kml与kml3d纵向聚类

课程简介

纵向聚类技术（KML算法，即k-means for longitudinal data）专门用于分析随时间变化的数据，适用于需要挖掘个体或对象在时间维度上相似模式的研究场景。其将传统 k-means 聚类算法扩展到纵向数据，通过无监督学习识别具有相似发展轨迹的群体。

适合人群

• 医学与公共卫生：（1）聚类患者的临床指标轨迹，识别高风险群体；（2）分组比较不同治疗方案的响应模式；（3）追踪抑郁或焦虑症状的变化趋势，划分干预优先级。
• 心理与教育：（1）分析儿童认知能力或社交技能的成长轨迹；（2）聚类学生的学习成绩变化，识别“进步型”或“停滞型”群体；（3）某种心理状态的长期变化或联合变化轨迹。
• 生态与环境科学：（1）聚类不同地区温度、降水量的长期趋势；（2）分析动物迁徙或植物生长的季节性模式。

学习内容

• k-means聚类分析；
• kml纵向聚类分析；
• kml3d纵向联合聚类分析；
• 纵向缺失数据的插补。

资料包含

• 课程 PPT（含理论公式、案例截图）；
• R语言代码（可直接运行，含注释）；
• 示例数据。