MATLAB提供了两种方法进行聚类分析:
1、利用clusterdata 函数对数据样本进行一次聚类,这个方法简洁方便,其特点是使用范围较窄,不能由用户根据自身需要来设定参数,更改距离计算方法;
2、分步聚类:(1)用pdist函数计算变量之间的距离,找到数据集合中两辆变量之间的相似性和非相似性;(2)用linkage函数定义变量之间的连接;(3)用cophenetic函数评价聚类信息;(4)用cluster函数进行聚类。
下边详细介绍两种方法:
1、一次聚类
Clusterdata函数可以视为pdist、linkage与cluster的综合,一般比较简单。
【clusterdata函数:
调用格式:T=clusterdata(X,cutoff)
等价于Y=pdist(X,’euclid’); Z=linkage(Y,’single’); T=cluster(Z,cutoff) 】
2、分步聚类
(1)求出变量之间的相似性
用pdist函数计算出相似矩阵,有多种方法可以求距离,若此前数据还未无量纲化,则可用zscore函数对其标准化
【pdist函数:调用格式:Y=pdist(X,’metric’)
说明:X是M*N矩阵,为由M个样本组成,每个样本有N个字段的数据集
metirc取值为:’euclidean’:欧氏距离(默认)‘seuclidean’:标准化欧氏距离;‘mahalanobis’:马氏距离… 】
pdist生成一个M*(M-1)/2个元素的行向量,分别表示M个样本两两间的距离。这样可以缩小保存空间,不过,对于读者来说却是不好操作,因此,若想简单直观的表示,可以用squareform函数将其转化为方阵,其中x(i,j)表示第i个样本与第j个样本之的距离,对角线均为0.
(2)用linkage函数来产生聚类树
【linkage函数:调用格式:Z=linkage(Y,’method’)
说明:Y为pdist函数返回的M*(M-1)/2个元素的行向量,
method可取值:‘single’:最短距离法(默认);’complete’:最长距离法;
‘average’:未加权平均距离法;’weighted’:加权平均法
‘centroid’:质心距离法; ‘median’:加权质心距离法;
‘ward’:内平方距离法(最小方差算法)】
返回的Z为一个(M-1)*3的矩阵,其中前两列为索引标识,表示哪两个序号的样本可以聚为同一类,第三列为这两个样本之间的距离。另外,除了M个样本以外,对于每次新产生的类,依次用M+1、M+2、…来标识。
为了表示Z矩阵,我们可以用更直观的聚类数来展示,方法为:dendrogram(Z), 产生的聚类数是一个n型树,最下边表示样本,然后一级一级往上聚类,最终成为最顶端的一类。纵轴高度代表距离列。
另外,还可以设置聚类数最下端的样本数,默认为30,可以根据修改dendrogram(Z,n)参数n来实现,1<n<M。dendrogram(Z,0)则表n=M的情况,显示所有叶节点。
(3)用cophenetic函数评价聚类信息
【cophenet函数: 调用格式:c=cophenetic(Z,Y)
说明:利用pdist函数生成的Y和linkage函数生成的Z计算cophenet相关系数。】
cophene检验一定算法下产生的二叉聚类树和实际情况的相符程度,就是检测二叉聚类树中各元素间的距离和pdist计算产生的实际的距离之间有多大的相关性,另外也可以用inconsistent表示量化某个层次的聚类上的节点间的差异性。
(4)最后,用cluster进行聚类,返回聚类列。
转载二:
Matlab提供了两种方法进行聚类分析。
一种是利用 clusterdata函数对样本数据进行一次聚类,其缺点为可供用户选择的面较窄,不能更改距离的计算方法;
另一种是分步聚类:(1)找到数据集合中变量两两之间的相似性和非相似性,用pdist函数计算变量之间的距离;(2)用 linkage函数定义变量之间的连接;(3)用 cophenetic函数评价聚类信息;(4)用cluster函数创建聚类。
1.Matlab中相关函数介绍
1.1 pdist函数
调用格式:Y=pdist(X,’metric’)
说明:用 ‘metric’指定的方法计算 X 数据矩阵中对象之间的距离。’
X:一个m×n的矩阵,它是由m个对象组成的数据集,每个对象的大小为n。
metric’取值如下:
‘euclidean’:欧氏距离(默认);‘seuclidean’:标准化欧氏距离;
‘mahalanobis’:马氏距离;‘cityblock’:布洛克距离;
‘minkowski’:明可夫斯基距离;‘cosine’:
‘correlation’: ‘hamming’:
‘jaccard’: ‘chebychev’:Chebychev距离。
1.2 squareform函数
调用格式:Z=squareform(Y,..)
