第四章聚类资料.ppt

第四章 聚类分析;　随着人类社会的发展与科学技术的进步，对分类学的要求也越来越高。只凭经验或专业知识对研究对象进行分类，往往很不够，有时不能进行确切的分类。于是数学被引进分类学中，形成了数值分类学。随着多元数据分析方法研究的深入，在数值分类学中形成了聚类分析这一分支。聚类分析是多元数据分析的重要组成部分。;表4.1 数据矩阵;; 每个样品可看成p维空间的一个点，n个样品组成p维空间的n个点。我们自然用各点之间的距离来衡量样品之间的相似程度（或靠近程度）。;定义4.1 设E是一个点的集合, d.,.是E到[0,∞]的函数,满足：;常用的距离是明考斯基(Minkowski)距离; 以上距离与各变量指标的量纲有关，为消除量纲的影响，有时应先对数据进行标准化，然后用标准化数据计算距离。标准化数据;　; 变量聚类通常称为R型聚类。有时变量之间也可以用距离来描述他们的接近程度。实际上距离和相似系数之间可以相互转化。若dij是一个距离，则;;二、类的特征;(3)G的直径;（1）最短距离法;（5）最小方差法（离差平方和法）;四、类间距离的递推公式;　;　;§4.4 系统聚类法; 例4.1 为研究辽宁、浙江、河南、甘肃、青海5省份1991年城镇居民生活消费规律，需要利用调查资料对这5个省份分类。指标变量共8个，含义如下:;1991年5省城镇居民月均消费(单位：元／人)　　　　　;将5个省各看成一类，即Gi={ i }, i=1,2,3,4,5。有Dij=dij;;;;G7= {3,4,5} {1,2}=G8;(1) G6={G3,G4 }，距离=2.20；;系统聚类可用SAS过程cluster来实现。;过程步说明：;输出结果：;（2）聚类图(sin最短距离法);（2）聚类图(com最长距离法);（2）聚类图(ave类平均法);（2）聚类图(cen重心法);（2）聚类图(ward离差平方和法);二、系统聚类法的统计量;类内离差平方和为;则R2统计量为;设类Gp，Gq的离差平方和分别为;伪F统计量PSF是;例4.2 山东省2000年17地市农村居民和城镇居民消费水平如下表，试对17个地市进行分类。;data ex4_2; input group$ x1-x2; cards; 济南市 2298 8182 青岛市 2641 7983 ………………………… 菏泽市 1257 3310 ; proc cluster method=ave std rsq pseudo outtree=ex4_2t; var x1-x2; id group; run; proc tree data=ex4_2t horizontal; id group; run;;输出结果：;类平均法聚类图;;; 例4.3 从12个不同地区测得了某树种的平均发芽率x1与发芽势x2，数据见下表，距离采用欧氏距离，将12个地区用快速聚类法聚为2类。; 过程步说明：max=分类数；cluster=样品归类的变量名；out=分类结果输出文件名。;（2）简单统计量; 12个地区分为2类，第一类包含7个地区，离聚点的最大距离是0.1280；第二类包含5个地区，离聚点的最大距离是0.1114；两类间的距离是0.2923。;如果输出聚类样品的二维图，增加下列程序：;如果将样品的分类结果分别输出，增加下列程序：;