聚类分析原理及R语言实现过程.docx

聚类分析原理及R语言实现过程
聚类分析定义与作用：
是把分类对象按照一定规则分成若干类，这些类不是事先设定的，而是根据数据的特征确 定的。在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中对象趋向于彼此不相似。 在经济、管理、地聚类分析原理及R语言实现过程
聚类分析定义与作用：
是把分类对象按照一定规则分成若干类，这些类不是事先设定的，而是根据数据的特征确 定的。在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中对象趋向于彼此不相似。 在经济、管理、地质勘探、天气预报、生物分类、考古学、医学、心理学以及制定国家标准和区 域标准等许多方面应用十分广泛，是国内外较为流行的多变量统计分析方法之一，在机器学习中 扮演重要角色。
聚类分析的类型
是实际问题中，如根据各省主要的经济指标，将全国各省区分成为几个区域等。这个主要 的经济指标是我们用来分类的依据。称为指标(变量)，用X1、X2…Xp表示，p是变量的个数。 在聚类分析中，基本的思想是认为所研究的样品或者多个观测指标(变量)之间存在着程度不同的 相似性(亲疏关系)。根据这些相识程度，把样品划分成一个由小到大的分类系统，最后画出一张 聚类图表示样品之间的亲疏关系。根据分类对象的不同，可将聚类分析分为两类，一是对分类处 理，叫Q型;另一种是对变量处理，叫R型。
聚类统计量
聚类分析的基本原则是将有较大相似性的对象归为同一类，可进行聚类的统计量有距离和 相似系数。
聚类分析的方法：
系统聚类法、快速聚类法、模糊聚类法。
系统聚类
常用的有如下六种：
1、最短距离法；2、最长距离法;3、类平均法;4、重心法;5、中间距离法;6、离差平方和法 快速聚类
常见的有K-means聚类。
R语言实现系统聚类和K-means聚类过程详解
系统聚类R语言教程第一步:计算距离
在R语言进行系统聚类时，先计算样本之间的距离，计算之前先对样品进行标准变换。用scale() 函数。
R语言各种距离的计算用dist()函数来实现。具体用法为：
dist(x , method = " euclidean " , diag = FALSE, upper = FALSE, p = 2)
x:为数据矩阵或者数据框。
method:为计算方法，包括"euclidean"欧式距离，"maximum"切比雪夫距离，"manhattan"绝 对值距离，"Canberra"兰氏距离，"minkowski"闵可夫斯基距离，"binary"定型变量的距离。 diag是逻辑变量，当diag = TRUE时，给出对角线上的距离。
upper是逻辑变量，当upper = TRUE时，给出上三角矩阵的值(缺省值仅给出下三角矩阵的值)。
p:为minkowski距离的幂次
第二步:系统聚类
在R语言中用hclust()函数进行系统聚类。hclust具体用法为：
hclust(dist , method)
dist:为第一步计算出来的距离
method:为系统聚类方法，有"single"最短距离法，"complete"最长距离法，"median"中间距离 法，"mcquitty" Mcquitty 相似法，"average"类平均法，"centroid"重心法，"ward"离差平方
和法
第三