基于数据分组处理方法的聚类分析模型报告

二、三种聚类方法
1、系统聚类 系统聚类法是聚类分析中用得较多的一种方法。 它通过建立、并逐步更新距离系数矩阵（或相似系 数矩阵），找出并合并最接近的两类，直到全部分类 对象被合并为一类为止。 据此合并过程，可以做出聚类图（或称分群图、谱 系图），并确定类的个数和最后聚成的各类。
以样本聚类为例，系统聚类法的工作步骤如下： ① 计算全部n个样品两两间的距离{dij}，并构成n维距 离系数矩阵D。 ② 将每个样品作为一类，共构成n类。上述的n维矩阵 D即为类间的距离系数矩阵。 ③ 由系数矩阵找出并合并距离最近的类为一新类，于 是总的类数将至少减1。记下参加合并的类的序号与距 离。
2) 按子集A,B用一致性准则 c 聚类
下表给出了各聚类方案中 c 的值，由表可知， 除去k=9的情况外，k=4,k=3和k=2时，都有 c 0 ， 哪个是最优方案呢？
3）按子集C,D用一致性准则 c 聚类产生集合
C,D的偶极子为：
(12,11),(10,17),(3,5),(15,14),(18,13),(20,2),(19,8), (16.9),(7.6) 除去k=9的情况外，在集合C,D上没有出现 一个c 为0的方案，不能为唯一确定最优聚 类方案提供补充信息，一致性准则 c失效。
第二类： {8,9,3,19,20,7,6,4,5,2,1}，即 中国台湾，韩国，德国，法 国，英国，新加坡，丹麦， 瑞典，瑞士，日本和美国。 它们属于基础设施发达的国 家或地区。
结论
与通常的聚类方法相比，OCA能自动，客观地确 定聚类个数并找到最优聚类方案，然而，当一致性准 则不能解决问题时，我们运用偶极子的概念，提出了 新一致性准则。基于新一致性准则的GCA方法扩大了 可聚类对象的适用范围。
2.3 进行聚类 step1：将子集A和B分别聚为k类；
把产生子集A,B的全体k个偶极子按他们的值从小 到大的顺序进行编号，称该编号为这个偶极子的编号 或其中两个样本的编号。
Step2：将子集A和B分别聚成k-1类；
分别将子集A和B中距离最近的两个类聚为一类， 则子集A和B都被聚成k-1个类。
Step3：
在检测集C和D上进行聚类，方法与在A,B集进 行的聚类过程相同，考察在A,B集上 c 0 的几 种聚类方案，看哪种聚类方案在检测集C,D上也满 足 c 0 ，则这个聚类是要找的最优的聚类方案。
当找不到 c 0 时怎么办？
2.新一致性准则：
假设集合A,B已分别聚为k类，偶极子总数为q，集 合AUB的偶极子总数为p，该列与子集的子集形成的类 的总数为r，则有：
3、动态聚类法 动态聚类法是先将样品粗略地分一下类，然后再 按照某种原则进行修正，直至分类比较合理为止。 其过程如下图1所示。
图1 动态聚类框图
在上述介绍的三种聚类方法中，系统聚类法和 分解聚类法有一个共同点，就是样品一旦被归到某 个类后就不再变了，这就要求分类的方法比较准确； 而且当样品个数较大时，相应的计算量过大。 而动态聚类法可弥补它们的不足。
M q p N k r
c M N
新准则 c M N 表示 需要拆分的偶极子的数目。
因为本文的方法是基于偶极子的聚 类，偶极子被拆分的数目越少，则聚类 结果越优。因此，基于偶极子定义的新 准则 的值越小，聚类方案越优。
c
实例研究 基于信息基础设施的国家（地区）聚类分析
二、算法实现
