聚类分析与判别分析.ppt

第1页，共22页，星期日，2025年，2月5日概述聚类分析：顾名思义是一种分类的多元统计分析方法。按照个体或样品(individuals,objectsorsubjects)的特征将它们分类，使同一类别内的个体具有尽可能高的同质性(homogeneity)，而类别之间则应具有尽可能高的异质性(heterogeneity)。第2页，共22页，星期日，2025年，2月5日基本思想指标：描述研究对象（样本或变量，常用的是样本）之间的联系的紧密程度。“距离”和“相似系数”，假定研究对象均用所谓的“点”来表示。一般的规则是将“距离”较小的点或“相似系数”较大的点归为同一类，将“距离”较大的点或“相似系数”较小的点归为不同的类！严格说来聚类分析并不是纯粹的统计技术，它不像其它多元分析法那样，需要从样本去推断总体。聚类分析一般都涉及不到有关统计量的分布，也不需要进行显著性检验。聚类分析更像是一种建立假设的方法，而对假设的检验还需要借助其它统计方法。第3页，共22页，星期日，2025年，2月5日分类：Q型聚类—对样本进行分类处理；R型聚类—对变量进行分类处理。方法：系统聚类法K-均值聚类法有序样品聚类法第4页，共22页，星期日，2025年，2月5日个体之间距离的度量方法针对连续变量的距离测量：欧式距离；欧式距离平方；切比雪夫距离；布洛克距离；明可夫斯基距离；自定义距离；夹角余弦；皮尔逊相关系数第5页，共22页，星期日，2025年，2月5日针对计数变量的距离测度：卡方距离；Phi方距离；针对二值变量的距离测度：二值欧式距离；二值欧式距离平方；不对称指数；不相似性测度；方差一般聚类个数在4－6类，不宜太多，或太少；第6页，共22页，星期日，2025年，2月5日聚类分析应注意的问题所选择的变量应符合聚类的要求；各变量的变量值不应有数量级上的差异；各变量间不应有较强的线性相关关系。第7页，共22页，星期日，2025年，2月5日系统聚类/层次聚类凝聚式聚类和分解式聚类。基本思想：距离相近的样品（或变量）先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品（或变量）总能聚到合适的类中。步骤：第一步：每个样品独自聚成类，共n个类；第二步：把距离较近的两个样品聚合为一类，形成n-1类；第三步：将n-1个类中“距离”最近的两个类进一步聚成一类，形成n-2类；直至所有样品全聚成一类。第8页，共22页，星期日，2025年，2月5日个体与小类，小类与小类“亲疏程度”度量方法组间平均连接距离：个体与小类中每个个体距离的平均值；组内平均连接距离：个体与小类中每个个体距离以及小类内各个体间距离的平均值；最近邻距离：个体与小类中每个个体距离的最小值；最远邻距离：个体与小类中每个个体距离的最大值；重心距离：该个体与小类的重心点的距离；中位数距离；离差平方和法：使小类内离差平方和增加最小的两小类应首先合并为一类。第9页，共22页，星期日，2025年，2月5日案例9.3系统聚类分析案例9.3.sav的资料是我国2005年各地城镇居民平均每人全年家庭收入来源统计表。试对全国各地区的收入来源结构进行分类。第10页，共22页，星期日，2025年，2月5日二阶段聚类分析二阶段聚类分析是一种新型的分层聚类方法，主要用于一般的数据挖掘和多元统计的交叉领域—模式分类，其算法适用于任何尺度的变量。第11页，共22页，星期日，2025年，2月5日案例9.2二阶段聚类分析案例9.1.sav的资料是美国22个公共团体的数据。试以“是否使用核能源”为分类变量对这些团体进行聚类分析，其中“1”表示使用核能源，“0”表示没有使用核能源，观测这两类企业所属类别的情况。第12页，共22页，星期日，2025年，2月5日K-均值聚类是一种快速聚类法。适合处理大样本数据。基本思想是：将每个样品分配给最近中心（均值）的类中，具体步骤：指定聚类数目K确定K个初始类中心（用户指定或系统指定）；根据距离最近原则进行分类（欧式距离）；重新确定K个类中心；判断是否已满足终止聚类分析的条件：迭代次数或类中心偏移程度（0.02）。第13页，共22页，星期日，2025年，2月5日案例9.2K中心聚类分析案例9.2.sav的资料是我国2006年各地区能源消耗的情况。根据不同省市的能源消耗情况，进行分类，以了解我国不同地区的能源消耗情况。第14页，共22页，星期日，2025年，2月5日判别分析概述根据已有的划分类别的有关历史资料，确定一种判定方法，判定一个新的样本归属哪一类。设定有k个样本，对每个样本测得p项指标的数据，已知每个样本属于k个类别中的每一类