数学建模-聚类分析.pptVIP

聚类分析（Cluster Analysis）是研究“物以类聚”的一种多元统计方法。国内有人称它为群分析、点群分析、簇群分析等。 一、聚类分析的基本概念 研究对样品或指标进行分类的一种多元统计方法,是依据研究对象的个体的特征进行分类的方法。 聚类分析把分类对象按一定规则分成若干类，这些类非事先给定的，而是根据数据特征确定的。在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中趋向于不相似。 职能是建立一种能按照样品或变量的相似程度进行分类的方法。 除此以外，还有动态聚类法、图论聚类法、模糊聚类法、有序聚类法等。 聚类分析有两种：一种是对样本的分类，称为Q型，另一种是对变量（指标）的分类，称为R型。 R型聚类分析的主要作用： ⒈不但可以了解个别变量之间的亲疏程度，而且可以了解各个变量组合之间的亲疏程度。 ⒉根据变量的分类结果以及它们之间的关系，可以选择主要变量进行Q型聚类分析或回归分析。（R2为选择标准） Q型聚类分析的主要作用： ⒈可以综合利用多个变量的信息对样本进行分析。 ⒉分类结果直观，聚类谱系图清楚地表现数值分类结果。 ⒊聚类分析所得到的结果比传统分类方法更细致、全面、合理。 在课堂上主要讨论Q型聚类分析, Q型聚类常用的统计量是距离. 那么Q型系统聚类法则可以表述为： 把样本看成n维空间的点，而把变量看成n维空间的坐标轴，m个样本开始时自成一类，然后规定各类之间的距离，将距离最小的一对并成一类，然后再计算距离，直到所有单位全部合并为止。 二、距离和相似系数 在进行聚类分析时，样本间的相似系数和距离有多种不同的定义，通常按特性来划分。变量特征的测度尺度有三种类型： ? 间隔尺度（由连续的实值变量表示） ? 有序尺度（没有明确的数量表示，只有次序关系，如产品等级） ? 名义尺度（具有某种特性，如性别） 从一组复杂数据产生一个相当简单的类结构，必然要求进行“相关性”或“相似性”的度量。在相似性度量的选择中，常常包含许多主观上的考虑，但最重要的考虑是指标的性质或观测的尺度（名义、次序、间隔）以及相关知识。 课堂上主要讨论的指标测量为间隔尺度的情况。 ⒈距离 每个样本有p个指标，因此每个样本可以看成p维空间中的一个点，n个样本就组成p维空间中的n个点，这时很自然想到用距离来度量n个样本间的接近程度。 用 表示第i个样本与第j个样本之间的距离。一切距离应满足以下条件： 常见的距离有： block distance 绝对值距离： euclidean distance 欧式距离 squared euclidean distance 平方欧式距离 chebychev distance 切比雪夫距离 minkowski distance 明考斯基距离 （明氏距离） 当q=1,2时，为绝对值、欧式距离； 若趋近无穷时，则为切比雪夫距离 明氏距离在实际的运用很多，但有一些缺点。例如观测值的单位问题；指标间的相关问题，因此改进得到以下两种距离： Lanberra 兰氏距离 Mahalanobis 马氏距离 以上都是样本间距离的定义。 ⒉相似系数 夹角余弦 相关系数 变量间的距离 利用相似系数来定义距离 利用样本协差阵来定义距离 把变量Xi的n次观测值看成p维空间的点, 在p维空间中定义m个变量间的距离。 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： 三、系统聚类法基本步骤 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求的两类为一个新类； 5. 计算新类与当前各类的距离。若类的个数为1，则转到步骤6，否则回到步骤4; 6.画出聚类图； 7.决定类的个数和类。 系统聚类分析的方法 系统聚类法的聚类原则决定于样品间的距离以及类间距离的定义，类间距离的不同定义就产生了不同的系统聚类分析方法。 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 ； 以下用D(p,q)表示类Gp和Gq之间的距离。 1.最短距离法(SINgle method) 2.最长距离法(COMplete method) 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，