第4讲聚类解剖.ppt

分类 俗语说，物以类聚、人以群分。 但什么是分类的根据呢？ 比如，要想把中国的县分成若干类，就有很多种分类法； 可以按照自然条件来分， 比如考虑降水、土地、日照、湿度等各方面； 也可以考虑收入、教育水准、医疗条件、基础设施等指标； 既可以用某一项来分类，也可以同时考虑多项指标来分类。 聚类分析 对于一个数据，人们既可以对变量（指标）进行分类(相当于对数据中的列分类)，也可以对观测值（事件，样品）来分类（相当于对数据中的行分类）。 比如学生成绩数据就可以对学生按照理科或文科成绩（或者综合考虑各科成绩）分类， 当然，并不一定事先假定有多少类，完全可以按照数据本身的规律来分类。 本章要介绍的分类的方法称为聚类分析（cluster analysis）。对变量的聚类称为R型聚类，而对观测值聚类称为Q型聚类。这两种聚类在数学上是对称的，没有什么不同。 饮料数据（drink.sav ） 16种饮料的热量、咖啡因、钠及价格四种变量 如何度量远近？ 如果想要对100个学生进行分类，如果仅仅知道他们的数学成绩，则只好按照数学成绩来分类；这些成绩在直线上形成100个点。这样就可以把接近的点放到一类。 如果还知道他们的物理成绩，这样数学和物理成绩就形成二维平面上的100个点，也可以按照距离远近来分类。 三维或者更高维的情况也是类似；只不过三维以上的图形无法直观地画出来而已。在饮料数据中，每种饮料都有四个变量值。这就是四维空间点的问题了。 两个距离概念 按照远近程度来聚类需要明确两个概念：一个是点和点之间的距离，一个是类和类之间的距离。 点间距离有很多定义方式。最简单的是欧氏距离，还有其他的距离。 二、样本距离 常见的距离有： minkowski distance （明氏距离）： 明氏距离在实际中应用的很多，但也存在一些缺点： Mahalanobis 马氏距离 ⒉相似系数 ① 夹角余弦 两变量的夹角余弦定义为： ② 相关系数 两变量的相关系数定义为： 类的个数的确定 由适当的阈值确定； 根据数据点的散布直观地确定类的个数； 根据统计量确定分类个数； 类的个数的确定 根据谱系图确定分类个数的准则： 各类重心间的距离必须很大； 类中保包含的元素不要太多； 类的个数必须符合实际应用； 如果采用几种不同的聚类方法处理，则在各种聚类图中应该发现相同的类。 系统聚类法基本步骤 7.决定类的个数和类。 系统聚类分析的方法 以下用dij表示样品X(i)和X(j)之间的距离，当样品间的亲疏关系采用相似系数Cij时，令 例 为了研究辽宁等5省1991年城镇居民生活消费情况的分布规律，根据调查资料做类型分类，用最短距离做类间分类。数据如下： 将每一个省区视为一个样本，先计算5个省区之间的欧式距离，用D0表示距离矩阵（对称阵，故给出下三角阵） 因此将3.4合并为一类，为类6，替代了3、4两类 类6与剩余的1、2、5之间的距离分别为： d(3,4)1=min(d31,d41)=min(13.80,13.12)=13.12 d(3,4)2=min(d32,d42)=min(24.63,24.06)=24.06 d(3,4)5=min(d35,d45)=min(3.51,2.21)=2.21 得到新矩阵 合并类6和类5，得到新类7 类7与剩余的1、2之间的距离分别为： d(5,6)1=min(d51,d61)=min(12.80,13.12)=12.80 d(5,6)2=min(d52,d62)=min(23.54,24.06)=23.54 得到新矩阵 合并类1和类2，得到新类8 此时，我们有两个不同的类：类7和类8。 它们的最近距离 d(7,8) =min(d71,d72)=min(12.80,23.54)=12.80 得到矩阵 最后合并为一个大类。这就是按最短距离定义类间距离的系统聚类方法。最长距离法类似！ 收敛标准值 存储最终结果输出情况，在数据文件中（QCL-1、QCL-2） 初始聚心选项，输出方差分析表 初始聚类中心表 具体城市看后表 最终聚类中心表 聚类结果：QCL-1说明聚类结果，QCL-2说明聚类的长度情况 系统聚类法 Hierarchical Cluster 系统聚类法优点： 既可以对观测量（样品）也可对变量进行聚类，既可以连续变量也可以是分类变量，提供的距离计算方法和结果显示方法也很丰富。 1. 选择样本间距离的定义及类间距离的定义； 2. 计算n个样本两两之间的距离，得到距离矩阵； 3. 构造个类，每类只含有一个样本 4. 合并符合类间距离定义要