说明: 强制将距离矩阵从上三角形式转化为方阵形式,或从方阵形式转化为上三角形式。
1.3 linkage函数
调用格式:Z=linkage(Y,’method’)
说 明:用‘method’参数指定的算法计算系统聚类树。
Y:pdist函数返回的距离向量;
method:可取值如下:
‘single’:最短距离法(默认); ‘complete’:最长距离法;
‘average’:未加权平均距离法; ‘weighted’: 加权平均法;
‘centroid’:质心距离法; ‘median’:加权质心距离法;
‘ward’:内平方距离法(最小方差算法)
返回:Z为一个包含聚类树信息的(m-1)×3的矩阵。
1.4 dendrogram函数
调用格式:[H,T,…]=dendrogram(Z,p,…)
说明:生成只有顶部p个节点的冰柱图(谱系图)。
1.5 cophenet函数
调用格式:c=cophenetic(Z,Y)
说明:利用pdist函数生成的Y和linkage函数生成的Z计算cophenet相关系数。
1.6 cluster函数
调用格式:T=cluster(Z,…)
说明:根据linkage函数的输出Z 创建分类。
1.7 clusterdata函数
调用格式:T=clusterdata(X,…)
说明:根据数据创建分类。
T=clusterdata(X,cutoff)与下面的一组命令等价:
Y=pdist(X,’euclid’);
Z=linkage(Y,’single’);
T=cluster(Z,cutoff);
2. Matlab程序
2.1一次聚类法
X=[11978 12.5 93.5 31908;…;57500 67.6 238.0 15900];
T=clusterdata(X,0.9)
2.2 分步聚类
Step1 寻找变量之间的相似性
用pdist函数计算相似矩阵,有多种方法可以计算距离,进行计算之前最好先将数据用zscore函数进行标准化。
X2=zscore(X); %标准化数据
Y2=pdist(X2); %计算距离
Step2 定义变量之间的连接
Z2=linkage(Y2);
Step3 评价聚类信息
C2=cophenet(Z2,Y2); //0.94698
Step4创建聚类,并作出谱系图
T=cluster(Z2,6);
H=dendrogram(Z2);
分享到:
相关推荐
Matlab提供了两种方法进行聚类分析。 一种是利用 clusterdata函数对样本数据进行一次聚类,其缺点为可供用户选择的面较窄,不能更改距离的计算方法; 另一种是分步聚类:(1)找到数据集合中变量两两之间的相似性和...
结合试验研究和定量分析两种方法,测量了101个试验煤样的发热量、灰分、挥发分、硫分四项参数,并应用上述三种聚类分析法对煤种进行了聚类分析,结果表明,基于邓氏灰色关联度的聚类分析结果较其他两种方法准确很多,准确...
Matlab提供了两种方法进行聚类分析。 一种是利用 clusterdata函数对样本数据进行一次聚类,其缺点为可供用户选择的面较窄,不能更改距离的计算方法; 另一种是分步聚类:(1)找到数据集合中变量两两之间的相似性和...
包含了kmeans和kmedoids两种算法的MATLAB代码,每种算法都用多种方法实现了,且均采用了一维数据和二维数据
聚类分析是一种无监督学习方法,它通过对数据进行分组,使得同一组内的数据点相互之间更为相似,而不同组之间的数据点更为不同。聚类的目标是发现数据中的潜在结构,使得同一组内的数据点彼此更加相似,而不同组之间...
matlab 层次聚类算法的两种方法 用于多元统计分析 1.层次聚类 hierarchical clustering 2.k-means聚类
所提出的方法是一种解决聚类分析问题的新机制,其中聚类中心相互竞争以将最大数量的相似对象或实体吸引到它们的聚类中。 GBK均值 输出 = GBKmeans(X, Ncluster, PSOparams) % 这个函数是 GBK-means Clustering % ...
此程序是matlab编程下的聚类分析,实现了高级统计分析中的分层聚类算法,对两种不同人群的健康状况进行了统计分析
K均值聚类存在较多方法,其中sqeuclidean是默认的距离方法,可以更改为: cityblock cosine correlation hamming(仅适用于二分类变量), 其他的options还包括 'Streams'和'UseSubstreams',但这两种options都需要重新...
压缩包里有三个matlab程序,分别是K-mean聚类、LVQ聚类和混合高斯聚类,数据为两类二维高斯分布的随机点。程序展示了三种聚类算法的基本使用方法。算法原理可以参考周志华《机器学习》的第九章聚类。
与分类不同,聚类分析是在没有给定划分类别的清况下,根据数据相似 度进行样本分组的一种方法。 与分类模型需要使用有类标记样本构成的训练数据不同,聚类模型可以 建立在无类标记的数据上,是一种非监督的学习算法...
它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中,为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案,并...
matlab聚类kmeans代码聚类 在MATLAB中轻松进行聚类评估...:福克斯-锦葵索引Fowlkes和Mallows,“一种比较两个层次聚类的方法”, JASA ,1983年。 chi :皮尔逊卡方检验Chernoff和Lehmann,“ \ chi ^ 2拟合优度检验中
蚁群聚类算法程序的VC++版本,从数据库读入数据,聚类分析结果分别以数据和图形化两种方式显示,算法模型在对数据进行聚类的同时将每只蚂蚁每一步运行的详细信息写入日志文件,并且每只蚂蚁有独立的日志文件
ISODATA算法是在k-均值算法的基础上,增加对聚类结果的“合并”和“分裂”两个操作,并设定算法运行控制参数的一种聚类算法。全称:Iterative Selforganizing Data Analysis Techniques Algorithm 即:迭代自组织...
在该存储库中,提供了GBK-means聚类算法的源代码,并将其与两种众所周知的聚类算法K-means和Fuzzy cmeans进行比较。 关于通用有效性指标,已经对人工和现实世界的数据集进行了比较。 提出的方法是一种新的机制,...
ISODATA算法和K-Means算法是相似的算法,都是属于无监督的聚类分析方法 ISODATA增加「合并」、「分裂」操作,进而改进K-Means的一大缺陷:「K值需要预先设定」 合并-「两聚簇中心的值小于某阈值」或(且) 「某聚簇内...
% 不同的初始聚类中心的选择方法 if ischar(start) startNames = {'uniform','sample','cluster'}; i = strmatch(lower(start), startNames); if length(i) > 1 error(sprintf('Ambiguous ''start'' parameter ...
使用两种最小生成树的方法进行聚类,并对效果进行比较,处理了8种典型二维图像和压缩后的三维图像
用matlab完整实现了两种模糊聚类算法。比一般聚类算法更灵活与有效。