Обработка большого объема экспериментальных данных требует, как правило, их классификации по существенным признакам. Одним из распространенных и эффективных алгоритмов классификации данных является методика кластерного анализа. Существует целый ряд пакетов прикладных программ, позволяющих провести кластерный анализ, а также отразить его результаты в виде кластерного дерева. Однако для более точной классификации и построения таксономий объектов и последующего прогнозирования на основе дискриминантного анализа требуется использование нестандартных мер расстояния, что не предусмотрено в пакетах прикладных программ специализированного назначения. Помимо этого, построение кластерных деревьев для больших объемов данных стандартные процедуры кластеризации (реализованные, например, в расчетных средах Statistica 8.0, Язык программирования R, Matlab 6.5) зачастую не оптимально используют пространство рисунка, а получаемые с их помощью кластерные деревья порой сложно использовать для визуального определения принадлежности разных объектов кластерам. В работе предложен алгоритм построения и изображения кластероного дерева для большого объема данных. При изображении дерева ставится цель эффективного использования площади рисунка. Данный алгоритм реализован в системе компьютерной алгебры Mathematica 9.0.

Processing of a large amount of experimental data requires, as a rule, its classification with respect to the essential parameters. One of the most common and efficient algorithms for data classification is the method of cluster analysis. There exist several software packages allowing one to perform cluster analysis, and to reflect its results in the form of a cluster tree. However, a more precise classification and construction of taxonomies of objects as well as subsequent prediction based on discriminant analysis require the use of non-standard measures of distance. The latter are typically not provided in specialized software packages. Besides, the standard procedures for the construction of a cluster tree for a large amount of data (implemented, for instance, in thecomputational environment Statistica 8.0, the programming language R, andMatlab 6.5) do not often optimally use the picture space. The cluster trees constructed be means of this software may be difficult to use for visual detection of an object’s cluster. The paper provides an algorithm for depicting the cluster tree for a large amount of data. The focus of the drawing procedure is on the efficient use of the picture space. This algorithm is implemented in the computer algebra system Mathematica 9.0.