Kandungan
Analisis kluster dan analisis faktor adalah dua kaedah statistik analisis data. Kedua-dua bentuk analisis ini banyak digunakan dalam sains alam dan tingkah laku. Kedua-dua analisis kluster dan analisa faktor membolehkan pengguna untuk mengumpulkan sebahagian daripada data ke dalam "kluster" atau ke "faktor," bergantung kepada jenis analisis. Sesetengah penyelidik baru kepada kaedah kluster dan analisis faktor mungkin merasakan bahawa kedua-dua jenis analisis adalah sama keseluruhannya. Walaupun analisis kluster dan analisis faktor kelihatan sama di permukaan, mereka berbeza dalam banyak cara, termasuk dalam objektif keseluruhan dan aplikasi mereka.
Objektif
Analisis kluster dan analisis faktor mempunyai objektif yang berbeza. Tujuan biasa analisis faktor adalah untuk menjelaskan korelasi dalam satu set data dan menghubungkan pembolehubah antara satu sama lain, sedangkan objektif analisis cluster adalah untuk mengatasi heterogenitas dalam setiap kumpulan data. Dalam semangat, analisis kluster adalah satu bentuk pengkategorian, sedangkan analisis faktor adalah suatu bentuk penyederhanaan.
Kerumitan
Kerumitan adalah satu soalan yang mana analisis faktor dan analisis kluster berbeza: saiz data mempengaruhi setiap analisis secara berbeza. Apabila set data tumbuh, analisis kluster menjadi sukar dikomput. Ini adalah benar kerana bilangan titik data dalam analisis kluster secara langsung berkaitan dengan bilangan penyelesaian cluster yang mungkin. Sebagai contoh, bilangan cara untuk membahagikan dua puluh objek ke dalam 4 kelompok yang sama saiz adalah lebih daripada 488 juta. Ini menjadikan kaedah pengiraan langsung, termasuk kategori kaedah yang mana analisis faktor kepunyaan, mustahil.
Penyelesaian
Walaupun penyelesaian untuk kedua-dua analisis faktor dan masalah analisis kluster adalah subyektif kepada beberapa tahap, analisis faktor membolehkan seorang penyelidik untuk menghasilkan penyelesaian "terbaik", dalam erti kata bahawa penyelidik dapat mengoptimumkan aspek tertentu penyelesaian (orthogonality, kemudahan tafsiran dan sebagainya). Ini tidak begitu untuk analisis cluster, kerana semua algoritma yang mungkin dapat menghasilkan penyelesaian analisis kluster yang terbaik tidak dapat dikalkulasi secara komputasi. Oleh itu, penyelidik yang menggunakan analisis kluster tidak dapat menjamin penyelesaian optimum.
Permohonan
Analisis faktor dan analisis cluster berbeza bagaimana ia digunakan untuk data sebenar. Oleh kerana analisis faktor mempunyai keupayaan untuk mengurangkan set pemboleh ubah yang tidak berat sebelah kepada satu set faktor yang lebih kecil, ia sesuai untuk memudahkan model kompleks. Analisis faktor juga mempunyai penggunaan pengesahan, di mana penyelidik dapat membangun satu set hipotesis mengenai bagaimana pembolehubah dalam data berkaitan. Penyelidik kemudian boleh menjalankan analisis faktor pada set data untuk mengesahkan atau menafikan hipotesis ini. Analisis kluster, sebaliknya, sesuai untuk mengklasifikasikan objek mengikut kriteria tertentu. Sebagai contoh, seorang penyelidik boleh mengukur aspek tertentu sekumpulan tumbuh-tumbuhan yang baru ditemui dan meletakkan tumbuhan ini ke dalam kategori spesies dengan menggunakan analisis kluster.