标签：bar 样本 系统 距离 tag 聚类 operation 聚类分析
目录一、类和类的特征
设G为一个类，类中有m个元素，分别记为\(x^{(1)},x^{(2)},\cdots,x^{(m)}\), 常用到的特征有三个：
1.均值（重心）
\[\bar{x}_G=\frac{1}{m}\sum_{i=1}^{m}x^{(i)} \tag{1} \]2.样本离差阵和协方差阵
\[L_G=\sum_{i=1}^{m}(x^{(i)}-\bar{x}_G)(x^{(i)}-\bar{x}_G)^T\tag{2} \]\[\Sigma_G=\frac{L_G}{m-1}\tag{3} \]3.直径，有多种定义
\[D_G=\sum_{i=1}^{m}(x^{(i)}-\bar{x}_G)^T(x^{(i)}-\bar{x}_G)=tr(L_G) \tag{4} \]\[D_G=\max_{i,j \in G}d_{ij} \tag{5} \]二、类间距离
假设两个类\(G_p\)和\(G_q\),分别有\(k\)和\(m\)个样本, 重心分别为\(x_p\)和\(x_q\), 两个类的距离定义为\(G(p,q)\)。
1.最短距离法
两个类的距离取决于最邻近的两个样本的距离。
\[D_G(p,q)=\min{\{d_{jl}|j \in G_p,l \in G_q \}}\tag{6} \]2. 最长距离法
两个类的距离取决于最远的两个样本的距离。
\[D_G(p,q)=\max{\{d_{jl}|j \in G_p,l \in G_q \}}\tag{7} \]3.重心法
\[D_c(p,q)=d_{\bar{x}_p\bar{q}_q} \]二、系统聚类法
1.流程
flowchat st=>start: 开始 e=>end: 结束 op1=>operation: 计算n个样品的两两间的距离 op2=>operation: 构造n个类，每个样品为独立的一个类 op3=>operation: 合并最近的两个类为一个新类 op4=>operation: 计算新类到各个类的距离 cond=>condition: 累的个数是否为1 st->op1->op2->op3->op4->cond cond(yes)->e cond(no)->op32.示例
以下数据为5个省份居民消费在8个指标的的支出占比。
用欧式距离来衡量各个样本间的距离，用重心法衡量各个类间的距离。
计算出各个省之间的距离如下：
发现最小距离为195.14，于是将对应的省份合成一类，在计算相对应的距离。
最后得到聚类的谱系图：
标签：bar,样本,系统,距离,tag,聚类,operation,聚类分析 来源： https://www.cnblogs.com/bestwangyulu/p/14630018.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。