第5章 聚类分析5.45.5

1聚类分析内涵1.1聚类分析定义聚类分析（Cluste.Analysis）是一组将研究对象分为相对同质的群组(clusters)的统计分析技术.也叫分类分析(classificatio.analysis)或数值分类(numerica.taxonomy), 它是研究（样品或指标）分类问题的一种多元统计方法, 所谓类, 通俗地说, 就是指相似元素的集合。

聚类分析有关变量类型:定类变量,定量(离散和连续)变量聚类分析的原则是同一类中的个体有较大的相似性, 不同类中的个体差异很大。

1.2聚类分析分类聚类分析的功能是建立一种分类方法, 它将一批样品或变量, 按照它们在性质上的亲疏、相似程度进行分类.聚类分析的内容十分丰富, 按其聚类的方法可分为以下几种:(1)系统聚类法: 开始每个对象自成一类, 然后每次将最相似的两类合并, 合并后重新计算新类与其他类的距离或相近性测度. 这一过程一直继续直到所有对象归为一类为止. 并类的过程可用一张谱系聚类图描述.(2)调优法(动态聚类法): 首先对n个对象初步分类, 然后根据分类的损失函数尽可能小的原则对其进行调整, 直到分类合理为止.(3)最优分割法(有序样品聚类法): 开始将所有样品看成一类, 然后根据某种最优准则将它们分割为二类、三类, 一直分割到所需的K类为止. 这种方法适用于有序样品的分类问题, 也称为有序样品的聚类法.(4)模糊聚类法: 利用模糊集理论来处理分类问题, 它对经济领域中具有模糊特征的两态数据或多态数据具有明显的分类效果.(5)图论聚类法: 利用图论中最小支撑树的概念来处理分类问题, 创造了独具风格的方法.(6)聚类预报法：利用聚类方法处理预报问题, 在多元统计分析中, 可用来作预报的方法很多, 如回归分析和判别分析. 但对一些异常数据, 如气象中的灾害性天气的预报, 使用回归分析或判别分析处理的效果都不好, 而聚类预报弥补了这一不足, 这是一个值得重视的方法。

第五讲聚类分析聚类分析是一种无监督学习方法，旨在将样本数据划分为具有相似特征的若干个簇。

它通过测量样本之间的相似性和距离来确定簇的划分，并试图让同一簇内的样本点相似度较高，而不同簇之间的样本点相似度较低。

聚类分析在数据挖掘、模式识别、生物信息学等领域有着广泛的应用，它可以帮助我们发现隐藏在数据中的模式和规律。

在实际应用中，聚类分析主要包含以下几个步骤：1.选择合适的距离度量方法：距离度量方法是聚类分析的关键，它决定了如何计算样本之间的相似性或距离。

常用的距离度量方法包括欧氏距离、曼哈顿距离、切比雪夫距离等。

2.选择合适的聚类算法：聚类算法的选择要根据具体的问题和数据特点来确定。

常见的聚类算法有K-means算法、层次聚类算法、DBSCAN算法等。

3.初始化聚类中心：对于K-means算法等需要指定聚类中心的方法，需要初始化聚类中心。

初始化可以随机选择样本作为聚类中心，也可以根据领域知识或算法特点选择合适的样本。

4.计算样本之间的相似度或距离：根据选择的距离度量方法，计算样本之间的相似度或距离。

相似度越高或距离越小的样本越有可能属于同一个簇。

5.按照相似度或距离将样本划分为不同的簇：根据计算得到的相似度或距离，将样本划分为不同的簇。

常用的划分方法有硬聚类和软聚类两种。

硬聚类将样本严格地分到不同的簇中，而软聚类允许样本同时属于不同的簇，并给出属于每个簇的概率。

6.更新聚类中心：在K-means等迭代聚类算法中，需要不断迭代更新聚类中心，以找到最优划分。

更新聚类中心的方法有多种，常用的方法是将每个簇内的样本的均值作为新的聚类中心。

7.评估聚类结果：通过评估聚类结果的好坏，可以判断聚类算法的性能。

常用的评估指标有轮廓系数、Dunn指数、DB指数等。

聚类分析的目标是让同一簇内的样本点尽量相似，而不同簇之间的样本点尽量不相似。

因此，聚类分析常常可以帮助我们发现数据中的分组结构，挖掘出数据的内在规律。

聚类分析在市场细分、社交网络分析、基因表达数据分析等领域都有广泛的应用。

5.3 基于试探的聚类搜索算法
2.3.2 最大最小距离算法 • [算法（实例）]
第十九页，编辑于星期日按距离准则逐步分类，类别 由多到少，直到获得合适的分类要求为 止。
• [算法]
第二十页，编辑于星期日：十六点 五十七分。
系统聚类也称为Hierarchical Clustering
neirest neighbor algorithm • If data points are thought as nodes of a graph
with edges forming a path between the nodes in the same subset Di, the merging of Di and Dj corresponds to adding an edge between the neirest pair of node in Di and Dj • The resulting graph has any closed loop and it is a tree, if all subsets are linked we have a spanning tree
第二十五页，编辑于星期日：十六点 五十七分。
距离准则函数 To find the nearest clusters, one can use
dmin (Di , Dj )
min
xDi ,x'D j
x x'
dmax (Di , Dj )
max
xDi ,x'Dj
x x'
davg (Di , Dj )
dendrogram
第二十二页，编辑于星期日：十六点 五十七分。
• Another representation is based on set, e.g., on the Venn diagrams

应聘者 X Y Z
1 2 3 4 5 6 7 8 9 10 28 18 11 21 26 20 16 14 24 22 29 23 22 23 29 23 22 23 29 27 28 18 16 22 26 22 22 24 24 24
2021/8/17
5
2021/8/17
6
2021/8/17
Ch6 聚类分析
2021/8/17
1
聚类分析根据一批样品的许多观测指标，按 照一定的数学公式具体地计算一些样品或一些参 数(指标)的相似程度，把相似的样品或指标归为 一类，把不相似的归为一类。
例如对上市公司的经营业绩进行分类；据经 济信息和市场行情，客观地对不同商品、不同用 户及时地进行分类。又例如当我们对企业的经济 效益进行评价时，建立了一个由多个指标组成的 指标体系，由于信息的重叠，一些指标之间存在 很强的相关性，所以需要将相似的指标聚为一类， 从而达到简化指标体系的目的。
2021/8/17
29
(1) 所 选 择 的 亲 疏 测 度 指 标 在 实 际 应 用中应有明确的意义。如在经济变量分析 中，常用相关系数表示经济变量之间的亲 疏程度。
2021/8/17
30
(2)亲疏测度指标的选择要综合考虑已对样本观测 数据实施了的变换方法和将要采用的聚类分析方法。如在 标准化变换之下，夹角余弦实际上就是相关系数；又如若 在进行聚类分析之前已经对变量的相关性作了处理，则通 常就可采用欧氏距离，而不必选用斜交空间距离。此外， 所选择的亲疏测度指标，还须和所选用的聚类分析方法一 致。如聚类方法若选用离差平方和法，则距离只能选 用 欧氏距离。
剂的种类等。在名义尺度中只取两种特性状态的变量是很
重要的，如电路的开和关，天气的有雨和无雨，人口性别