1 功能描述
聚类和分类虽然只相差一字，但两者在数据挖掘中却大相径庭。分类属于典型的监督学习，即有目标变量；而聚类则属于非监督学习，即没有目标变量。
现实中聚类的问题也很常见，如我们常说物以类聚，人以群分。我们通常会对人的性格进行分类，会对物种进行分类等等。
2 预处理
2.1 数据处理
我们这里将采用“地区经济社会发展.sav”数据文件，根据我国31个省市经济、社会、环境状况来对其进行分类。
首先需要将数据读取到SPSS Modeler软件中。将“源”选项卡下面的Statistics节点添加到流编辑区域
双击打开Statistics节点；选择“地区经济社会发展.sav”文件的存放路径，点击确定。
将“输出”选项卡下面的表节点添加到数据流中，点击运行，可以发现数据已经导入到SPSS Modeler软件中，将鼠标移动到变量名上面会显示出变量的标签，如X1表示各地区的GDP数值。
将“字段选项”选项卡下面的类型节点添加到数据流中，并与Statistics节点连接。
双击打开类型节点，其中类型节点自动帮我们初始化了变量的测量（类型）。由于地区变量只是个代号，不是经济社会环境的指标，所以将其角色设为“无”，其他变量的角色均设为“输入”。注意：由于聚类分析属于非监督学习，所以没有目标变量。
2.2 变量处理
由于数据中各变量的单位不一致，且之间存在多重共线性，所以需要对数据进行预处理。
将“字段选项”选项卡下面的自动数据准备节点添加到数据流中，并与类型节点连接。
双击打开自动数据准备节点，选择平衡速度和精确度选项，点击应用。
3 K-means
将“建模”选项卡下面的“K-means”节点添加到数据流，并与自动数据准备节点连接。
双击打开K-means节点，在模型页面聚类数输入3（假定我们想将31个地区聚成3个类别，当然也可以输入2或4将地区聚成2类或4类），其他保持模型，点击运行。
模型训练好后，将自动添加到数据流中。
双击打开训练好的K-means模型，里面有聚类质量等信息。
为了查看聚类后的类别，回到数据流编辑区域，将“输出”选项卡下面的“表”节点添加到数据流，并与模型节点连接。
双击打开表节点，可以发现数据最后一列即为每个地区对应的类别。
4 自动聚类
SPSS Modeler给我们提供了可以自动选择模型来对样本进行聚类的功能——自动聚类。
仍然采用前面例子的数据，前面的处理步骤相同，这里不再演示。
将“建模”选项卡下面的“自动聚类”节点添加到数据流，并与自动数据准备节点连接。
双击打开自动聚类节点，在专家页面中，勾选Kohonen、K-menas、两步三个模型，其他保持默认，点击运行。
模型训练好后，将自动添加到数据流中。
将“输出”选项卡下面的“表”节点添加到数据流，并与模型节点连接。
双击打开表节点，可以发现数据最后一列即为每个地区对应的类别。总共将样本分为了2个类别
注意：自动聚类节点不能自定义聚类的类别数，而是根据数据来选择最优的聚类数，但现实的情况往往会更加复杂，仅通过数据来确定聚类的类别数可能不是最符合现实的。所以对于聚类问题，最好还是手动选择模型，分别对不同的类别数进行聚类，然后看哪个更符合现实。