五种常用系统聚类分析方法及其比较胡雷芳一、系统聚类分析概述聚类分析是研究如何将对象按照多个方面的特征进行综合分类的一种统计方法［１］。
然而在以往的分类学中，人们主要靠经验和专业知识作定性分类处理，许多分类不可避免地带有主观性和任意性，不能揭示客观事物内在的本质差别和联系；或者人们只根据事物单方面的特征进行分类，这些分类虽然可以反映事物某些方面的区别，但却往往难以反映各类事物之间的综合差异。
聚类分析方法有效地解决了科学研究中多因素、多指标的分类问题［２］。
在目前的实际应用中，系统聚类法和Ｋ均值聚类法是聚类分析中最常用的两种方法。
其中，Ｋ均值聚类法虽计算速度快，但需要事先根据样本空间分布指定分类的数目，而当样本的变量数超过３个时，该方法的可行性就较差。
而系统聚类法（Ｈｉｅｒａｒｃｈｉｃａｌｃｌｕｓｔｅｒｉｎｇｍｅｔｈｏｄｓ，也称层次聚类法）由于类与类之间的距离计算方法灵活多样，使其适应不同的要求。
该方法是目前实践中使用最多的。
这该方法的基本思想是：先将ｎ个样本各自看成一类，并规定样本与样本之间的距离和类与类之间的距离。
开始时，因每个样本自成一类，类与类之间的距离与样本之间的距离是相同的。
然后，在所有的类中，选择距离最小的两个类合并成一个新类，并计算出所得新类和其它各类的距离；接着再将距离最近的两类合并，这样每次合并两类，直至将所有的样本都合并成一类为止。
这样一种连续并类的过程可用一种类似于树状结构的图形即聚类谱系图（俗称树状图）来表示，由聚类谱系图可清楚地看出全部样本的聚集过程，从而可做出对全部样本的分类［３］。
二、五种常用系统聚类分析方法系统聚类法在进行聚类的过程中，需要计算类与类之间的距离。
根据类与类之间的距离计算方法的不同，我们可以将系统聚类法分为单连接法、完全连接法、平均连接法、组平均连接法与离差平方和法等。
１．单连接法（Ｓｉｎｇｌｅｌｉｎｋａｇｅ）单连接法又称最短距离法。
该方法首先将距离最近的样本归入一类，即合并的前两个样本是它们之间有最小距离和最大相似性；然后计算新类和单个样本间的距离作为单个样本和类中的样本间的最小距离，尚未合并的样本间的距离并未改变。
聚类分析聚类分析是研究“物以类聚”的一种多元统计方法。
国内有人称它为群分析、点群分析、簇群分析等。
聚类分析的基本概念聚类分析是研究对样品或指标进行分类的一种多元统计方法,是依据研究对象的个体的特征进行分类的方法。
它把分类对象按一定规则分成若干类，这些类非事先给定的，而是根据数据特征确定的。
在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中趋向于不相似。
它职能是建立一种能按照样品或变量的相似程度进行分类的方法。
聚类分析的基本思想是认为我们所研究的样本或指标（变量）之间存在着程度不同的相似性（亲疏关系）。
于是根据一批样本的多个观测指标，具体找出一些彼此之间相似程度较大的样本（或指标）聚合为一类，把另外一些彼此之间相似程度较大的样本（或指标）又聚合为另一类，关系密切的聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有样本（或指标）都聚合完毕，把不同的类型一一划分出来，形成一个由小到大的分类系统。
最后把整个分类系统画成一张谱系图，用它把所有样本（或指标）间的亲疏关系表示出来。
这种方法是最常用的、最基本的一种，称为系统聚类分析。
聚类分析有两种：一种是对样本的分类，称为Q型，另一种是对变量（指标）的分类，称为R型。
聚类分析给人们提供了丰富多彩的方法进行分类，这些方法大致可以归纳为：（1）系统聚类法。
首先将n个也样品看成n类（一个类包含一个样品），然后将性质最接近的两类合并成一个新类，我们得到n-1类，再从中找出最接近的两类加以合并成了n-2类，如此下去，最后所有的样品均在一类，将上述并类过程画成一张图（称为聚类图）便可决定分多少类，每类各有什么样品。
（2）模糊聚类法。
将模糊数学的思想观点用到聚类分析中产生的方法。
该方法多用于定型变量的分类。
（3）K—均值法。
K—均值法是一种非谱系聚类法，它是把样品聚集成k个类的集合。
类的个数k可以预先给定或者在聚类过程中确定。
该方法可用于比系统聚类法大得多的数据组。
聚类分析的方法一、系统聚类法系统聚类分析法就是利用一定的数学方法将样品或变量（所分析的项目）归并为若干不同的类别（以分类树形图表示），使得每一类别内的所有个体之间具有较密切的关系，而各类别之间的相互关系相对地比较疏远。
系统聚类分析最后得到一个反映个体间亲疏关系的自然谱系，它比较客观地描述了分类对象的各个体之间的差异和联系。
根据分类目的不同，系统聚类分析可分为两类：一类是对变量分类，称为R型分析；另一类是对样品分类，称为Q型分析。
系统聚类分析法基本步骤如下（许志友，1988）。
（一）数据的正规化和标准化由于监测时所得到的数值各变量之间相差较大，或因各变量所取的度量单位不同，使数值差别增大，如果不对原始数据进行变换处理，势必会突出监测数据中数值较大的一些变量的作用，而消弱数值较小的另一些变量的作用，克服这种弊病的办法是对原始数据正规化或标准化，得到的数据均与监测时所取的度量单位无关。
设原始监测数据为Xij (i＝1，2，…，n；j＝1，2，…，m；n为样品个数，m为变量个数)，正规化或标准化处理后的数据为Zij (i＝1，2，…，n；j＝1，2，…，m)。
1. 正规化计算公式如下：（7-32）（i＝1，2，…，n；j＝1，2，…，m）2. 标准化计算公式如下：（7-33）（i＝1，2，…，n；j＝1，2，…，m）其中：（二）数据分类尺度计算为了对数据Zij进行分类，须对该数据进一步处理，以便从中确定出分类的尺度，下列出分类尺度计算的四种方法。
1.相关系数R两两变量间简单相关系数定义为：（7-34）（i，j＝1，2，…，m）其中一般用于变量的分类（R型）。
有一1≤≤1且愈接近1时，则此两变量愈亲近，愈接近-1，则关系愈疏远。
2.相似系数相似系数的意义是，把每个样品看做m维空间中的一个向量，n个样品相当于m维空间中的n个向量。
第i个样品与第j个样品之间的相似系数是用两个向量之间的夹角余弦来定义，即：（7-35）（i，j＝1，2，…，m）常用于样品间的分类（Q型）。
