完整版多维标度法.pptVIP

四、非度量 MDS 的古典解 (nonmetric MDS) ? 在实际问题中，我们涉及更多的是不易量化的相似性测度， 如两种颜色的相似性，虽然我们可以用 1 表示颜色非常相似， 10 表示颜色非常不相似，但是这里的数字只表示颜色之间的 相似或不相似程度，并不表示实际的数值大小，因而是定序 尺度，这时是由两两颜色间的不相似数据 ? ij 形成“距离”矩 阵。对于非度量的不相似性矩阵，我们如何进行多维标度分 析呢？假定有一个 n 个对象的不相似矩阵 ( ? ij ) n ? n ，要寻找 n 个对象的一个 r 维拟合构造点 X 。下面介绍 Kruskal 的非度量 MDS 分析方法。 ? 为了寻找一个较好的拟合构造点，我们可以从某一个拟合构 造点开始，即先将 n 个对象随意放置在 r 维空间，形成一个感 知图，用 X i =( X i 1 ， X i 2 ， … ， X ir ) ′ 表示 i 对象在 r 维空间的坐 标，对象 i 与 j 在 r 维空间的距离为 : 2 2 2 1 1 2 2 ( ) ( ) ( ) ij i j i j ir jr d X X X X X X ? ? ? ? ? ? ? L ? 然后微调 n 个对象在空间的位置， 改进空间距离 ij d 与不相 似数据 ij ? 间的匹配程度， 直到匹配性无法改进为止。 显然， 定量测度 ij d 与 ij ? 间的匹配性是问题的难点。因为，对于 定序尺度 ij ? 来说，如何量化它与 ij d 间的对应程度是解决 问题的关键。 Kruskal 提出了用最小平方单调回归的方法， 确定 ij ? 的单调转换 ? ij d 。然后，又提出用以测度偏离完美 匹配程度的量度 STRESS ，称之为应力。定义为 2 2 ? ( ) ij ij ij i j i j STRESS d d d ? ? ?? ?? （ 10.9 ） ? ? ij d 与 ? ij d 之间差异越大， STRESS 值越大，表明匹配性也 就越差。非度量多维标度法就是要采用迭代方法，找到使 STRESS 尽可能地小的 r 维空间中 n 个对象的坐标。对于 找到的拟合构造点，当 STRESS ＝ 0 时，表示拟合完美， ? ij ij d d ? ；当 0STRESS ≤ 2.5% 时，表示拟合非常好；当 2.5 ％ STRESS ≤ 5% 时 ， 表 示 拟 合 好 ； 当 5 ％ STRESS ≤ 10% 时 ， 表 示 拟 合 一 般 ； 当 10 ％ STRESS ≤ 2 0% 时，表示拟合差。 另一种测量偏离完美匹配的量度是由塔卡杨（ T akane ）等 人提出，已成为一个更受欢迎的准则。对给定维数 r ，将 这个量度记为 S 应力，其定义为： S 应力＝ ? ? 1 2 2 2 2 4 ? ( ) ij ij ij d d d ? ? ? ? ? (10.10) ? 也就是说， S 应力是将（ 10.9 ）式中的 d ij 和 用它们的平方代 表后所得到的量度。 S 应力的值介于 0 和 1 之间。典型的情况 是：此值小于 0.1 意味着感知图是 n 个对象的一个好的几何表 示。 ? 在非度量 MDS 分析过程中，另一个需要解决的问题是感知图 空间维数 r 的确定。我们可以制作应力 - r 图确定感知图的维数 r 。从前述可知，对每一个 r ，可以找到使应力达到最小的点 结构。随着 r 的增加，最小应力将在运算误差的范围内逐渐 下 降，且当 r = n -1 时达到零。从 r ＝ 1 开始，可将应力 S （ r ）对 r 作图。这些点随 r 的增加而呈下降排列。若找到一个 r ，上 述 下降趋势到这一点开始接近水平状态，即形成一个“肘”形 曲 线，这个 r 便是“最佳”维数。 ? 非度量 MDS 虽然是基于非度量尺度数据的分析方法，但是， ? ij d 第三节 权重多维标度 (WMDS) ? 以上我们的讨论都是以单个“距离”阵数据出发进行的，但 在实践中，往往需要确定多个距离阵数据的感知图，比如由 10 个人分别对 5 种饮料进行两两相似评测，结果就会得到 10 个相似性矩阵，那么，我们如何根据这 10 个人的评测结构得 出 5 种饮料的相似性感知图呢？显然，按照古典多维的方法， 我们只能是每一个相似性矩阵确定一个感知图， 10 个人分别 确定 10 个感知图。但是，往往我们想要得到的是这 10 个人共 同的一个感知图而非 10 个。这一节将介绍由 Carroll 和 Chang 提出的解决这类问题的多维标度方法 —— 权重多维标度法 （ WMDS ）。基础权重多维标度法也称权重个体差异欧氏 距离模型。 ? 设由 m 个个体