




已閱讀5頁,還剩23頁未讀, 繼續(xù)免費(fèi)閱讀
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
統(tǒng)計(jì)學(xué),從數(shù)據(jù)到結(jié)論,第十一章聚類分析,分類,物以類聚、人以群分;但根據(jù)什么分類呢?如要想把中國的縣分類,就有多種方法可以按照自然條件來分,比如考慮降水、土地、日照、濕度等,也可考慮收入、教育水準(zhǔn)、醫(yī)療條件、基礎(chǔ)設(shè)施等指標(biāo);既可以用某一項(xiàng)來分類,也可以同時(shí)考慮多項(xiàng)指標(biāo)來分類。,聚類分析,對一個(gè)數(shù)據(jù),既可以對變量(指標(biāo))進(jìn)行分類(相當(dāng)于對數(shù)據(jù)中的列分類),也可以對觀測值(事件,樣品)來分類(相當(dāng)于對數(shù)據(jù)中的行分類)。當(dāng)然,不一定事先假定有多少類,完全可以按照數(shù)據(jù)本身的規(guī)律來分類。本章要介紹的分類的方法稱為聚類分析(clusteranalysis)。對變量的聚類稱為R型聚類,而對觀測值聚類稱為Q型聚類。它們在數(shù)學(xué)上是無區(qū)別的。,飲料數(shù)據(jù)(drink.txt),16種飲料的熱量、咖啡因、鈉及價(jià)格四種變量,11.1如何度量距離遠(yuǎn)近?,如果想要對100個(gè)學(xué)生進(jìn)行分類,而僅知道他們的數(shù)學(xué)成績,則只好按照數(shù)學(xué)成績分類;這些成績在直線上形成100個(gè)點(diǎn)。這樣就可以把接近的點(diǎn)放到一類。如果還知道他們的物理成績,這樣數(shù)學(xué)和物理成績就形成二維平面上的100個(gè)點(diǎn),也可以按照距離遠(yuǎn)近來分類。,11.1如何度量距離遠(yuǎn)近?,三維或者更高維的情況也是類似;只不過三維以上的圖形無法直觀地畫出來而已。在飲料數(shù)據(jù)中,每種飲料都有四個(gè)變量值。這就是四維空間點(diǎn)的問題了。,兩個(gè)距離概念,按照遠(yuǎn)近程度來聚類需要明確兩個(gè)概念:一個(gè)是點(diǎn)和點(diǎn)之間的距離,一個(gè)是類和類之間的距離。點(diǎn)間距離有很多定義方式。最簡單的是歐氏距離。當(dāng)然還有一些和距離相反但起同樣作用的概念,比如相似性等,兩點(diǎn)越相似度越大,就相當(dāng)于距離越短。,兩個(gè)距離概念,由一個(gè)點(diǎn)組成的類是最基本的類;如果每一類都由一個(gè)點(diǎn)組成,那么點(diǎn)間的距離就是類間距離。但是如果某一類包含不止一個(gè)點(diǎn),那么就要確定類間距離,類間距離是基于點(diǎn)間距離定義的:比如兩類之間最近點(diǎn)之間的距離可以作為這兩類之間的距離,也可以用兩類中最遠(yuǎn)點(diǎn)之間的距離或各類的中心之間的距離來作為類間距離。,兩個(gè)距離概念,在計(jì)算時(shí),各種點(diǎn)間距離和類間距離的選擇是通過統(tǒng)計(jì)軟件的選項(xiàng)實(shí)現(xiàn)的。不同的選擇的結(jié)果會不同,但一般不會差太多。,向量x=(x1,xp)與y=(y1,yp)之間的距離或相似系數(shù):,歐氏距離:Euclidean,平方歐氏距離:SquaredEuclidean,夾角余弦(相似系數(shù)1):cosine,Pearsoncorrelation(相似系數(shù)2):,Chebychev:Maxi|xi-yi|,Block(絕對距離):Si|xi-yi|,Minkowski:,當(dāng)變量的測量值相差懸殊時(shí),要先進(jìn)行標(biāo)準(zhǔn)化.如R為極差,s為標(biāo)準(zhǔn)差,則標(biāo)準(zhǔn)化的數(shù)據(jù)為每個(gè)觀測值減去均值后再除以R或s.當(dāng)觀測值大于0時(shí),有人采用Lance和Williams的距離,類Gp與類Gq之間的距離Dpq(d(xi,xj)表示點(diǎn)xiGp和xjGq之間的距離),最短距離法:,最長距離法:,重心法:,離差平方和:(Wald),類平均法:,(中間距離,可變平均法,可變法等可參考各書).在用歐氏距離時(shí),有統(tǒng)一的遞推公式,有了上面的點(diǎn)間距離和類間距離的概念,就可以介紹聚類的方法了。這里介紹兩個(gè)簡單的方法。,11.2事先要確定分多少類:k-均值聚類,前面說過,聚類可以走著瞧,不一定事先確定有多少類;但是這里的k-均值聚類(k-meanscluster,也叫快速聚類,quickcluster)卻要求你先說好要分多少類??雌饋碛行┲饔^,是吧!假定你說分3類,這個(gè)方法還進(jìn)一步要求你事先確定3個(gè)點(diǎn)為“聚類種子”(SPSS軟件自動為你選種子);也就是說,把這3個(gè)點(diǎn)作為三類中每一類的基石。,11.2事先要確定分多少類:k-均值聚類,然后,根據(jù)和這三個(gè)點(diǎn)的距離遠(yuǎn)近,把所有點(diǎn)分成三類。