多元统计分析.pptVIP

聚类分析 聚类分析方法是按样品（或变量）的数据特征，把相似的样品（或变量）倾向于分在同一类中，把不相似的样品（或变量）倾向于分在不同类中。 聚类分析根据分类对象不同分为Q型和R型聚类分析。 距离和相似系数 相似性度量：距离和相似系数。 距离常用来度量样品之间的相似性，相似系数常用来度量变量之间的相似性。 样品之间的距离和相似系数有着各种不同的定义，而这些定义与变量的类型有着非常密切的关系。 变量的测量尺度 通常变量按测量尺度的不同可以分为间隔、有序和名义尺度变量三类。 间隔尺度变量：变量用连续的量来表示，如长度、重量、速度、温度等。 有序尺度变量：变量度量时不用明确的数量表示，而是用等级来表示，如某产品分为一等品、二等品、三等品等有次序关系。 名义尺度变量：变量用一些类表示，这些类之间既无等级关系也无数量关系，如性别、职业、产品的型号等。 距离有多种定义方法，在聚类分析中最常用的是欧氏距离，即有 当各变量的单位不同或测量值范围相差很大时，应先对各变量的数据作标准化处理。最常用的标准化处理是，令 其中 和 分别为第 个变量的样本均值和样本方差。 相似系数 聚类分析方法不仅用来对样品进行分类，而且可用来对变量进行分类，在对变量进行分类时，常常采用相似系数来度量变量之间的相似性。 变量之间的这种相似性度量，在一些应用中要看相似系数的大小，而在另一些应用中要看相似系数绝对值的大小。 相似系数(或其绝对值)越大，认为变量之间的相似性程度就越高；反之，则越低。 聚类时，比较相似的变量倾向于归为一类，不太相似的变量归属不同的类。 相似系数一般需满足的条件 （1） ，当且仅当 和 是常数； （2） ，对一切 ； （3） ，对一切 。 最常用的两个相似系数 系统聚类法 系统聚类法是聚类分析诸方法中用得最多的一种。 基本思想是：开始将个样品各自作为一类，并规定样品之间的距离和类与类之间的距离，然后将距离最近的两类合并成一个新类，计算新类与其他类的距离；重复进行两个最近类的合并，每次减少一类，直至所有的样品合并为一类。 常用的系统聚类方法 一、最短距离法 二、最长距离法 三、中间距离法 四、类平均法 五、重心法 六、离差平方和法(Ward方法) 最短距离法 定义类与类之间的距离为两类最近样品间的距离，即 最短距离法的聚类步骤 (1) 规定样品之间的距离，计算 个样品的距离矩阵 ，它是一个对称矩阵。 (2) 选择 中的最小元素，设为 ，则将 和 合并成一个新类，记为 ，即 (3) 计算新类 与任一类 之间距离的递推公式为 最短距离法的聚类步骤 在 中， 和 所在的行和列合并成一个新行新列，对应 ，该行列上的新距离值由上式求得，其余行列上的距离值不变，这样就得到新的距离矩阵，记作 。 (4) 对 重复上述对 的两步得 ，如此下去直至所有元素合并成一类为止。 如果某一步 中最小的元素不止一个，则称此现象为结(tie)，对应这些最小元素的类可以任选一对合并或同时合并。 一般来说，只要聚类的样品数目不是太少，各种聚类方法所产生的聚类结果一般是不同的，甚至会有大的差异。 单调性 令 是系统聚类法中第 次并类时的距离，如果一种系统聚类法能满足 ，则称它具有单调性。这种单调性符合系统聚类法的思想，先合并较相似的类，后合并较疏远的类。 最短距离法、最长距离法、可变法、类平均法、可变类平均法和离差平方和法都具有单调性，但中间距离法和重心法不具有单调性。 类的个数 如果能够分成若干个很分开的类，则类的个数就比较容易确定；反之，如果无论怎样分都很难分成明显分开的若干类，则类个数的确定就比较困难了。 确定类个数的常用方法有： 1.给定一个阈值T。 2.观测样品的散点图。 3.使用统计量。包括： 统计量，半偏 统计量， 伪 统计量和伪 统计量。 动态聚类法 动态聚类法的基本思想是，选择一批凝聚点或给出一个初始的分类，让样品按某种原则向凝聚点凝聚，对凝聚点进行不断的修改或迭代，直至分类比较合理或迭代稳定为止。类的个数k可以事先指定，也可以在聚类过程中确定。选择初始凝聚点(或给出初始分类)的一种简单方法是采用随机抽选(或随机分割)样品的方法。