版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、1,第七章 聚类分析,分类与聚类的区别 分类:用已知类别的样本训练集来设计分类器(监督学习) 聚类(集群):事先不知样本的类别,而利用样本的先验知识来构造分类器(无监督学习),2,7.1 聚类的基本概念 7.2 模式相似性测度 7.3 类的定义与类间距离 7.4 聚类算法 启发式聚类:简单聚类 层次(分级)聚类(hierarchical clustering) : 分裂聚类、 合并聚类、 动态聚类。 其它聚类算法,3,3,7.1 聚类的基本概念,似圆度,7.1.1 聚类分析的基本思想 据相似程度聚类 无监督聚类(Unsupervised),4,4,7.1.2 聚类准则对聚类结果的影响,羊,狗,
2、猫, 鲨鱼,蜥蜴,蛇,麻雀,海鸥,金鱼,青蛙,(a)繁衍后代的方式,金鱼,鲨鱼,羊,狗,猫,蜥蜴,蛇,麻雀,海鸥,青蛙,(b) 肺的存在,金鱼,鲨鱼,羊,狗,猫,蜥蜴,蛇,麻雀,海鸥,青蛙,(c) 生存环境,金鱼,蜥蜴,蛇,麻雀,海鸥,青蛙,(d)繁衍后代的方式和是否存在肺,鲨鱼,羊,狗,猫,7.1 聚类的基本概念,5,7.1.3 距离测度对聚类结果的影响,2.1 聚类的基本概念,5,数据的粗聚类是两类,细聚类为4类,6,6,7.2 模式相似性测度,7.2.1 距 离 测 度 7.2.2 相 似 测 度 7.2.3 匹 配 测 度,7,7,7.2.1 距离测度(差值测度),Distance (
3、or Dissimilarity) Measure 设特征矢量 和 的距离为 则 一般应满足如下公理,(1) (2) (3),(triangular inequality),8,距离测度(差值测度), 欧氏(Euclidean)距离, 绝对值距离(街坊距离或Manhattan距离),(3) 切氏(Chebyshev)距离,9,距离测度(差值测度),(4) 明氏(Minkowski)距离,(5) Cambera距离(Lance距离、Willims距离),该距离能克服量纲的影响, 但不能克服分量间的相关性。,10,距离测度(差值测度),(6)马氏(Mahalanobis)距离,其中,(协方差矩阵的
4、无偏估计),(均值向量的估计),性质:对一切非奇异线性变换都是不变的。即,具有坐标系比例、旋转、平移不变性,并且从统计意义上尽量去掉了分量间的相关性。,11,马氏距离具有线性变换不变性,证明:设,有非奇异线性变换: 则,12,故,13,马氏距离的一般定义,设 、 是从期望矢量为 、协方差矩阵为的母体G中抽取的两个样本,则它们间的马氏距离定义为 当 和 是分别来自两个数据集中的样本时,设C是它们的互协方差阵,则它们间的马氏距离定义为,当、V、C为单位矩阵时,马氏距离欧氏距离。 对于正态分布,等概率密度点轨迹是到均值矢量的 马氏距离为常数的点所构成的超椭球面。,14,7.2.2 相 似 测 度,重
5、点考虑两矢量的方向是否相近,而忽略矢量长度。,(1) 角度相似系数(夹角余弦)矢量之间的相似性可用它们的夹角余弦来度量,(2) 相关系数数据中心化后的矢量夹角余弦,性质:相关系数具有坐标系平移、旋转、比例不变性。,15,15,性质:不受量纲变化的影响。,(3) 指数相关系数,这里假设 和 的维数 n 相同、概率分布相同。 是第 i 个分量的方差。,16,7.2.3 匹 配 测 度,若特征只有两个状态:,0 = 有此特征;1 = 无此特征。称之为二值特征。 对于给定的二值特征矢量x和y中的某两个相对应的分量xi与yj若xi=1, yj=1 ,则称 xi与yj (1-1)匹配;若xi=1, yj=
