第二讲聚类分析资料.ppt

兰氏距离 这是兰思和维廉姆斯(Lance Williams)所给定的一种距离，其计算公式为： 马氏距离 这是印度著名统计学家马哈拉诺比斯(P．C．Mahalanobis)所定义的一种距离，其计算公式为： 红绿（2，4，6，5）8.75 离差平方和增加8.75－2.5＝6.25 黄绿（6，5，1，5）14.75 离差平方和增加14.75－8.5＝6.25 黄红（2，4，1，5）10－10＝0 各步聚类的结果： (1,2) (3) (4) (5) (1,2,3) (4) (5) (1,2,3) (4,5) (1,2,3,4,5) 2、最长距离法 红绿（2，4，6，5）8.75 离差平方和增加8.75－2.5＝6.25 黄绿（6，5，1，5）14.75 离差平方和增加14.75－8.5＝6.25 黄红（2，4，1，5）10－10＝0 故按该方法的连接应是黄红首先连接。 十二个产区相思树种子发芽情况 (见唐守正编著《多元统计分析方法》75页) * * §3.4 系统聚类法 目录 上页 下页 返回 结束 * * §3.4 系统聚类法 目录 上页 下页 返回 结束 离差平方和法放弃了在一切分类中求的极小值的要求，而是设计出某种规格：找到一个局部最优解，Ward法就是找局部最优解的一个方法。 其思想是先将n个样品各自成一类，然后每次缩小一类，每缩小一类离差平方和就要增大，选择使增加最小的两类合并，直到所有的样品归为一类为止。 2，4 1，5 6，5 * * §3.4 系统聚类法 目录 上页 下页 返回 结束 3.4.4 分类数的确定 如何选择分类数是各种聚类方法中的主要问题之一。 在K均值聚类法中聚类之前需要指定分类数，谱系聚类法（系统聚类法）中我们最终得到的只是一个树状结构图，从图中可以看出存在很多类，但问题是如何确定类的最佳个数。 确定分类数的问题是聚类分析中迄今为止尚未完全解决的问题之一，主要的障碍是对类的结构和内容很难给出一个统一的定义，这样就给不出从理论上和实践中都可行的虚无假设。 实际应用中人们主要根据研究的目的，从实用的角度出发，选择合适的分类数。 * * §3.4 系统聚类法 目录 上页 下页 返回 结束 Demir-men曾提出了根据树状结构图来分类的准则： 准则1：任何类都必须在邻近各类中是突出的，即各类重心之间距离必须大。 准则2：各类所包含的元素都不要过分地多。 准则3：分类的数目应该符合使用的目的。 准则4：若采用几种不同的聚类方法处理，则在各自的聚类图上应发现相同的类。 * * §3.4 系统聚类法 目录 上页 下页 返回 结束 由于上述的聚类方法得到的结果是不完全相同的。于是产生一个问题：我们应当选择哪一个结果为好？为了解决这个问题，需要研究系统聚类法的性质，现简要介绍如下。 * * §3.4 系统聚类法 目录 上页 下页 返回 结束 * * § 3.6 K-均值聚类和有序样品的聚类 目录 上页 下页 返回 结束 3.6.1 K-均值法(快速聚类法) 非谱系聚类法是把样品（而不是变量）聚集成K个类的集合。类的个数K可以预先给定，或者在聚类过程中确定。非谱系方法可应用于比系统聚类法大得多的数据组。 非谱系聚类法或者一开始就对元素分组，或者从一个构成各类核心的“种子”集合开始。选择好的初始构形，将能免除系统的偏差。一种方法是从所有项目中随机地选择“种子”点或者随机地把元素分成若干个初始类。 * * § 3.6 K-均值聚类和有序样品的聚类 目录 上页 下页 返回 结束 K-均值法, 又叫快速聚类法，是Macqueen于1967年提出的，其思想是把每个样品聚集到其最近形心（均值）类中去。在它的最简单说明中，这个过程由下列三步所组成： 把样品粗略分成K个初始类； 进行修改，逐个分派样品到其最近均值的类中去（通常用标准化数据或非标准化数据计算欧氏距离）。重新计算接受新样品的类和失去样品的类的形心（均值）； 重复第2步，直到各类无元素进出。 基本思想：开始先初步分类 ，然后按照某种最优的原则修改不合理的分类，直到类分的比较合理为止 选凝聚点 初始分类 修改分类 最 终 分 类 分类是否合理 0.723 …. 0.505 0.433 0.385 发芽势x2 0.777 …. 0.693 0.600 0.707 发芽率x1 12 . … 3 2 1 产区号 初部分为m个类将样本归入最近的类 计算重心作为新的m个凝聚点 计算重心作为新的m个凝聚点 直到m个凝聚点不再改变（即分类不变） 初部分为2