用MATLAB做聚类分析时非常有用的自定义距离函数和标准化函数

聚类分析中,经常遇到观测值缺失的情况.

例如统计历史降水资料时,某个月的资料缺失了,这时用MATLAB做聚类分析时,

就需要自定义距离函数,处理nan的问题.

下面是相关的MATLAB函数,里面有例子,可自行修改:

function [ nandistance ] = nandistfun( X,Y,varargin)
%  A distance function  for pdist,ignoring NaNs
% [ nandistance ] = nandistfun( X,Y,varargin)
% arguments :
% X: 1-by-n vector
% Y:m-by-n vector
% nandistance::m-by-1,  whose kth element is the distance between X and Y(k,:).
%
%         methods = {'euclidean'; 'seuclidean'; 'cityblock'; 'chebychev'; ...
%           'mahalanobis'; 'minkowski'; 'cosine'; 'correlation'; ...
%            'spearman'; 'hamming'; 'jaccard'};
%
% Example:
% >> X =[9, nan, 2, 4, 7;  8, 2, 9, nan, 5;  2, 5, 8, nan, 6];
% >> D = pdist(X,@nandistfun)
% >> D= pdist(X,@(a,b)nandistfun(a,b,'seu'))
%
%   See also PDIST, SQUAREFORM, LINKAGE, SILHOUETTE, PDIST2.
%
%Author:Wu Xuping Date:2013-09-21 Version:1.0.0 

[xrow,xcolumn]=size(X);
[yrow,ycolumn]=size(Y);
%可变参数的个数
nVarargs = length(varargin);
%初始化距离
nandistance=zeros(yrow,1);

if (xrow==1 && xcolumn==ycolumn)
    for m=1:yrow
        x1=X;%必须是行向量,不能是空向量
        y1=Y(m,:);%必须是行向量,不能是空向量
        b=( ~isnan(x1)) & (~isnan(y1)); %提取(x1,y1)中都不是nan的索引
        A=[];
        A(1,:)=x1(b);%必须是行向量,不能是空向量
        A(2,:)=y1(b);%必须是行向量,不能是空向量
        %计算距离
        if (nVarargs>0)
            nandistance(m,1) = pdist(A,varargin{:});
        else
            nandistance(m,1) = pdist(A); %默认'euc'
        end
    end
end

end

上面这个函数,包括了常用的各种距离函数.

看完了这个函数的实现方式,我想大家也可以自定义其它类型的距离函数了.

通常做聚类分析时先将数据标准化,matlab提供了zscore函数,不过不支持nans,

这时可以试试下面的函数:

function [ z ] = nanzscore( x )
%[ z ] = nanzscore( x ),ignoring NaNs
%   类似于标准化函数[ z ] = zscore( x ),忽略NaNs
% Author:wuxuping,Date:2013-09-21

nm=nanmean(x);
ns=nanstd(x);

[xrow,xcolumn]=size(x);

if ((xrow>1 )&&(xcolumn >1))
    %如果是多行多列的矩阵
    z=zeros(size(x));
    for m=1:xrow
        for n=1:xcolumn
            z(m,n) = (x(m,n)- nm(n))./ns(n);
        end
    end
else
    %如果是单行或单列的向量
    if (xrow==1)
        for m=1:numel(x)
            z(m) = (x(m)- nm)./ns;%行向量
        end
    else
        for m=1:numel(x)
            z(m,1) = (x(m)- nm)./ns;%列向量
        end
    end    
end

上面的标准化函数用起来和zscore是一样的,只是忽略所有的NaNs.

下面给出是一般的聚类分析过程实例:

x=dlmread(filename);%80*51,八十个站点,测量了51次降水量,现在对八十个站点的降水类型进行聚类分析
%即将降水类型相同的站点聚为一类;不同类间的降水类型应该很不相同!
x=nanzscore( x );%标准化
%标准化主要是测量值可能为多个项目如降水量和能见度等,而降水量和能见度的数值记录相差可能太大.
%标准化其实就是把各种相差很大的量伸缩到同一个量级上来,否则计算距离时会出现大数吃小数的现象.
%如果只有降水量,且采用同样的单位则无需标准化
D = pdist(x,@nandistfun);%计算距离向量,大小为:(1*3160)
%Y = squareform(D,'tomatrix')%格式化距离向量为矩阵,方便查看
Z=linkage(D,'average');%采用平均距离法计算聚类,获取分层聚类树
[H,T] =dendrogram(Z,'colorthreshold','default');%绘制聚类图,返回图像对象H和聚类表T
%size(T)应为80*1
numCluster=numel(H);%分类的总数,如果numCluster为29则表明将80个站点分为29个降水类型
set(H,'LineWidth',2);%将所有类的线条都加粗为2
set(H(5),'LineWidth',5);%将第五类的颜色加粗为5
find(T==5)%显示属于第五类的索引值

分层聚类树图如下:

剩下的问题是就是如何评价聚类的结果,也就是聚类的结果是否合理?对于合理的聚类,

我们知道同类的相似性一定要大,不同类之间的相似性一定要小.这个同样也可用距离来度量,当然也有用置信系数或风险系数去度量的.

第一种评价方法:对于第i类,我们计算该类中心的位置,然后该类中的所有站点到中心的距离之和的平均值记为di,

然后对所有的di求平均得dm,认为di平均值最小的聚类中同类之间的相似性是最大的,即为最合理的类.

第二种评价方法:将每一类的中心计算出来,然后将各类中心之间的距离累加,记为DM,所得的结果最大则表明该种聚类中,各类之间的差异是最大的.

第三种评价方法综合考虑同类相似性和异类的差异性,计算max(DM)/min(dm),该值取最大则表示该聚类是最合理的聚类.这在matlab中使用表象系数来求解即可.