6、0 ,则称 (1-0)匹配;若xi=0, yj=1 ,则称 (0-1)匹配;若xi=0, yj=0 ,则称 (0-0)匹配。 对于二值n维特征矢量可定义如下相似性测度:,17,匹 配 测 度,(1) Tanimoto测度,(1-1)匹配的特征数目 (0-1)匹配的特征数目 (1-0)匹配的特征数目 (0-0)匹配的特征数目,令,注意,这里只考虑(1-1)匹配,而不考虑(0-0)匹配。,18,匹 配 测 度,(2) Rao测度 (3) 简单匹配系数 (4) Dice系数 (5) Kulzinsky系数,(1-1)匹配特征数目与特征总数之比,(1-1)匹配+(0-0)匹配/特征总数,只对(1-1)
7、匹配加权,(1-1)匹配/ (1-0)匹配+(0-1)匹配,19,19,例 1,设 (1) Tanimoto测度 (2) Rao测度 (3) 简单匹配测度 (4) Dice系数 (5) Kulzinsky系数,则,20,7.3 类的定义与类间距离,21,7.3.2 类间距离测度方法, 最近距离法 最远距离法 中间距离法 重心距离法 平均距离法 离差平方和法,22,22,k,p,q,23,(二)最远距离 递推公式,k,p,q,24,(三)中间距离 递推公式,25,(四)重心距离递推公式 式中 , 和 分别是i和j的重心, i, j=k, l, p, q 。,26,(五) 平均距离 两类p和q间的
8、距离平方定义为这两类元素两两之间的平均平方距离,即设l =p q ,类平均距离的递推公式为,27,27,(六) 离差平方和法 设类t 的重心是 , t 的类内离差平方和定义为 设l =p q ,则sl要变大。把两类合并所增加的离差平方和定义为两类平方距离,即 ,可以证明 k与l =p q的离差平方和的递推公式,28,29,7.3.3 聚类准则函数,评估分类过程或分类结果优劣的准则函数 (一)类内距离准则(误差平方和准则),式中,nj是j中的样本个数,,适用于各类模式呈团状分布的情况。,30,2.3.3 聚类准则函数,(二)类间距离准则,式中, 是总的样本均值矢量,,加权类间距离准则,对于两类问
9、题 ,可以定义,31,(三)基于类内类间距离的准则函数,构造能同时使Jwmin和JBmax的准则函数 类内离差矩阵(Scatter Matrix),总的类内离差矩阵,总的离差矩阵,类间离差矩阵,32,32,ST = SW + SB,证明:,33,(三)基于类内类间距离的准则函数,聚类的基本目标是使 JWB=TrSBmax和JWW =TrSWmin 因此可定义如下聚类准则函数,Jimax,(i=1, 2, 3, 4) 即,类内越“紧”,类间越“开”,聚类效果越好。,34,74 聚类算法,(1) 简单聚类方法,(2) 分裂聚类法,(4) 动态聚类法,(3) 合并聚类法,35,74 简单聚类方法,根
10、据相似性阈值和最小距离原则, 条件及约定 设待分类的模式为 , 选定类内距离门限 。 算法思想 计算模式特征矢量到聚类中心的距离,并和门限 比较,决定归属该类或作为新的一类中心。这种算法通常选择欧氏距离。,36, 算法原理步骤 取任意一个模式特征矢量作为第一个聚类中心。例 如,令 类的中心 。 计算下一个模式特征矢量 到 的距离 。若 ,则建立新的一类 ,其中心 。若 ,则 。,37, 假设已有聚类中心 ,计算尚未确定类别的模式特征矢量 到各聚类中心 的距离 。如果 , 则 作为新的一类 的中心, ; 否则,如果 ,则指判 。检查是否所有的模式都分划完类别,如果都分划完了则结束;否则返到。,3
