正文开始之前先看下图：下图是如何绘制出来的？聚类主题是如何划分的？哪张图最合理？
研究过文献计量的人一定做过一个图——多维尺度分析
多维尺度的含义：
多维尺度（Multidimensional scaling，缩写MDS，又译“多维标度”）也称作“相似度结构分析”（Similarity structure analysis），属于多重变量分析的方法之一，是社会学、数量心理学、市场营销等统计实证分析的常用方法。
多维尺度法是一种将多维空间的研究对象（样本或变量）简化到低维空间进行定位、分析和归类，同时又保留对象间原始关系的数据分析方法。
多维尺度的作用：
我们能够想象的最高维度是三维空间结构，二维平面看着最直观，因此我们在论文中遇到的基本都是二维的图片。
多维尺度分析可直观将复杂数据间的关系投影到二维图形上，这样我们就可以通过之间观察二维图片上点与点的位置来对节点进行聚类。
说白了，多维尺度的原理很简单，就是降维。
比如，我们有一个由50个关键词构成矩阵，如果我们直接作图那将是一个50维的空间图，没有人能够看懂这个图。
但是，如果我们将这个50维的空间图压缩为三维空间图或者二维平面图，以此代替50维的空间图呢？
这时我们就能够通过二维平面图去描述看不懂的50维空间图中的点的关系了。
多维尺度主要干的就是这个事儿。
优点：多维尺度分析的目的是将研究个体之间的距离用二维平面距离呈现出来，客观地反映这些个体之间的相似性关系。个体之间距离越近性质越相似。
缺点：分析结果不是唯一的，最终划分结果往往是人工手动划分，这样就会或多或少出现很多问题。
合理案例与不太合理案例展示：
较为合理的案例图：（下图基本上是根据客观距离的远近进行的划分）
不太合理的案例图：（下图基本上是作者根据主观认识进行的划分）
关注[学术点滴]公众号获取更多资讯
至此，你应该了解了绘制多维尺度图需要注意的事项
网友评论