聚类思想
聚类分析主要是基于在多维空间中,同类样本距离近,不同类的样本比同类之间得距离大。
聚类需要解决的问题
(1)如何衡量两个样本的相似度
(2)相似到什么程度归为一类
问题(1)
我们把每个样本看为一个多维空间的点,很显然最简单的度量相似度的就是点与点之间的距离。
欧式距离
Dij=(Xi−Xj)T(Xi−Xj)=∑k=1n(xik−xjk)2−−−−−−−−−−−−√
Minkoski distance
Dij=[∑k=1n|xik−xjk|q]1q
马氏距离
D2ij=(Xi−Xj)TS−1(Xi−Xj)
where
S=1n∑k=1n(Xi−(X¯))(Xi−(X¯))T
除了距离可以度量,我们还可以利用统计学中的相似性系数来衡量两个样本的相似性。
(1)相关系数
Rij=∑nk=1(xik−x¯i)(xjk−x¯j)∑nk=1(xik−x¯i)2∑nk=1(xjk−x¯j)2−−−−−−−−−−−−−−−−−−−−−−−−−√
where x¯i and x¯j represents the mean of ith and jth sample. 当 Rij 越接近1越相似,越接近-1越不相似。
(2)相似系数
第i和第j个样本之间的相似系数用两个向量间的夹角的余弦定义,即
cosαij=∑nk=1xijxkj∑nk=1x2ik∑nk=1x2jk−−−−−−−−−−−−−−√