数学建模————统计问题之分类/聚类（二）

杨利霞

数学建模————统计问题之分类/聚类（二）
& J' e' ]4 v( t' e  首先要弄明白分类和聚类的区别：
     分类（判别）：数据包含数据特征部分和样本标签部分，分类的目的就是判别新的数据特征到其应有的样本标签（类别）中。
3 y# p5 N- W7 {
      比方说，现在告诉大家一个教室里面其中一半人每个人的性别（男女），现在需要大家将另一半人中每个人的性别判断出来，因此大家首先要做的的找到区分性别的特征，然后应用到另一半人身上，将其归类。

( n$ M/ ~+ D! B) ]: J     聚类：数据中只有数据特征，需要根据某一标准将其划分到不同的类中。
; T. B# n2 q1 |* ]
     同样的，现在一个教室里面所有人都没什么标签，现在需要你将整个教室的人分为两类，那么你可以从性别、体型、兴趣爱好、位置等等角度去分析。



2 S- B3 |# G8 P  p4 A  w7 T/ p     可以看到，分类其实跟预测差不多，只不过输出是一维的，并且还是整数，所以可以用预测中的机器学习方法来解决分类问题。而聚类则不同，一般来说，聚类需要定义一种相似度或者距离，从而将相似或者距离近的样本归为一类，常见的有：kmeans算法、分层聚类、谱聚类等。

9 P1 I5 y8 C* \1 ~3 o* y. n     对于聚类来说，除了相似性的度量之外，还有一个比较重要的是终止条件，即需要聚成多少类，一般来说，基本都是在聚类之前就设定好需要聚成多少类，其中kmeans就是先设定几个类中心，然后将与类中心相近的数据归到那一类，然后不断更新类中心，直至所有数据聚类完毕，而分层聚类则是相反，先将所有数据各自为一类，然后将相似的类合并，直至达到k类为止...
  ~& f' h. b3 I      当然，也可以将终止条件改为当最小的距离大于某一阈值时，不再合并类（适用于分层聚类），除了这些算法，还有机器学习方法，如：自组织竞争网络（SOM），可以自行了解。

: k" o: P' ]' y* ?       接下来我们以分层聚类为例进行讲解，这一部分例子来自于《数学建模算法与应用》，用以辅助说明。通常来说，分层聚类有两类，一类是从上到下的分裂（即现将所有个体看做一个类，然后利用规则一步步的分裂成多个类），另一类是从下到上的合并（即先将每个个体看作一个类，然后依据规则一步步合并为一个类）。因此分层聚类最终可以得到一个金字塔结构，每一层都有不同的类别数量，我们可以选取需要的类别数量。
---------------------
     例子：设有5个销售员w1,w2,w3,w4,w5,他们的销售业绩由二维变量（v1,v2）描述：
0 a0 v/ M% @' W1 u


* V' G% {* P- G$ q& A" j: ~     将5个人的两种数据看作他们的指标，首先，我们简单定义任意两组数据的距离为：
/ d% E5 i$ N8 N



. @- m8 J2 ~- j; D& @, f' ~1 g: a
# V2 \3 x8 t# p) K9 _
; b6 ]7 A2 V! m
/ d# V& ~0 p/ g" \     与此相对应的，当有样本归为一类后，我们要计算类间距离就又得需要一个计算方式，我们定义任意两类间的距离为两类中每组数据距离的最小值：


; [5 Z7 D. u6 g% w0 F, V

0 n2 ?- Y  d: N1 R0 l: R- k* E. H0 O
/ A4 }4 K3 |4 N! j3 }6 v% }

     因此，可以得到任意两个销售员的数据距离矩阵：
# K. [$ {0 C, i# B


Step1 首先，最相近的两组样本是w1和w2,他们的距离为1，所以先将其聚为一类；

Step2 然后，剩下的样本为{w1,w2},w3,w4,w5，我们发现除了距离1之外，最相似的是       w3,w4，他们的距离为2，所以将其聚为一类；
6 _9 T, z& O, E- R; [Step3 然后，剩下的样本为{w1,w2},{w3,w4},w5，我们发现除了距离1,2之外，最相似的   是{w1,w2}和{w3,w4}，他们的距离以 w2和w3的距离为准，距离为3，所以将这两类聚为一类；
Step4 最后，剩下的样本为{w1,w2,w3,w4},w5，只剩最后两类了，所以最后一类为   {w1,w2,w3,w4,w5}，类间距以w3/w4与w5的距离4为准。
# D+ |* A3 |( n- \2 B8 D# Z  q  S0 u9 |7 V
   代码如下：%% 编程实现clc;clear;close all
7 B' R1 P$ r, T* `+ mdata = [1,0;1,1;3,2;4,3;2,5];%原始数据
[m, ~] = size(data);
& e  h( H/ B$ ^; \: v+ ^d = mandist(data');%求任意两组数据的距离
d = tril(d);%取下三角区域数据
nd = nonzeros(d);%去除0元素
6 c% L, p/ G9 |- o  _; N! Ind = unique(nd);%去除重复元素
for i = 1 : m-1
     nd_min = min(nd);
     [row, col] = find(d == nd_min);
     label = union(row,col);%提取相似的类别
     label = reshape(label, 1, length(label));%将类别标签转化成行向量
     disp(['第',num2str(i),'次找到的相似样本为：',num2str(label)]);
: y  K( s. o+ m0 _# a     nd(nd == nd_min) = [];%删除已归类的距离
     if isempty(nd)%如果没有可分的类就停止
         break
0 X! K8 m) g3 L1 u$ ~+ B' O2 c2 W8 s     end
end
%% 工具箱实现
clc;clear;close all
data = [1,0;1,1;3,2;4,3;2,5];%原始数据
y = pdist(data,'cityblock');%计算任意两样本的绝对值距离
yc = squareform(y);%将距离转化成对称方阵
9 D- h' D  m6 P1 x$ m" Yz = linkage(y);%生成聚类树
5 X. o& G/ f* o1 {$ u2 d# W* r$ M[h, t] = dendrogram(z);%画出聚类树
n = 3;%最终需要聚成多少类
& ~- |# u" Y& r% ]& c: sT = cluster(z, 'maxclust', n);%分析当分n类时，个样本的标签
. {  H+ V$ Y) I! Bfor i = 1 : n
' K4 S; U3 b" @    label = find(T == i);
    label = reshape(label, 1, length(label));
7 w1 ^1 M# l- e5 g' S( i    disp(['第',num2str(i),'类有:',num2str(label)]);
end
    结果如下：

- M) Q. W" b3 \1 ^4 Y! a---------------------
- v2 _' B/ n/ t9 W# ?
; w: Q5 r/ J( U# j+ t# c  I% S
+ A6 B4 z8 ?; W1 [, Z# w' b6 E4 D; M
0 ?- i( x# n6 `
/ H/ `$ T, p$ K" f/ Z5 z6 f