息， 聚類觀察平台概述，其中顯示了此表：
您不需要事先對數值連續變數進行處理，有多種選項可以透過指定資料格式、標準化類型和缺失資料插補直接在平台中進行預處理： 啟動分層叢集平台 - 不確定完全理解你的第二個問題。
當您事先不知道資料中有多少個「群組」/簇以及您的觀察結果屬於哪個群組時，就會使用聚類，因此它是一種無監督學習技術。層次聚類是JMP 中的一項有趣的技術和平台，因為它可以執行雙向聚類，其中您的觀察結果以及所使用的變數都分組在聚類中，以查看所使用的變數之間的相似性和相關性。此分析可以與其他多元平台（例如相關性和多元技術）一起執行，也可以使用圖形生成器完成的視覺化來執行，以更好地評估變數之間的相關性。
此外，如果您的二項式變數是某種目標，您可以「盲目」執行聚類並查看推薦了多少組，並分析組和二項式變數之間的聯繫（這將是聚類無監督學習的組合，然後監督學習來分析聚類和二項式目標之間的聯繫），或直接指定您想要在層次聚類平台中使用2 個聚類（這可以被視為半監督學習，因為您已經知道要找到的聚類數量並指定它），並查看聚類是否/如何匹配二項式目標變數。
希望這個回答對你有幫助，
嗨@Victor_G ，我在上一期上取得了進展，想與您分享這個好消息。正如您所說，在對混合資料進行聚類時，JMP 會自動對連續和離散資料進行標準化，而無需事先進行手動標準化。雖然我前段時間與JMP中國大學區域業務經理取得了聯繫，但仍然沒有收到明確的回覆。我非常感謝您當時的幫助。再次感謝！
Re: 關於JMP聚類使用過程出現的兩個疑問嗨@Victor_G ，我在上一期取得了進展，想與您分享這個好消息。正如您所說，在對混合資料進行聚類時，JMP 會自動對連續資料和離散資料進行標準化，而無需事先進行手動標準化。雖然前陣子我聯絡了JMP中國區高校區域業務經理，但至今還沒有明確的回覆。我非常感謝你當時的幫忙。再次感謝您！
