聚类分析的案例分析教程.pptVIP

聚类分析的案例分析教程 load fisheriris subplot(2,3,1) plot(meas(1:50,1),meas(1:50,2),*,meas(51:100,1), ..., meas(51:100,2),g*,meas(101:150,1),meas(101:150,2), ..., ro), title(x1-x2) subplot(2,3,2) plot(meas(1:50,1),meas(1:50,3),*,meas(51:100,1), ..., meas(51:100,3),g*,meas(101:150,1),meas(101:150,3), ..., ro), title(x1-x3) subplot(2,3,3) plot(meas(1:50,1),meas(1:50,4),*,meas(51:100,1), ..., meas(51:100,4),g*,meas(101:150,1),meas(101:150,4), ..., ro),title(x1-x4) subplot(2,3,4) plot(meas(1:50,2),meas(1:50,3),*,meas(51:100,2), ..., meas(51:100,3),g*,meas(101:150,2),meas(101:150,3),ro), ..., title(x2-x3) subplot(2,3,5) plot(meas(1:50,2),meas(1:50,4),*,meas(51:100,2), ..., meas(51:100,4),g*,meas(101:150,2),meas(101:150,4),ro), ..., title(x2-x4) subplot(2,3,6) plot(meas(1:50,3),meas(1:50,4),*,meas(51:100,3), ..., meas(51:100,4),g*,meas(101:150,3),meas(101:150,4),ro), ..., title(x3-x4) 结果显示第一类里只有两个样品，说明聚类效果不理想， 为了提高聚类效果的优良性，我们将运用K均值聚类和模糊 C均值聚类对其进行再讨论. 图6.6　Iris 数据的散点图(两个指标) 同理可作两两指标经聚类分类后的数据散点图。 从图形6.6也可看出?聚类效果不理想。 2.2 K-均值聚类 谱系聚类法是先将每个样品看成一类，通过比较距离的大小逐步扩充类，因此，对于给定的数据，谱系聚类一定能够将样品合并为一类，分类的结果唯一，但是谱系聚类有一个缺点，样品一旦被分到某一类中就不能改变，且当样本容量较大时，计算量也相应地变大. 克服此缺点的一个方法就是K均值聚类法，又称快速聚类法或动态聚类法. 在运用K均值聚类法之前，要根据实际问题先确定分类数k,　在每一类中选择有代表性的样品，这样的样品称为聚点. 选择聚点的方法通常有最小最大原则. 若将 个样品分成k类，则先选择所有样品中距离 为前两个聚点，即选择 ，使得 最远的两个样品 然后选择第3个聚点 ，使得 与前两个聚点 的较小距离中 的距离最小者等于所有其余的与 最大的，即 然后按相同的原则选取 ，重复前面的步骤，直至确定 k个聚点 K均值聚类的步骤 样品之间的距离采用欧氏距离. 设第k个初始聚点的集合是： 记 于是，将样品分成不相交的k类，得到一个初始分类 (2) 从 出发，计算新的聚点集合 ，计算 其中 是类 中的样品数，得到一个新的集合 从 开始再进行分类,将样品作新的分类，记 得到一个新的分类 依次重复计算下去. d3=pdist(x, minkowski,3); %计算明氏距离,d3为1行10列 的行向量 d4=pdist(x,chebychev) 　%计算切氏距离. d5=pdist(x,seuclidean) 　%计算方差加权距离. d6=pdist(x,mahalanobis) %计算马氏距离 d2=pdist(x,cityblock);　%计算绝对距离 D2=squareform(d2) D2 = 1.0e+004 * 0 0.5265 1.3881 1.6009 1.5519 0.5265 0 1.5600 1.8090 1.7281 1.3881 1.5600 0 0.2490 0.1921 1.6009 1.8090 0.2490 0 0.2078 1.5519 1.7281 0.1921 0.2078