2.2 基于偶极子的数据样本分组 2 C 从n个数据样本{x1,x2…,xn}可以得到 n个 偶极子，2.1中dij为该偶极子的值。将它们由 小到大排列取前k=[n/2]个彼此没有共同样本 的偶极子，将这些偶极子的xi构成子集A，样 本xj构成子集B，这样使用偶极子将数据样本 集合平均分成两个子集A和B。 在产生A和B之后，按同样的方法从剩余 的偶极子可得到样本子集C和D作为检测集。
百度文库
数据分组处理（GMDH）聚类分析 一、基本原理
与前面提到的通常的聚类方法相比，传统的聚类 方法中关于划分方法以及层次的方法这两个重要因素 需要依赖于建模人员的先验知识，因而较多的依赖于 建模人员的主观因素。 客观聚类分析方法（OCA）能自动、客观地确定聚 类个数并找到最优聚类方案，通过算法步骤的剖析和 算例分析，对客观聚类分析方法的核心构建，即一致 性准则的不足进行评价，利用偶极子给出了新的一致 性准则，提出了数据分组处理（GMDH）聚类分析方法。
聚类步骤如下：
1）产生偶极子以及子集A和B
偶极子(12，10),(14，13),(9，8),(19， 3),(20，7),(6，4),(18，17),(16，15),(5，2) 样本子集A={12,14,9,19,20,6,18,16,5} 样本子集B={10,13,8,3,7,4,17,15,2}
4）用新一致性准则 c 聚类：
重复2）3）两步，但用新一致性准则，结 果如下表，在集合A,B上得到三种最优候选聚类 方法：k=4,k=3,k=2,利用聚合C,D进行检测，k=4时， c =2，k=2时， c =3；k=3时， c =1，k=2时c 的值最小，因此最优的聚类方案分两类
第一类：{10,12,13,14,15,16,17,18,11},即巴西，墨西 哥，俄罗斯，波兰，匈牙利，马来西亚，泰国，智利和 印度。这一类转型的国家和亚洲以及拉美的发展中国家， 这些国家经济较不发达，基础设施较薄弱，基于信息基 础设施较落后的国家。
④ 若只剩下一类了，转至步骤⑤。否则计算新类与当前 其他各类的距离，调整系数矩阵D，然后返回步骤③。
⑤ 根据步骤③中记录的序号和距离，画出聚类图。 ⑥ 确定类的个数，最后得到所聚成的各类。
2、分解聚类法 分解聚类法是将类由少变多的聚类法。先把全部 个体当作一类，然后再分为两类，三类…，直到 所有的个体自成一类。
基于数据分组处理方法的聚类 分析模型
牛亚旭 信研1401 马超 信研1402
传统的聚类方法 数据分组处理聚类分析方法 实例分析
传统的聚类分析 一、概述
人类认识世界的一种重要方法就是将认识的对象 进行分类，分门别类的对事物进行研究，要远比在一 个混杂多变的集合中更清晰明了和细致。
通常，人们可以凭经验和专业知识来实现分类 ，而聚类分析作为一种定量方法，从数据分析的角 度，给出一个更准确更细致的分类工具。
按照信息基础设施的发展现状，对世界的20 个国家（地区进行聚类），信息基础设施的发展 状况的属性（变量）又六个，（1）CALL—每千人 拥有的电话线长度；（2）MOVECALL---每千户居 民蜂窝移动电话数；（3）FEE---高峰时期每三分钟 国际电话的成本；（4）COMPUTER---每千人拥有 的计算机数；（5）MIPS---每千人中计算机的功 率;(6)NET---每千人互联网络户主数。各国（地区） 信息基础设施的发展状况数据见下表：
重复step2，将子集A和B分别聚成k-2个类， 注意各子集中类与类之间的距离由两类中距离最 近的样本间的距离给出。此时集合AUB中仍有k 个列 继续上述过程，直到将子集A和B聚成两个 类。
Step4：
找出所有准则值c 0 的聚类方案，它们 为最优聚类方案的候选方案。
2.4 运用检测集C和D找出一个唯一的最优 聚类方案