09生物统计学第七章.pptVIP

生物统计学第七章 聚类分析;分类问题; 聚类分析（群分析） 是实用多元统计分析的一个新分支，正处于发展阶段。理论上尚未完善， 但应用十分广泛。 实质上是一种分类问题，目的是建立一种分类方法，将一批数据按照特 征的亲疏、相似程度进行分类。 定性、经验的分类的局限 分类较粗、数据量小、凭借经验 生物信息学中的聚类分析问题 根据DNA芯片获得的基因表达数据进行基因聚类（数据量庞大） 蛋白质相互作用网络的分类 根据不同物种的大分子序列进行相似性比较并构建系统发育树 ……;聚类分析;第一节 分类统计量——距离、相似系数;;样本均值：;(1) 中心化变换;(2) 标准化变换;(3) 极差标准化变换;(4) 极差正规化变换（规格化变换）;(5) 对数变换;距离的定义 用dij表示样品X(i)与X(j)之间的距离，有 dij ?0; 且dij =0? X(i)=X(j); dij = dji; 三角不等式：dij ? dik + dkj;(1) Minkowski距离;当q=2时，得到二阶Minkowski度量：;(2) Lance距离;(3) Mahalanobis距离;(4) 斜交空间距离;;(1) 夹角余弦——相似系数;(2) 相关系数;第二节 聚类分析方法之一： 谱系聚类法(hierarchical cluster analysis);;; 对数据进行变换； 定义样品间的距离（如欧氏距离）、类别之间的距离（如最短距离）； 首先将t个样品各自视为一类：得到初始的分类G(1) （含有t类），计算t个样品两两之间的距离，它们等价于初始的类间距离，得到初始的距离矩阵D(1) ； 将距离最近的两类合并为一新类，得到新的分类G(2)（含有t-1类），并计算新类与其它类的类间距离，得到新的类间距离矩阵D(2) ，再按照最小距离准则并类，得到G(3)（含有t-2类）、D(3),… 。直到所有样品都并成一类 ； 画出谱系聚类图，决定分类的个数及各类的成员。;谱系聚类法示例;Step 1 首先5个物种各自构成1类，得到5类，则有： 初始分类G (1)={X(i)}(i=1, 2, 3, 4, 5) 初始类别数目m=5 初始类间距离矩阵D(1);;Step 3 由D(2)知，合并X(3)和X(4)为一新类C(3)={X(3), X(4)}，有： 新的G (3)={ X(5) , C(4) , C(3)} 新的类别数目m=3 新的类间距离矩阵D(3);Step 4 由D(3)知，合并X(5)和C(3)为一新类C(2)={X(5), C(3)}，有： 新的G (4)={C(4) , C(2)} 新的类别数目m=2 新的类间距离矩阵D(4);Step 5 由D(4)知，最后合并C(4)和C(2)为一新类C(1)={C(4), C(2)}，有： 新的G (5)={C(4) , C(2)} 新的类别数目m=1 新的类间距离矩阵D(5);;Step 7 确定类别的数目以及各类的成员：; 影响聚类结果的主要因素 样品间距离的定义dij 类间距离的定义Dij ;（1） 最短距离;（2） 最长距离;（3） 类平均距离;（4） 几何中心距离;(1) 由临界值确定;(2) 由数据散点图直观确定;(4) 确定类别数目的基本原则;第三节 聚类分析方法之二： 动态聚类法;选取 聚类种子点 (Cluster seeds); 聚类种子点（Cluster seeds）：准备形成类的中心，是一批有代表性的点。 聚类种子点选取的重要性：直接决定初始分类。 初始分类的重要性：影响最终分类结果。 ; 条件：对所分类问题有一定的了解。 根据经验，预先确定分类的数目、初始分类，并从每类中选择有代表性的一个点作为种子点。 ; 条件：对所分类问题有一定的了解 根据经验，预先将数据人为地分为k 类，计算每一类的几何中心，选取这些中心作为聚类种子点。 ;以d (d0)为半径，以某个样品X为球心，落在小球内的全部样品数就是样本X的密度。 计算所有样品点的密度，首先选取密度最大的样品点作为第一种子点。 在所有与第一种子点距离大于D (一般D=2d)的样品点中，选取密度最大的样品点作为第二种子点。 在所有与第一、第二种子点距离大于D的样品点中，选取密度最大的样品点作为第三种子点。 依次考察全部样品点，得到全部聚类种子点。 半径d 的选择要合理。; 首先，以所有样品的几何中心为第一种子点。 然后，依次考察每个样品点，若某一点与已有种子点距离均大于d 值，则选取该点为新的种子点。 ; 随机选取聚类种子点。 假设分为k 类，则用前k 个样品作为聚类种子点。 ;（1）人为分类 （2）最近距离归类 （3）动态调整种子点 （4）