MATLAB实现系统聚类分析数学建模算法

系统聚类（Hierarchical Clustering）是一种用于对数据进行聚类的方法，也叫层次聚类，其主要特点是通过构建层次结构的树形图（树状图或树状结构）来表示数据点之间的关系。这种层次结构可以是自上而下的划分（分裂），也可以是自下而上的合并。系统聚类方法不需要预先设定聚类的数量，而是通过构建层次结构树，形成不同层次的聚类。

系统聚类的基本思想是：

1. **开始阶段：** 将每个数据点视为一个独立的簇。

2. **迭代过程：** 通过计算数据点之间的相似性或距离，合并或分裂簇，形成新的簇。

3. **层次结构的构建：** 通过反复迭代，建立层次结构，形成树状图。

4. **划分聚类：** 可以通过设定阈值，将层次结构树划分为不同层次的簇。

系统聚类可以分为两大类：

1. **凝聚性聚类（Agglomerative Clustering）：** 从底层开始，逐渐合并相似的数据点或簇，形成一个大的簇。这是一种自下而上的合并过程。

2. **分裂性聚类（Divisive Clustering）：** 从顶层开始，逐渐分裂簇，形成小的簇。这是一种自上而下的划分过程。

系统聚类的常见距离度量包括欧氏距离、曼哈顿距离、切比雪夫距离等。合并或分裂的策略可以基于最小距离、最大距离、平均距离等。

系统聚类的优势在于它不需要事先确定聚类的数量，并且可以通过层次结构图直观地展示不同层次的聚类结果。然而，由于其计算复杂度较高，对于大规模数据集可能效率较低。另外，系统聚类对初始簇的选择敏感，因此可能受到初始条件的影响。

MATLAB的代码实现如下：

clc, clear, close all
a=load('anli10_1.txt');
b=zscore(a); %数据标准化
r=corrcoef(b) %计算相关系数矩阵
%d=tril(1-r); d=nonzeros(d)'; %另外一种计算距离方法
z=linkage(b','average','correlation');  %按类平均法聚类
h=dendrogram(z);  %画聚类图
set(h,'Color','k','LineWidth',1.3)  %把聚类图线的颜色改成黑色，线宽加粗
T=cluster(z,'maxclust',6)  %把变量划分成6类
for i=1:6
    tm=find(T==i);  %求第i类的对象
    fprintf('第%d类的有%s\n',i,int2str(tm')); %显示分类结果
end

结果如下：

clc,clear, close all
a = load('anli10_1.txt'); 
a(:,[3:6])=[]; %删除数据矩阵的第3列～第6列,即使用变量1,2,7,8,9,10
b=zscore(a); %数据标准化
z=linkage(b,'average');  %按类平均法聚类
h=dendrogram(z);  %画聚类图
set(h,'Color','k','LineWidth',1.3)  %把聚类图线的颜色改成黑色，线宽加粗
for k=3:5
    fprintf('划分成%d类的结果如下：\n',k)
    T=cluster(z,'maxclust',k);  %把样本点划分成k类
    for i=1:k
      tm=find(T==i);  %求第i类的对象
      fprintf('第%d类的有%s\n',i,int2str(tm')); %显示分类结果
    end
    fprintf('**********************************\n');
end