SAS统计分析7聚类分析.ppt

第7章 聚类分析 7.1 聚类分析方法的概述 聚类分析（Cluster Analysis）是研究物以类聚的一种统计分析方法。用于对事物类别尚不清楚，甚至事物总共可能有几类都不能确定的情况下进行事物分类的场合。 1．聚类分析的指标 聚类分析可分为对变量聚类和对样品聚类。聚类分析所依据的指标按其测量的尺度可分为以下三种： 间隔尺度：指标用连续的实型变量表示。如长度，时间，产量，重量等。 有序尺度：用该指标度量时没有明确的数量表示，只有次序关系。如评价某种产品的质量，可分为一等品、二等品、三等品、等外品四种等级；如对某产品很满意、满意、不满意等。 名义尺度：用该指标度量时既没有数量也没有次序关系。如化学反应中催化剂的种类，天气的晴或阴，雨等。 2．聚类分析法简介 聚类分析实质上是寻找一种能客观反映元素之间亲疏关系的统计量，然后根据这种统计量把元素分成若干类。常用的聚类统计量有距离系数和相似系数2类。距离系数一般用于对样品分类，而相似系数一般用于对变量聚类。距离的定义很多，如极端距离、明考斯基距离、欧氏距离、切比雪夫距离等。相似系数有相关系数、夹角余弦、列联系数等。 2．聚类分析法简介 研究样品间的关系常用两种方法： 一种是距离法。它将每一样品看成为m维空间的一个点（m是样品的指标个数），这样就将研究样品间的关系变为研究m维空间中点与点之间的关系。而点与点之间的关系常用距离来表示，并根据点与点间的距离进行分类，即将距离较近的点归为一类，而将距离较远的点归为不同的类。 另一种是相似系数法。相近样品的相似系数接近1（或-1），而彼此无关的样品的相似系数接近于0，这样就可以根据样品的相似系数的值分为不同的类。 聚类分析方法大致归纳如下： 1)系统聚类法：先将ｎ个元素（样品或变量）看成ｎ类，然后将性质最接近（或相似程度最大）的2类合并为一个新类，得到n-1类。再从中找出最接近的2类加以合并变成了n-2类。如此下去，最后所有的元素全聚在一类之中。 2） 调优法：这种方法是先将样品做一个初始的分类，然后按照某种最优的原则逐步调整，一直到调整的分类比较合理为止。但这种方法，当初始分类不同时，对最终分类结果会有影响。该法可用SAS提供的FASTCLUS过程实现。此过程主要用于大数据集的聚类，观测数应在100～10万之间。 3） 图论法：这种方法是从几何观点来考虑分类问题，即应用图论的观点将n个样品看成m维空间的n个点（n为样品个数），点与点间用直线连接，从而构成m维空间的点的连接图，再应用图论的观点将样品点在m维空间作最小支撑树，最终达到分类目的。 7.2 TREE过程 语句格式 ： PROC TREE 选择项 ; BY VARIABLES ; COPY VARIABLES ; RUN ; 若输入的数据集是由CLUSTER或VARCLUS过程生成的，则只有PROC TREE语句是必须的。 7.3 应用举例 7.3.1 用VARCLUS过程实现变量聚类分析 3. 应用举例 例7.1　（数据来自《数据分析》范金城 梅长林 编著 科学出版社）。下表数据为某年各地农民生活费用支出数据。其中：num序号、area地区、x1食品、x2衣着、x3燃料、x4住房、x5生活用品及其它、x6文化生活服务支出。试对这些指标作变量聚类分析。 专业结论：结合生活常识发现：将6个变量指标分为4类比较合理，即第1类中含x1食品、x4住房、x5生活用品及其它，这三个变量属于居民基本生活消费有关的变量。第2类中含x3燃料，第3类中含x6文化生活服务支出，第4类中含x2衣着。通过这种聚类分析，我们可以将居民的消费支出按类进行分析，以获得不同消费支出情况，可进一步研究居民生活水平状况。 7.3.2 用CLUSTER过程实现样品聚类分析 5. BY语句 ：与其它过程相同。 6. 结（Tie）说明 在系统聚类的每一层，CLUSTER必须按最小距离把两类合并。但有时，对于离散型数据，可能会有几个相等的最小距离，在这种情况下，这种连结（Tie）必须按随机方式打破。类是采用内观测最小序号来识别，当两类要合并时，这两类有一个较大序号和一个较小序号，如果出现Tie，则取其中较大序号中的最小者合并。在输出的Tie列中，以T指出最小距离的一个连结，空白表明没有连结。 7. 应用举例 例7.2　某研究者收集了24种菌株。其中17～22号为已知的标准菌株，它们分别取自牛、羊、犬、猪、鼠、绵羊，其他为未知菌株。获得各菌株的16种脂肪酸百分含量。试作样品聚类分析，以便了解哪些未知菌株与已知的标准菌株在全部指标上最为接近。 7.3.3 用FASTCLUS过程进行大样本聚类分析 例7.3 数据为世界上55个国家和地区1984年前在七个径赛项目上的女子记录。变量M100