用SAS進(jìn)行數(shù)據(jù)分析：聚類(lèi)分析_數(shù)據(jù)分析師培訓(xùn)

用CLUSTER過(guò)程和TREE過(guò)程進(jìn)行譜系聚類(lèi)

一、CLUSTER過(guò)程用法
CLUSTER過(guò)程的一般格式為：
PROC CLUSTER DATA=輸入數(shù)據(jù)集
METHOD=聚類(lèi)方法 選項(xiàng)：
VAR 聚類(lèi)用變量：
COPY 復(fù)制變量：
RUN;
其中的VAR語(yǔ)句指定用來(lái)聚類(lèi)的變量。COPY語(yǔ)句把指定的變量復(fù)制到OUTTREE=的數(shù)據(jù)集中。
PROC CLUSTER語(yǔ)句的主要選項(xiàng)有：
·METHOD=選項(xiàng)，這是必須指定的，此選項(xiàng)決定我們要用的聚類(lèi)方法，主要由類(lèi)間距離定義決定。方法有AVERAGE，CENTROID，COMPLETE, SINGLE, DENSITY, WARD, EML, FLEXIBLE, MCQUITTY, MEDIAN, TWOSTAGE等，其中DENSITY，TWOSTAGE等方法還要額外指定密度估計(jì)方法（K=，R=或HYBRID)。
·輸入DATA=數(shù)據(jù)集，可以是原始觀測(cè)數(shù)據(jù)集，也可以是距離矩陣數(shù)據(jù)集。
·OUTTREE=輸出譜系聚類(lèi)樹(shù)數(shù)據(jù)集，把譜系聚類(lèi)樹(shù)輸出到一個(gè)數(shù)據(jù)集，可以用TREE過(guò)程繪圖并實(shí)際分類(lèi)。
·STANDARD選項(xiàng)，把變量標(biāo)準(zhǔn)化為均值0，標(biāo)準(zhǔn)差1。
·PSEUDO選項(xiàng)和CCC選項(xiàng)。PSEUDO選項(xiàng)要求計(jì)算偽F和偽t2統(tǒng)計(jì)量，CCC選項(xiàng)要求計(jì)算R2、半偏R2和CCC統(tǒng)計(jì)量。其中CCC統(tǒng)計(jì)量也是一種考察聚類(lèi)效果的統(tǒng)計(jì)量，CCC較大的聚類(lèi)水平是較好的。
二、TREE過(guò)程用法
TREE過(guò)程可以把CLUSTER過(guò)程產(chǎn)生的OUTTREE=數(shù)據(jù)集作為輸入，畫(huà)出譜系聚類(lèi)的樹(shù)圖，并按照用戶(hù)指定的聚類(lèi)水平（類(lèi)數(shù)）產(chǎn)生分類(lèi)結(jié)果數(shù)據(jù)集。一般格式如下：
PROC TREE DATA=輸入聚類(lèi)結(jié)果數(shù)據(jù)集
OUT=輸出數(shù)據(jù)集GRAPHICS
NCLUSTER=類(lèi)數(shù)選項(xiàng)：
COPY復(fù)制變量：
RUN;
其中COPY語(yǔ)句把輸入數(shù)據(jù)集中的變量復(fù)制到輸出數(shù)據(jù)集（實(shí)際上這些變量也必須在CLUSTER過(guò)程中用COPY語(yǔ)句復(fù)制到OUTTREE一數(shù)據(jù)集）。PROC TREE語(yǔ)句的重要選項(xiàng)有：
DATA=數(shù)據(jù)集，指定從CLUSTER過(guò)程生成的OUTTREE=數(shù)據(jù)集作為輸入。
OUT=數(shù)據(jù)集，指定包含最后分類(lèi)結(jié)果（每一個(gè)觀測(cè)屬于哪一類(lèi)，用一個(gè)CLUSTER變量區(qū)分）的輸出數(shù)據(jù)集。
NCLUSTERS=選項(xiàng)，由用戶(hù)指定最后把樣本觀測(cè)分為多少個(gè)類(lèi)。
HORIZONTAL，畫(huà)樹(shù)圖時(shí)橫向畫(huà)。
例：有三種不同鳶尾花(Setosa,、Versicolor、Virginica)，種類(lèi)信息存入了變量SPECIES，并對(duì)每一種測(cè)量了50棵植株的花瓣長(zhǎng)(PETALLEN)，花瓣寬(PETALWID)，花萼長(zhǎng)(SEPALLEN)，花萼寬(SEPALWID)。這個(gè)數(shù)據(jù)己知分類(lèi)，并不屬于聚類(lèi)分析的研究范圍。這里我們?yōu)榱耸纠?，假裝不知道樣本的分類(lèi)情況（既不知道類(lèi)數(shù)也不知道每一個(gè)觀測(cè)屬于的類(lèi)別），讓SAS取進(jìn)行聚類(lèi)分析，為了進(jìn)行譜系聚類(lèi)并產(chǎn)生幫助確定類(lèi)數(shù)的統(tǒng)計(jì)量，使用如下過(guò)程：

部分結(jié)果如下：

這個(gè)輸出列出了把150個(gè)觀測(cè)每次合并兩類(lèi)，共合并149次的過(guò)程。NCL列指定了聚類(lèi)水平G(即這一步存在的單獨(dú)的類(lèi)數(shù))。"-Clusters Joined-"為兩列，指明這一步合并了哪兩個(gè)類(lèi)。其中OBxxx表示哪一個(gè)原始觀測(cè)，而CLxxx表示在哪一個(gè)聚類(lèi)水平上產(chǎn)生的類(lèi)。比如，NCL為149時(shí)合并的是OB16和OB76，即16號(hào)觀測(cè)和76號(hào)觀測(cè)，NCL為1合并的是CL5和CL2，即類(lèi)水平為5時(shí)得到的類(lèi)和類(lèi)水平為2時(shí)得到的類(lèi)， FREQ表示這次合并得到的類(lèi)有多少個(gè)觀測(cè)。SPRSQ是半偏R2，RSQ是R2，ERSQ是在均勻零假設(shè)下的R2的近似期望值，CCC為CCC統(tǒng)計(jì)量，PSF為偽F統(tǒng)計(jì)量，PST2為偽t2統(tǒng)計(jì)量，Tie指示距離最小的候選類(lèi)對(duì)是否有多對(duì)。
假設(shè)我們知道要分成3類(lèi)，所以我們用如下的TREE過(guò)程繪制樹(shù)圖并產(chǎn)生分類(lèi)結(jié)果數(shù)據(jù)集：