聚类分析的思路和方法.ppt

聚类分析Cluster Analysis4/21/20241.什么是聚类分析？v聚类分析是根据“物以类聚”的道理，对样本或指标进行分类的一种多元统计分析方法，它们讨论的对象是大量的样本，要求能合理地按各自的特性进行合理的分类，没有任何模式可供参考或依循，即在没有先验知识的情况下进行的。2.聚类分析的基本思想v基本思想是认为研究的样本或变量之间存在着程度不同的相似性（亲疏关系）。v根据一批样本的多个观测指标，找出一些能够度量样本或变量之间相似程度的统计量，以这些统计量作为分类的依据，把一些相似程度较大的样本（或指标）聚合为一类，把另外一些相似程度较大的样本（或指标）聚合为一类，直到把所有的样本（或指标）都聚合完毕，形成一个由小到大的分类系统。3.聚类分析无处不在v谁经常光顾商店，谁买什么东西，买多少？v按会员卡记录的光临次数、光临时间、性别、年龄、职业、购物种类、金额等变量分类v这样商店可以v识别顾客购买模式（如喜欢一大早来买酸奶和鲜肉，习惯周末时一次性大采购）v刻画不同的客户群的特征4.聚类分析无处不在v挖掘有价值的客户，并制定相应的促销策略：如，对经常购买酸奶的客户对累计消费达到12个月的老客户v针对潜在客户派发广告，比在大街上乱发传单命中率更高，成本更低！5.聚类分析无处不在v谁是银行信用卡的黄金客户？利用储蓄额、刷卡消费金额、诚信度等变量对客户分类，找出“黄金客户”！这样银行可以制定更具吸引力的服务，留住客户！比如：v一定额度和期限的免息透支服务！v赠送百盛的贵宾打折卡！v在他或她生日的时候送上一个小蛋糕！6.聚类的应用领域v经济领域：帮助市场分析人员从客户数据库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。谁喜欢打国际长途，在什么时间，打到那里？对住宅区进行聚类，确定自动提款机ATM的安放位置股票市场板块分析，找出最具活力的板块龙头股企业信用等级分类v生物学领域推导植物和动物的分类；对基因分类，获得对种群的认识v数据挖掘领域作为其他数学算法的预处理步骤，获得数据分布状况，集中对特定的类做进一步的研究7.例 对10位应聘者做智能检验。3项指标X，Y和Z分别表示数学推理能力、空间想象能力和语言理解能力。得分如下，选择合适的统计方法对应聘者进行分类。应聘者12345678910X28181121262016142422Y29232223292322232927Z281816222622222424248.9.10.聚类分析根据一批样本的许多观测指标，按照一定的数学公式具体地计算一些样本或一些指标的相似程度，把相似的样本或指标归为一类，把不相似的归为一类。11.样本或变量间亲疏程度的测度v研究样本或变量的亲疏程度的数量指标有两种：v一种叫相似系数，性质越接近的变量或样本，它们的相似系数越接近于1 1或一l l，而彼此无关的变量或样本它们的相似系数则越接近于0 0，相似的为一类，不相似的为不同类。v另一种叫距离，它是将每一个样本看作p p维空间的一个点，并用某种度量测量点与点之间的距离，距离较近的归为一类，距离较远的点应属于不同的类。12.v设有n个样本单位，每个样本测得p项指标（变量），原始资料矩阵为：13.定比变量的聚类统计量：距离统计量v绝对距离v欧式距离v明考斯基距离v兰氏距离v马氏距离v切氏距离14.v1.绝对距离（Block距离）v2.欧氏距离(Euclidean distance)15.v3.明考斯基距离(Minkowski)v4.兰氏距离v5.马氏距离v6.切比雪夫距离(Chebychev)16.17.v1.相关系数v2.夹角余弦定比变量的聚类统计量：相似系数统计量18.计数变量(Count)（离散变量）的聚类统计量v对于计数变量或离散变量，可用于度量样本（或变量）之间的相似性或不相似性程度的统 计 量 主 要 有 卡 方 测 度（Chi-square measure）和 Phi方 测 度（Phi-square measure）。19.二值(Binary)变量的聚类统计量20.聚类的类型v根据聚类对象的不同，分为Q型聚类和R型聚类。vQ型聚类：样本之间的聚类即Q型聚类分析，则常用距离来测度样本之间的亲疏程度。vR型聚类：变量之间的聚类即R型聚类分析，常用相似系数来测度变量之间的亲疏程度。21.聚类的类型v根据聚类方法的不同分为系统聚类和K均值聚类。v系统聚类：又称为层次聚类（hierarchical cluster），是指聚类过程是按照一定层次进行的。vK均值聚类（K-means Cluster）22.层次聚类v基本思想：在聚类分析的开始，每个样本（或变量）自成一类；然后，按照某种方法度量所有样本（或变量）之间的亲疏程度，并把最相似的样本（或变量）首先聚成一小类；接下来，度量剩余的样本（或变量）和小类间的亲疏程度，并将当前最接近的样本（或变量）与小类聚成一类；再接下来，再度量剩余的样本（或变量）和小类间的亲疏程度，并将当前最接近的样本（或变量）与小类聚成一类；如此反复，直到所有样本（或变量）聚成一类为止。