[理学]SPSS课件-09聚类分析.ppt

第9章 聚类分析 授课教师：董梅 dongmeixz@ 学习内容 层次聚类（分层聚类，系统聚类） K-均值聚类（快速聚类） 两阶段聚类 1 聚类分析的基本介绍 在现实生活中，分类问题是十分常见的 根据经济发展水平把各个国家分成发达国家、中等发达国家、发展中国家 利用气候指标作气候区划分 这些分类中，有的事先并不知道存在什么类别，完全按照反映对象特征的数据把对象进行分类，这在统计上称为聚类分析；有的则是在事先有了某种分类标准之后，判定一个新的研究对象应该归属到哪一类别，这在统计上则称为判别分析(discriminant analysis) 本节主要介绍聚类分析方法 1 聚类分析的基本介绍 把相似的东西放在一起，从而使得类别内部的“差异”尽可能小，而类别之间的“差异”尽可能大 聚类分析就是按照对象之间的“相似”程度把对象进行分类 分类： 按照变量对所观察的样本进行分类称为Q型聚类（把行分为若干类） 按照样本对多个变量进行分类，则称为R型聚类（把列指标分为若干类） 1 聚类分析的基本介绍 在对样本进行分类时（此种分类最常用），度量样本之间的相似性使用点间距离计算方法： 欧氏距离(Euclidean distance)最常用 平方欧氏距离(Squared Euclidean distance) Block距离(Block distance) Chebychev距离(Chebychev distance) 马氏距离(Minkovski distance) 在对变量进行分类时，度量变量之间的相似性常用相似系数方法 夹角余弦法， Pearson相关系数法 2 层次聚类(hierarchical cluster) 层次聚类又称系统聚类，或分层聚类 层次聚类事先不需要确定要分多少类，聚类过程一层层进行，最后得出所有可能的类别结果，研究这根据具体情况确定最后需要的类别。 计算类间距离(与上面介绍的点间距离不同)的方法有很多，不同方法会得到不同的聚类结果，常用的是离差平方和法(Ward’s method)，又称Ward法 2 层次聚类(hierarchical cluster) 例题：根据我国31个省市自治区2006年的6项主要经济指标数据，采用层次聚类法进行分类，并对结果进行分析 （表格数据未显示完整，有31个省份的6个经济指标） 2 层次聚类(hierarchical cluster) 以上结果的说明 首先把31个地区各自作为一类(共有31类)。第1步是把距离最近的两个地区21(海南)和地区30(宁夏)合并成一类。第2步被合并的是21和地区29(青海)，这里的“21”实际上是指在第1步中被合并的类别，只是用“21”表示21(海南)所在的类别 练习： 根据练8-1聚类分析-系统聚类（各省学生体质）的数据，对各省学生进行分类 3 K-均值聚类(K-means cluster) 也被称为快速聚类(quick cluster) 按照一定方法选取一批聚类中心，让样品向最近的聚类中心聚集，形成初始分类，然后按照最近距离原则不断修改不合理分类，直至合理为止 需要确定要分的类别数目K 需要确定K个类别的初始聚类中心（可由SPSS指定聚类中心），依次计算每个样本到K个聚类中心的距离欧氏距离，经过反复迭代直到把每个样本分到指定的类别中。 4 两阶段聚类 两阶段分类是根据不同变量类型进行的假设分类。 假设：连续变量为正态分布 分类变量为多项式分布 步骤： 1、对每个观测量考查一遍，确定类中心。 2、使用凝聚法对特征数的叶节点分组 主要思想：采用似然距离测度 3 K-均值聚类(K-means cluster) 分成4类的最终聚类中心 表中的数据表示各个类别在各变量上的平均值。如，第一类的2.88521表示被分到第一类的地区(北京和上海)标准化后的人均GDP平均值 3 K-均值聚类(K-means cluster) 分类后各个变量在类别之间的方差分析表 利用方差分析表可以判断所分的类别是否合理。从表中可以看出，分类后各变量在不同类别之间的差异都是显著的(P值均接近0) 3 K-均值聚类(K-means cluster) 分成4类时每一类的地区数量 由该表可以看出，第一类包括2个地区，第二类包括11个地区，第三类包括4个地区，第四类包括14个地区 3 K-均值聚类(K-means cluster) 每个地区所属的类别 3 K-均值聚类(K-means cluster) 河北，山西，辽宁，黑龙江，安徽，福建，江西，河南，湖北，湖南，广西，四川，云南，陕西 江苏，浙江，山东，广东 天津，内蒙古，吉林，海南，重庆，贵州，西藏，甘肃，青海，宁夏，