Требуется провести кластеризацию торговых точек. Есть матрица расстояний между точками. Хочу получить к примеру 3 равных кластера (по количеству ТТ в кластере). Кто работал с классом "анализ данных", как правильно выполнить кластеризацию?

(0) а в чем сложность то?
Но нет гарантии что кластеры окажутся равновеликими

Для тестов использую консоль анализа данных. Передаю таблицу типа ТТ1, ТТ2, расстояние. Какие типы входных полей должны быть заданы? Все 3 поля входные? Как тогда программа поймет что есть расстояние?

матрицу расстояний ты как посчитал ? Или у тебя расстояние это мера длины ?
Потом у тебя каждая строка это случай и как программа раскидает это по классам одному богу известно, ты можешь лишь управлять приблизительно количеством классов.
Просто засунь данные в источник данных .. думаю описание случая будет по первой колонке .. хотя не факт ..дело в том что я не знаю как они делают переход к шкалам. Например свойство Т1 и Т2 никак не сравнимо и нет возможности засунуть ее в один класс. Но задача кластеризации именно уменьшать размерность, больше он не для чего не подходит.

(3) можно принять что матрицу расстояний я посчитал по формуле, через gps координаты торговых точек. Это реальное расстояние между торговыми точками. По идее это самая классическая задача кластеризации.
Просто засунуть я пробовал, данные получаются не совсем адекватными

(4) расстояний между чем - у тебя там должны быть тогда парные расстояния между точками. Только умеет ли 1с работать именно с такими данными , так как там случай это не один элемент классификации.
А вообще у тебя должен получится центр тяжести, который должен быть как то между этими точками. И вообще для этого есть пакет статистика - она это делает точно быстрее, и более нагляднее.

(5) у меня там расстояния между всеми точками. если торговых точек n, то массив будет иметь n*n-n (-n что бы исключить расстояния между собой)
Что за пакет статистика? Денег стоит или бесплатно?

(6) мне кажется 1с с такими данными не работает. Статистика конечно платный продукт, но для работы обычно было достаточно его скачать. А вообще мне кажется тебе проще решить задачу поиска центра тяжести для точек на круге и затем уже раскидать по классам. Кстати .. с какой целью ты их группируешь ?

(7) Это нужно для автоматизации построения маршрутов доставки. Выделяются сектора доставки и к ним привязываются водители. Что бы водителей ездили по одним и тем же точкам. Я то могу запилить любой из алгоритмов кластеризации, но надеялся, что можно выкрутится стандартными да и работать они должны побыстрее самописных.

Боюсь, что так рассчитанные маршруты могут вызывать недоумение у водителей: уж слишком упрощенная модель для построения маршрутов.

(9) это не модель построения маршрутов, маршруты строятся на основании генетического алгоритма. Это всего лишь способ закрепить водителя за районом.

мне нужно тиражировать решение на 20 баз. Так вот процесс создание так называемых секторов доставки вручную занимает много времени у логистов

(11) так тогда вы как бы правильно идете .. возьмите просто магазины и расстояние до вашего склада и прогоните кластеризацию в евклидовом пространстве с использованием группировки по ближним.
Правда там еще есть мера города .. вот можно было бы с ней поиграться, но тогда надо задавать двухмерные координаты.
Хотя , логика подсказывает , что ближайший по растоянию может быть не столь доступен в городе.

(12) я немного изменил постановку когда писал вопрос, что бы меня лучше поняли. На самом деле у меня есть не расстояние, а мера схожести. Которая зависит от того как часто точки были в одном рейсе в прошлом. Есть полуторагодичная история рейсов по которым доставлялся товар.

так что проблем быть не должно

Создание маршрутов - гораздо более сложная задача, чем кластеризация

(10) "маршруты строятся на основании генетического алгоритма" - дело Ваше. Если проверка работы ген. алгоритма показала приемлимость результатов - хорошо.
Сколько помню, в 1С: Анализ данных кластеризация была совсем простой. Смотрел, правда, давно (лет 6 назад). Можно глянуть сам алгоритм, вроде бы он совсем прозрачный.