11、8,这类算法的突出优点是算法简单。但聚类过程中,类的中心一旦确定将不会改变,模式一旦指定类后也不再改变。 从算法的过程可以看出,该算法结果很大程度上依赖于距离门限T的选取及模式参与分类的次序。如果能有先验知识指导门限T的选取,通常可获得较合理的效果。也可考虑设置不同的T和选择不同的次序,最后选择较好的结果进行比较。,简单聚类算法特点:,39,简单聚类图例,40,例7.4.1:初始条件不同的简单聚类结果,初始中心不同,样本顺序不同,1 2 3 4 5,1 2 3 4 5,1 2 3 4 5,1 2 3 4 5,10 9 8,10 9 8,8 7 6,8 7 6,11 6 7,11 6 7,9 1
12、0 11,9 10 11,41,74 分裂聚类(Divisive algorithm),分裂聚类:把全部样本作为一类,然后根据相似性、相邻性分解。 目标函数: 两类均值方差,N:总样本数, 为1类样本数 为2类样本数,,42,分裂聚类框图:,43,用下例说明分裂聚类算法 例:已知21个样本,每个样本取二个特征,原始资料矩阵如下表:,44,解:第一次分类时计算所有样本,分别划到,(即划分为另一类)时的最大E值。 1、开始时,45,2、分别计算当 依次划入,时的E值,把 划入,时有,仅有x1一个样本,46,然后再把 依次划入 , 计算对应的E值,找出一个最大的E值。 通过计算知 把 划为 的E值最
13、大。 ,E(1)=56.6,再继续进行第二、第三次迭代 计算出 E(2) , E(3) , ,47,次数 E值 1 56.6 2 79.16 3 90.90 4 102.61 5 120.11 6 137.15 7 154.10 8 176.15 9 195.26 10 213.07 11 212.01,48,第10次迭代 划入 时,E最大。于是分成以下两类: ,每次分类后要重新计算 的值。可用以下递推公式:,49,50,作业: 样本 1 2 3 4 5 6 7 8 0 2 1 5 6 5 6 7 0 2 1 3 3 4 4 5 用对分法编程上机,分成两类画出图形。,51, 条件及约定 设待分
14、类的模式特征矢量为 , 表示第 次合并时的第 类。 算法思想 首先将 N 个模式视作各自成为一类,然后计算类与类之间的距离,选择距离最小的一对合并成一个新类,计算在新的类别下各类之间的距离,再将距离最近的两类合并,直至所有模式聚成两类为止。,按最小距离原则不断进行两类合并,74 合并聚类法(agglomerative algorithm),52,53, 找出前一步求得的矩阵 中的最小元素,设它 是 和 间的距离,将 和 两类合并 成一类,于是产生新的聚类 令 检查类的个数。如果类数 大于2,转至;否则,停止。,54,例7.4.3:如下图所示 1、设全部样本分为6类, 2、作距离矩阵D(0) 3
15、、求最小元素: 4、把1,3合并7=(1,3) 4,6合并8=(4,6) 5、合并的类数没有达到要求 作距离矩阵D(1),D(0),55,例7.4.3:如下图所示 7、作距离矩阵D(1) 8、求最小元素: 9、把2,5,8合并 9=(2,5,4,6) 10、合并的类数达到要求, 停止。,D(1),56,57,7-4 动态聚类 兼顾分裂聚类和合并聚类,动态聚类的方法概要 先选定某种距离作为样本间的相似性度量; 确定评价聚类结果的准则函数; 给出某种初始分类,用迭代法找出使准则函数取极值的最好聚类结果。,58,动态聚类框图,59,代表点的选取方法: 代表点就是初始分类的聚类中心数C 凭经验选代表点
