第讲 聚类分析.pptVIP

西南科技大学生命科学与工程学院周海廷制作 5.5 快速聚类法（quick cluster method k-means model ）也叫动态聚类、逐步聚类、迭代聚类） 原理 选择初始凝聚点 根据欧氏距离将每个样品归类 各类的重心代替初始凝聚点 根据欧氏距离将每个样品归类，…… 直至分类达到稳定 初始凝聚点initial cluster seeds ；cluster centers 自动选择 必须给出允许分类的最大个数k（ SAS中用MAXCLUSTERS=k(或MAXC=k) ） 凭经验选择 以初始凝聚点建立一个数据文件,在SAS的FASTCLUS过程的SEED=选择项中输入该数据文件 5.6 变量聚类法  第３个过程语句中加了HI（要求在不同水平上的聚类保持系统结构，但与无此选则项时的区别并不明显），MAXC=4要求从１类聚到４类，此选择项的最大值为变量的个数。 [输出结果及其解释] Total variation explained = 5.654444 Proportion = 0.5654１类分裂成２类，各含５个指标，此时能解释的方差为5.65444，占总方差10的56.54％。 同理可理解该列中的其他相关系数的含义； 第１类中的某个指标与相邻类(此处为第２类)的类成分之间的相关系数的平方,称为R-squared with Next closest，如：AGE与第２类成分之间的相关系数的平方为0.2958,该值越小，说明分类越合理。 最后一列的比值由同一横行的数据求得，如：(1-0.5843)/(1-0.2958)=0.5903，此值越小，表明分类越合理。从最后一列可看出，很多比值较大，说明这10个变量分成２类是不太合适的。 这是从标准化变量预测类成分的标准回归系数，若设C1、C2分别为第１和第２类成分，即： 类结构相当于因子分析中的因子模型，即每个标准化变量可以表示成全部类成分的线性组合。如： AGE=-0.764387C1-0.543839C2。 No cluster meets the criterion for splitting. 类内相关就是类成分之间的相关系数。此时已达到隐含的停止分裂的临界值，停止分裂。 第①列表示分成一类与两类时分别能解释的总方差量；第②列表示分成一类与两类时分别能解释的方差占全部10个变量的总方差的百分比；第③列表示分成一类与两类时由１个类成分能解释的方差占全部10个变量的总方差的最小百分比。 第①列为各类中最大的第２特征值；第②列为各类中１个变量与其所在类成分的最小相关系数的平R2；第③列为各类中（1-R2）own／（1-R2）next的最大比值。 参见前面关于“R-squared with own cluster 、next cluster”部分输出结果及其解释。 上述主要结果是由第２个过程步输出的。 这是第３个过程步输出的主要结果。 这是第４个过程步输出的主要结果。 结合专业知识发现：由第３个过程聚类的结果比较合理，即第１类中含BJ（步距）、JJ（步行时双下肢夹角）、BS（步速）这三个与走步有关的变量； 第２类中含TJ（图片记忆）、XS（心算时间）、TS（图形顺序记忆）这三个与记忆、计算有关的指标； 第３类中含SG（数字广度记忆）、XX（心算位数）这两个与记忆、计算有关的指标； 第４类中含AGE（年龄）、CK（穿孔）这两个与视力和协调能力有关的指标。 分类的结果将有助于研究者对影响人脑老化本质的认识，为进一步从事这方面的研究提供了一些线索。 5.8 用CLUSTER过程实现样品聚类分析 [例5. 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。测得各菌株的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。 在SAS中用系统聚类法对样品进行聚类时提供了11只同的聚类形式（即距离的定义方法不同），指定的方法是在METHOD＝后面填入１个相应的选择项，它们是：AVERAGE(平均法)　　 CENTROID(重心分量法)COMPLETE(最长距离法)　DENSITY(非参数概率密度估计法)EML(最大似然法)　　 FLEXIBLE(flexible-beta法)MCQUITTY(Mcquitty的相似分析法)　MEDIAN(中位数法)SINGLE(最短距离法)　　　　　　　TWOSTAGE(两阶段密度法)WARD(Ward最小方差法) 计算新类与其他类之间的距离的递推公式不同，一旦任何两类之间的距离算出来后，仍按距离最小者先合并。 用不同的聚类形式对同一批资料进行