23.v系统聚类法不仅需要度量个体与个体之间的距离，还要度量类与类之间的距离。类间距离被度量出来之后，距离最小的两个小类将首先被合并成为一类。由类间距离定义的不同产生了不同的系统聚类法。24.类间距离的度量方法v最短距离法(Nearest Neighbor)v最长距离法(Further Neighbor)v组间平均连接法(Between-group linkage)v组内平均连接法(Within-group linkage)v重心法(Centroid clustering)v中位数法(Median clustering)v离差平方和法(Wards method)25.最短距离法(Nearest Neighbor)v以两类中距离最近的两个个体之间的距离作为类间距离。26.x21x12x22x1127.最长距离法(Further Neighbor)v以两类中距离最远的两个个体之间的距离作为类间距离。28.x11x2129.组间平均连接法(Between-group linkage)v以两类个体两两之间距离的平均数作为类间距离。30.组间平均连接法（Between-group Linkage)31.组内平均连接法(Within-group linkage)v将两类个体合并为一类后，以合并后类中所有个体之间的平均距离作为类间距离。32.组内平均连接法（Within-group Linkage)x21x12x22x1133.重心法(Centroid clustering)v以两类变量均值（重心）之间的距离作为类间距离。34.重心距离：均值点的距离35.中位数法(Median clustering)v以两类变量中位数之间的距离作为类间距离。36.离差平方和法(Wards method)v离差平方和法是由Ward提出的，因此也称为Ward方法。具体做法是，先将n个个体各自成一类，然后每次减少一类，随着类与类的不断聚合，类内的离差平方和必然不断增大，选择使离差平方和增加最小的两类合并，直到所有的个体归为一类为止。37.主要步骤1.1.选择变量 （1）和聚类分析的目的密切相关 （2）反映要分类变量的特征 （3）在不同研究对象上的值有明显的差异 （4）变量之间不能高度相关2.2.数据变换处理 为了消除各指标量纲的影响，需要对原始数据进行必要的变换处理。38.3.3.计算聚类统计量 聚类统计量是根据变换以后的数据计算得到的一个新数据，它用于表明各样本或变量间的关系密切程度。常用的统计量有距离和相似系数两大类。39.4.4.聚类 主要涉及两个问题：（1 1）选择聚类的方法 （2 2）确定形成的类数40.5.5.聚类结果的解释和证实 对聚类结果进行解释是希望对各个类的特征进行准确的描述，给每类起一个合适的名称。这一步可以借助各种描述性统计量进行分析，通常的做法是计算各类在各聚类变量上的均值，对均值进行比较，还可以解释各类产生的原因。41.k-均值聚类K-means ClustervK-均值聚类也叫快速聚类v要求事先确定分类数v运算速度快（特别是对于大样本）42.k-均值聚类K-means Clusterv系统首先选择k个聚类中心，根据其他观测值与聚类中心的距离远近，将所有的观测值分成k类；再将k个类的中心（均值）作为新的聚类中心，重新按照距离进行分类；，这样一直迭代下去，直到达到指定的迭代次数或达到中止迭代的判据要求时，聚类过程结束。43.聚类分析终止的条件v迭代次数：当目前的迭代次数等于指定的迭代次数（SPSS默认为10）时终止迭代。v类中心点偏移程度：新确定的类中心点距上个类中心点的最大偏移量小于等于指定的量（SPSS默认为0）时终止聚类。44.例子1：31个省区小康和现代化指数的聚类分析v利用2001年全国31个省市自治区各类小康和现代化指数的数据，对地区进行聚类分析。v数据中包括6类指数：综合指数、社会结构指数、经济与技术发展指数、人口素质指数、生活质量指数、法制与治安指数。45.系统聚类46.vAgglomeration schedule：输出聚类过程表vProximity matrix：输出各个体之间的距离矩阵vCluster Membership：每个个体类别归属表47.vDendrogram：聚类树形图vIcicle：冰柱图48.49.50.51.52.53.如果分为3类v第1类：北京、上海、天津v第2类：江苏、山东、辽宁、浙江、广东、福建、黑龙江、吉林v第3类：其余省区54.输出各组的统计信息在数据文件中保存分类信息DataSplit file55.56.57.K均值聚类vIterate and classify：不断计算新的类中心，替换旧的类中心。vClassify only：根据初始类中心进行聚类，不改变类中心。58.59.60.61.62.63.例子2：土壤样本聚类分析v有20个土壤样本，利用含沙量、淤泥含量、粘土含量、有机物、pH值5个变量的数据对这20个土壤样本进行分类。64.系统聚类65.66.67.68.69.70.71.72.K均值聚类73.74.75.76.77.78.R型聚类的例子v裁判为运动员打分79.