再把這三類的中心(均值)作為新的基石或種子(原來“種子”就沒用了),再重新按照距離分類。如此疊代下去,直到達(dá)到停止疊代的要求(比如,各類最后變化不大了,或者疊代次數(shù)太多了)。顯然,前面的聚類種子的選擇并不必太認(rèn)真,它們很可能最后還會分到同一類中呢。下面用飲料例的數(shù)據(jù)來做k-均值聚類。,假定要把這16種飲料分成3類。利用SPSS,只疊代了三次就達(dá)到目標(biāo)了(計(jì)算機(jī)選的種子還可以)。這樣就可以得到最后的三類的中心以及每類有多少點(diǎn),根據(jù)需要,可以輸出哪些點(diǎn)分在一起。結(jié)果是:第一類為飲料1、10;第二類為飲料2、4、8、11、12、13、14;第三類為剩下的飲料3、5、6、7、9、15、16。,SPSS實(shí)現(xiàn)(聚類分析),K-均值聚類以數(shù)據(jù)drink.sav為例,在SPSS中選擇AnalyzeClassifyK-MenasCluster,然后把calorie(熱量)、caffeine(咖啡因)、sodium(鈉)、price(價(jià)格)選入Variables,在NumberofClusters處選擇3(想要分的類數(shù)),如果想要知道哪種飲料分到哪類,則選Save,再選ClusterMembership等。注意k-均值聚類只能做Q型聚類,如要做R型聚類,需要把數(shù)據(jù)陣進(jìn)行轉(zhuǎn)置。,11.2事先不用確定分多少類:分層聚類,另一種聚類稱為分層聚類或系統(tǒng)聚類(hierarchicalcluster)。開始時(shí),有多少點(diǎn)就是多少類。它第一步先把最近的兩類(點(diǎn))合并成一類,然后再把剩下的最近的兩類合并成一類;這樣下去,每次都少一類,直到最后只有一大類為止。越是后來合并的類,距離就越遠(yuǎn)。,對于飲料聚類。SPSS輸出為,“冰柱圖”(icicle),例:5個(gè)樣品距離陣令Dk為系統(tǒng)聚類法種第k次合并時(shí)的距離,如Dk為單調(diào)的,則稱具有單調(diào)性.前面只有重心和中間距離法不具有單調(diào)性.,步驟:最短距離法最長距離法階段bk(第k階段類的集合)DkDkD(0)(1)(2)(3)(4)(5)00D(1)(1,3)(2)(4)(5)11D(2)(1,3)(2,4)(5)33D(3)(1,3)(2,4,5)45D(4)(1,3,2,4,5)69注:最短和最長距離法結(jié)果一樣(一般不一定一樣),聚類要注意的問題,聚類結(jié)果主要受所選擇的變量影響。如果去掉一些變量,或者增加一些變量,結(jié)果會很不同。相比之下,聚類方法的選擇則不那么重要了。因此,聚類之前一定要目標(biāo)明確。,聚類要注意的問題,另外就分成多少類來說,也要有道理。只要你高興,從分層聚類的計(jì)算機(jī)結(jié)果可以得到任何可能數(shù)量的類。但是,聚類的目的是要使各類之間的距離盡可能地遠(yuǎn),而類中點(diǎn)的距離盡可能的近,并且分類結(jié)果還要有令人信服的解釋。這一點(diǎn)就不是數(shù)學(xué)可以解決的了。,SPSS實(shí)現(xiàn)(聚類分析),分層聚類對drink.sav數(shù)據(jù)在SPSS中選擇AnalyzeClassifyHierarchicalCluster,然后把calorie(熱量)、caffeine(咖啡因)、sodium(鈉)、price(價(jià)格)選入Variables,在Cluster選Cases(這是Q型聚類:對觀測值聚類),如果要對變量聚類(R型聚類)則選Variables,為了畫出樹狀圖,選Plots,再點(diǎn)Dendrogram等。,附錄,Lance和Williams給出(對歐氏距離)統(tǒng)一遞推公式:D2(k,r)=apD2(k,p)+aqD2(k,q)+bD2(p,q)+g|D2(k,p)-D
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 太原員工聚餐活動方案
- 垃圾桶改造活動方案
- 外出公園活動方案
- 大班地球日活動活動方案
- 大地作畫活動方案
- 夏季許愿活動方案
- 夜市巡游活動方案
- 大班爸爸活動方案
- 大學(xué)課前演講活動方案
- 多元產(chǎn)品活動方案
- 《心血管病介入治療新技術(shù)》課件
- 風(fēng)力發(fā)電運(yùn)維值班員(技師)職業(yè)技能鑒定考試題(附答案)
- 物業(yè)管理定價(jià)策略與實(shí)施路徑
- 基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)攻擊行為模式識別-洞察闡釋
- 出國培訓(xùn)考試題庫及答案
- 《腎動脈解剖》課件
- 2024年湖南益陽事業(yè)單位招聘考試真題答案解析
- 國家開放大學(xué)《公共部門人力資源管理》形考任務(wù)1-4答案
- 寧德市霞浦縣2025年六年級下學(xué)期小升初數(shù)學(xué)考前押題卷含解析
- 汽車電泳工藝培訓(xùn)
- 2024年陜西省中職高考對口升學(xué)財(cái)經(jīng)商貿(mào)大類真題卷附參考答案
評論
0/150
提交評論