[数据挖掘] 聚类分析.pdfVIP

第五章聚类分析

§5.1什么是聚类分析

聚类分析又称群分析，它是研究（样品或指标）分类问题的一种多元统方法，所谓类，

通俗地说，就是指相似元素的集合。严格的数学定义是较麻烦的，在不同问题中类的定义是

不同的。详见参考文献1［。］

聚类分析起源于分类学，在考古的分类学中，人们主要依靠经验和专业知识来实现分类。

随着生产技术和科学的发，展，人类的认识不断加深，分类越来越细，要求也越来越高，有时

光凭经验和专业知识是不能进行确切分类的，往往需要定性和定量分析结合起来去分类，于

是数学工具逐渐被引进分类学中，形成了数值分类学。后来随着多元分析的引进，聚类分析

又逐渐从数值分类学中分离出来而形成一个相对独立的分支。

在社会经济领域中存在着大量分类问题，比如对我国30个省市自治区独立核算工业企

业经济效益进行分析，一段不是逐个省市自治区去分析，而较好地做法是选取能反映企业经

济效益的代表性指标，如百元固定资产实现利税、资金利税率、产值利税率、百元销售收入

实现利润、全员劳动生产率等等，根据这些指标对30个省市自治区进行分类，然后根据分

类结果对企业经济效益进行综合评价，就易于得出科学的分析。又比如若对某些大城市的物

价指数进行考察，而物价指数很多，有农用生产物价指数、服务项目价指数、食品消费物价

指数、建材零售价格指数等等。由于要考察的物价指数很多，通常先对这些物价指数进行分

类。总之，需要分类的问题很多，因此聚类分析这个有用的数学工具越来越受到人们的重视，

它在许多领域中都得到了广泛的应用。

值得提出的是将聚类分析和其它方法联合起来使用，如判别分析、主成分分析、回归分

析等往往效果更好。

聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、

图论聚类法、聚类预报法等。本章主要介绍常用的系统聚类法。

§5.2距离和相似系数

为了将样品（或标）进行分类，就需要研究样品之间关系。目前用得最多的方法有两

个：一种方法是用相似系数，性质越接近的样品，它们的相似系数的绝对值越接近1,而彼

此无关的样品，它们的相似系数的绝对值越接近于零。比较相似的样品归为一类，不怎么相

似的样品归为不同的类。另一种方法是将一个样品看作P维空间的一个点，并在空间定义距

离，距离越近的点归为一类，距离较远的点归为不同的类。但相似系数和距离有各种各样的

定义，而这些定义与变量的类型关系极大，因此先介绍变量的类型。

由于实际问题中，遇到的标有的是定量的（如长度、重量等），有的是定性的（如性

别、职业等），因此将变量（标）的类型按以下三种尺度划分：

间隔尺度：变量是用连续的量来表示的，如长度、重量、压力、速度等等。在间隔尺度

中，如果存在绝对零点，又称比例尺度，本书并不严格区分比例尺度和间隔尺度。

有序尺度:变量度量时没有明确的数量表示，而是划分一些等级，等级之间有次序关系，

如某产品分上、中、下三等，此三等有次序关系，但没有数量表示。

名义尺度：变量度量时、既没有数量表示，也没有次序关系，如某物体有红、黄、白三

种颜色，又如医学化验中的阴性与阳性，市场供求中的产和销等。

不同类型的变量，在定义距离和相似系数时，其方法有很大差异，使用时必须注意。研

究比较多的是间隔尺度，因此本章主要给出间隔尺度的距离和相似系数的定义。

设有个样品，每个样品测得夕项标（变量），原始资料阵为

xXj・・・

lXp

\|为2…“

x2X21X22••・工2P