聚类分析与SAS.pptVIP

聚类分析与SAS 1.概述 一、含义：聚类分析（Cluster Analysis）是利用多个 样品或多个观测指标（变量）对样品或指标进行分类 的一种多元统计方法 。 二、适宜资料：多个样品的多个观测指标待分类的数 据。 三、分析目的：利用多个样品的多个观测指标（变 量），从量的角度对客观事物进行分类，从而揭示不 同事物的数量本质及其差异，弥补定性分类综合性及 客观性不强的弱点。 四、基本思想：所研究的样品或指标（变量）之间存 在程度不同的相似性或亲疏关系，关系近的聚为一 类，关系远的聚为另外一类。 聚类分析（Cluster Analysis）是将一批样本按其考察诸指标的亲疏程度进行分类。分类的依据是样本间的距离系数或相似系数。距离系数一般用于样本的分类，相似系数一般用于变量的聚类。聚类方法常用的有系统聚类法、动态聚类法等等。 系统聚类法：该法是按样本指标（变量）的距离定义类间距离。它首先将N个样本（或指标）分成N类，每个样本自成一类，然后每次将两类距离最小的样本合并为一新类，重新计算新类与其它类间的距离。如此反复进行，直到所有样本合并为一类，最后结果用聚类图展现（谱系图），由该图可直观方便地进行分类。 动态聚类法：它首先将N个样本（或变量）初分为若干类，然后用某种最优准则进行调整，并不断地进行调整，直到不能调整为止。 2 聚类分析的SAS过程 CLUSTER过程 该过程为系统聚类过程，是以数据间的距离或相似系 数为聚类的根据。 PROC CLUSTER 选项串； VAR 变量名称串；指明资料中用作聚类分析的变量 名称。 COPY 变量名称串；指明将输入文件的变量复印到 输出资料文件中。 FREQ 变量名称；指明样本（个体）重复出现的次 数。 语句说明： PROC CLUSTER的选项有：①DATA=输入文件名 称。②OUTTREE=输出文件名称，以供制作树形图。 ③METHOD=一种算法。一个CLUSTER过程只能含一 个METHOD=算法。其算法有11种：M=AVE（类平均 法）、M=CEN（重心法）、M=COM（最长距离 法）、M=DEN（非参概率密度法）、M=EML（最大 似然法）、M=FLE（可变距离法）、M=MCQ（马氏 法）、M=MED（中间距离法）、M=SIN（最短距离 法）、M=TWO（双连法）、M=WAR （离差平方 法）。④NONORM；阻止数据被标准化，当M=WAR 时，可阻止类间平方和被总平方和正态化。 当M=DEN、EML、TWO时，该选项无效。 ⑤ NOSQUARE；当M=CEN、MED、WAR时，阻止 数据点间的欧氏距离被平方。 ⑥CCC；要求打印出聚类判别数据的立方（Cubic Clustering Criterion），以及在均等分布无效假设下 近似的期望值R2，该值越大，所对应聚类的数目越正 确。⑦S；印出描述性统计值。⑧TRIM=P用来剔除数 据中过于分散的劣值数据。 ⑨ STANDARD将变量标 准化，使其平均数为0，标准差为1，等等。 FASTCLUS过程 该过程为动态聚类过程，其聚类是相互排斥的，即一 个数据只能属于一个类别，适用于大样本分析。 PROC FASTCLUS 选项串； VAR 变量名称串； ID 变量名称； FREQ 变量名称； WEIGHT 变量名称； 语句说明： PROC FASTCLUS语句 其选项有⑴界定输入、输出 文件；①DATA=输入文件名称。②SEED=输入文件 名称，其中含有初始中心点，而无原始数据。 ③OUT=输出文件名称，含有输入文件的数据等。 ④MEAN=输出文件名称，含有聚类的平均数和其他 统计量等。 ⑵控制聚类的初始中心点；①MAXC=正整数，界定 聚类数目的最大值，内设值为100。 ②RADIUS=正实数；选择新中心点最短距离，当选 用REPLACE=RANDOM时，该选项失效。 界定聚类中心点的取代方式：为FULL时，中心点的取 代由以上①、②选项决定，为PART时，则当数据点和 任何一个中心点的距离必须大于任何两个现存中心点 的距离时，初选的中心点会被取代；为NONE时，初选 中心点不被取代；为RANDOM时，SAS会选择一组随 机数点为聚类的初选中心点。 ⑶控制中心点的最后决定有：①DRIFT；每处理一个 观察值，即当前类的平均距离，替换上次聚类的中心 点。聚类中心是“漂流”的，是不断变化的。② MAXITER=正整数；界定重复计算聚类中心点所需的 最大迭代次数（内设值为1）。 ③STRICT=正整数，设定一个距离准则，若某一个 数据点与它最邻近聚类中心点的距离超过该准则，此 数据不能归到任一现存的聚类中，此类数据将全归于 另一聚类中。此外还有SHORT、SUMMARY选项， 要求