16、,根据问题的性质、数据分布,从直观上选出较合理的代表点; 将全部样本随机分成C类,计算每类重心,把这些重心作为每类的代表点。,60, 按密度大小选代表点: 以每个样本作为球心,以d为半径做球形;落在球内的样本数称为该点的密度,并按密度大小排序。 首先选密度最大的作为第一个代表点,即第一个聚类中心。再考虑第二大密度点,若第二大密度点距第一代表点的距离大于d1(人为规定的正数)则把第二大密度点作为第二代表点,否则不能作为代表点,这样按密度大小考察下去,所选代表点间的距离都大于d1。 d1太小,代表点太多,d1太大,代表点太少,一般选d12d。对代表点内的密度一般要求大于T。T0为规定的一个正数。
17、用前C个样本点作为代表点。,61,初始分类和调整 选一批代表点后,代表点就是聚类中心,计算其它样本到聚类中心的距离,把所有样本归于最近的聚类中心点,形成初始分类,再重新计算各聚类中心,称为成批处理法。 E 选一批代表点后,依次计算其它样本的归类,当计算完第一个样本时,把它归于最近的一类,形成新的分类。再计算新的聚类中心,再计算第二个样本到新的聚类中心的距离,对第二个样本归类。即每个样本的归类都改变一次聚类中心。此法称为逐个处理法。 E 直接用样本进行初始分类,先规定距离d,把第一个样本作为第一类的聚类中心,考察第二个样本,若第二个样本距第一个聚类中心距离小于d,就把第二个样本归于第一类,否则第
18、二个样本就成为第二类的聚类中心,再考虑其它样本,根据样本到聚类中心距离大于还是小于d,决定分裂还是合并。,62,最佳初始分类。 如图所示,随着初始分类C的增大,准则函数下降很快,经过拐点A后,下降速度减慢。拐点A就是最佳初始分类。,C,63, 条件及约定 设待分类的模式特征矢量集为 ,类的数目C是事先设定的。 算法思想 该方法取定 C个类别和选取 C个初始聚类中心,按最小距离原则将各模式分配到 C类中的某一类,之后不断地计算类心和调整各模式的类别,最终使各模式到其判属类别中心的距离平方之和最小。,C-均值法,64, 算法原理步骤,C-均值法,65,(4) 如果 ,则结束,否则 ,转至(2)。,
19、(3) 计算重新分类后的各类心 式中 为类 中所含模式的个数。,C-均值法,66,例7.4.3:已知有20个样本,每个样本有2个特征,数据分布如下图,使用C均值法实现样本分类(C=2)。,第一步:令C=2,选初始聚类中心为,67,68,69,第三步:根据新分成的两类建立新的聚类中心,第四步: 转第二步进行第二次叠代。 第二步(第二次叠代):重新计算 到z1(2) , z2(2) 的距离,把它们归为最近聚类中心,重新分为两类,,70,第三步(第二次叠代),更新聚类中心,71,第四步, 第二步(第三次叠代), 第三步(第三次叠代),更新聚类中心,进行第三次叠代,72,73,(0,0.5),74,(
20、1.25,1.13),(7.67,7.33),75,ISODATA算法,(Iterative Self-Organizing Data Analysis Techniques Algorithm 迭代自组织数据分析),特点:启发性推理、分析监督、控制聚类结构及人机交互。 条件及约定: 设待分类的模式特征矢量为 ,算法运行前需设定7个初始参数。 算法思想: 在每轮迭代过程中,样本重新调整类别之后计算类内及类间有关参数,并和设定的门限比较,确定是两类合并为一类还是一类分裂为两类,不断地“自组织”,以达到在各参数满足设计要求条件下,使各模式到其类心的距离平方和最小。,76,ISODATA算法原理步骤
