聚类分析1：层次聚类

　　聚类分析是一种数据归约技术，旨在揭露一个数据集中观测值的子集。它可以把大量的观测值归约为若干个类，而事先并不知道类别的个数与结构。 最常用的两种聚类方法是层次聚类（hierarchical agglomerative clustering）和划分聚类（partitioning clustering）。在层次聚类中，每一个观测值自成一类，这些类每次两两合并，直到所有的类被聚成一类为止。在划分聚类中，首先指定类的个数K，然后观测值被随机分成K类，再重新形成聚合的类。

　　对于层次聚类来说，最常用的算法是单联动（single linkage）、全联动（complete linkage ）、平均联动（average linkage） 、质心（centroid）和Ward方法。　　

层次聚类方法

聚类方法	两类之间的距离定义
单联动	一个类中的点和另一个类中的点的最小距离
全联动	一个类中的点和另一个类中的点的最大距离
平均联动	一个类中的点和另一个类中的点的平均距离（也称作UPGMA，即非加权对组平均）
质心	两类中质心（变量均值向量）之间的距离。对单个的观测值来说，质心就是变量的值
Ward法	两个类之间所有变量的方差分析的平方和

　　层次聚类方法可以用hclust()函数来实现，格式是hclust(d, method=)，其中d是通过dist() 函 数 产 生 的 距 离 矩 阵 ， 并 且 方 法 包 括 "single" 、 "complete" 、 "average" 、"centroid"和"ward"。
　　对于划分聚类来说，最常用的算法是K均值（K-means）和围绕中心点的划分（PAM）。