应用多元分析之聚类分析.docx

用聚类分析探究现实中的物以类聚人以群分 研究目的：用聚类分析的方法，尝试对现实中的人群进行分类，然后与现实中已存在的小团队相比较，探究此方法用于人群分类的可行性 研究意义：因为此次的数据只来自本班的同学，样本小，代表性差，更多的只是满足一下自己的好奇心，并没有太大的意义。自己只是想试试看能不能成功分类，并借此方法验证一下的自己想法，要是能成功，就权当给大家作为一个交友参考 研究步骤： 首先，选取本班同学作为样本，一是收集数据方便，二是因为这样更容易得知自己结果的可靠性如何 然后给与每个同学附以各项属性值，由于是学生，成绩将被列为第一属性，其次再加入性别、身高体重等指标值。出于简单考虑，暂且各项属性指标的权重相同 在此次模型中，为什么要加入成绩呢，因为一般在一起玩耍的小伙伴成绩都不会相差太远，但实际情况中，对于成绩很好与成绩很差的同学这个规律就不太适用，所以这也是模型的不合理之处，虽然将数据做了标准化的处理，但从分析出的结果来看，成绩很好的更多的是被归为一类，但这个与我们现实情况并不相符。其次，我为什么加入体侧的成绩，因为体侧的成绩可以反映一个人的身体素质与热爱运动的程度，一般喜欢运动的会与喜欢运动的一起，不喜欢运动的一般更多会选择同样不喜欢运动的作伴，但是这个体侧数据体现更多的是反映体能的数据而非兴趣爱好，所以这是数据本身的不合理之处，但由于没有更好的数据，所以求其次，因此反映到结果上当然也是次的。 至于为什么想加入身高体重，则完全是个人猜想，毕竟有个形象理论嘛，就是人们在社交中会更倾向与自己形态相似的人，所以加进去只是想看看有没有改善结果，事实证明，结果并没有太大的改善，至于原因还有待研究 由上图四个表得知，最长距离法与类平均法分类的准确度相对较高。但由于只有原数据只有数值型指标（除性别属性外），并且那八个数值型指标中有些指标相互之间有很强的相关性。 所以结果并不尽人意。而且从上诉四种方法中分类较好的类平均法，其准确度为 ??格准确度=与现实一致的类的个数/分类总个数=4/15 非严格准确度=包含现实小团体的类的个数/分类总个数=9/15 从结果上看，此次的模型是失败的，因为其中有很多不足甚至不合理之处，粗糙度过高，但因此后续的改进方向有 加入用户行为数据指标与性格属性指标（当数值型指标与非数值型指标混在一起时，我也不知怎么处理） 采用主成分分析，找出贡献率最大的指标 给予各指标不同权重（只学过回归的加权，想这种分类的加权还真不知道怎么做，所以还有待研究） 程序： install.packages(plyr) library（plyr） rm(list=ls()) y=read.csv(file=dada.csv,header=T) fix(y) attach(y) dim(y) row.names(y)=y[,1] y=y[,-1] d=dist(scale(y)) hc1=hclust(d) opar=par(mfrow=c(1,1), mar=c(4,2,2,0.01)) plclust(hc1, hang = -1,main = 表1-1 最短距离法) rect.hclust(hc1, k=15, border=blue) hc2=hclust(d,average) #类平均法 opar=par(mfrow=c(1,1), mar=c(4,2,2,0.1)) plclust(hc2,hang=-1,main = 表1-2 类平均法) rect.hclust(hc2, k=15, border=red) hc3=hclust(d,centroid) #重心法 opar=par(mfrow=c(1,1), mar=c(4,2,2,0.1)) plclust(hc3,hang=-1,main = 表1-3 重心法) rect.hclust(hc3,k=15,border=yellow) hc4=hclust(d,ward) #ward法 opar=par(mfrow=c(1,1), mar=c(4,2,2,0.1)) plclust(hc4,hang=-1,main = 表1-4 ward法) rect.hclust(hc4,k=10,border=green) dist.e=dist(y,method=euclidean) heatmap(as.matrix(dist.e),labRow = F, labCol = F) model1=hclust(dist.e,method=ward) result=cutree(model1,k=15)