21、, 预置 设定聚类分析控制参数: =预期的类数, =初始聚类中心个数(可以不等于c), =每一类中允许的最少模式数目, =类内各分量分布的距离标准差上界, =两类中心间的最小距离下界, =在每次迭代中可以合并的最大聚类对数, =允许的最多迭代次数。 将待分类的模式特征矢量 读入。 选定初始聚类中心,可从待分类的模式特征矢量集 中任选 个模式特征矢量作为初始聚类中心。,77,ISODATA算法原理步骤, 按最小距离原则将模式集 中每个模式分到某一类中,即,如果 则判 式中 表示 和类 的中心 之间的距离。 依据 判断合并。如果类 中样本数 ,则取消该类的中心 , ,转至。,78,ISODATA算
22、法原理步骤, 计算各类的中心 计算各类中模式到类心的平均距离 计算各个模式到其类内中心的总体平均距离, 计算分类后的参数:各类中心、类内平均距离及总体平均距离。,79,ISODATA算法原理步骤, 依据 、 判断停止、分裂或合并。, 若迭代次数 已达 ,则置 转到;否则转下。 若 则转到(将一些类分裂);否则转下。 若 ,(则跳过分裂处理)转至,否则转下。 若 ,当迭代次数 是奇数时转至(分裂处理);迭代次数 是偶数时转至(合并处理)。,80,ISODATA算法原理步骤, 计算各类类内距离的标准差矢量,式中, 为分量编号, 为类的编号, 为矢量维数,是 的第 个分量, 是 的第 个分量。,81
23、, 对每一聚类,求出类内距离标准差矢量 中的最大分量 在 中,对任一 ,若有 ,同时又满足下面两个条件之一: 和 则将该类 分裂为两个聚类,且令 。这两个新类的中心 和 是这样构成的: 和 只是在 中相应于 的分量分别加上和减去 ,而其它分量不变,其中 , 的选取应使 和 仍在 的类域空间中且其它类 的模式到 和 距离较远,而原 类中的模式和它们距离较小。分裂后, ,转至; 否则,转下。,ISODATA算法原理步骤,82, 计算各对聚类中心间的距离 依据 判断合并。将 与 比较,并将小于 的那些 按递增次序排列,取前L个, 。从最小的 开始,将相应的两类合并。若原来的两个类心为 和 ,则合并后的聚类中心为 (已并掉的类数)。在一次迭代中,某一类最多只能被合并一次。,ISODATA算法原理步骤,83, 如果迭代次数 已达 次或过程收敛,则结束。否则, ,若需要调整参数,则转至;若不改变参数,则转至。,ISODATA算法原理步骤,84,我们将ISODATA算法的合并和分裂的条件归纳如下: 合并的条件: (类内样本数 )(类的数目 )(两类
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年粤教版六年级下册数学期末测试卷(附答案)
- 缝制机械装配调试工岗前理论水平考核试卷含答案
- 变压器处理工岗前安全培训考核试卷含答案
- 劳务派遣管理员安全专项模拟考核试卷含答案
- 手工平毯工岗位工作考核试卷含答案
- 土方机械装配调试工安全知识测试考核试卷含答案
- 酒体设计师安全实操考核试卷含答案
- 乙丙橡胶装置操作工发展趋势强化考核试卷含答案
- 稀土废液回收工岗位面试考核试卷含答案
- 智能农业产业链协同创新可行性分析报告
- 2026福建福州市建总科技文化有限公司招聘3人笔试备考题库及答案详解
- 项目管理信息系统监理技术大纲范本
- 2027高考语文作文全新一轮集训题库原创命题+范文
- 江西省职业技能等级认定个人申报表、承诺书、职业技能等级认定档案材料清单
- (2025年)潍坊市临朐县公安辅警招聘知识考试题库及答案
- 健身房会员合同样本
- 2025年护理核心制度
- 内蒙古西部天然气蒙东管道有限公司招聘笔试题库2025
- 车棚电动车起火应急演练方案
- GJB843.10A-2021-潜艇核动力装置设计安全规定第10部分:控制系统设计准则
- 大队委面试题及答案
评论
0/150
提交评论