用SAS進行數(shù)據(jù)分析：聚類分析_數(shù)據(jù)分析師培訓

用CLUSTER過程和TREE過程進行譜系聚類

一、CLUSTER過程用法
CLUSTER過程的一般格式為：
PROC CLUSTER DATA=輸入數(shù)據(jù)集
METHOD=聚類方法 選項：
VAR 聚類用變量：
COPY 復(fù)制變量：
RUN;
其中的VAR語句指定用來聚類的變量。COPY語句把指定的變量復(fù)制到OUTTREE=的數(shù)據(jù)集中。
PROC CLUSTER語句的主要選項有：
·METHOD=選項，這是必須指定的，此選項決定我們要用的聚類方法，主要由類間距離定義決定。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方法（K=，R=或HYBRID)。
·輸入DATA=數(shù)據(jù)集，可以是原始觀測數(shù)據(jù)集，也可以是距離矩陣數(shù)據(jù)集。
·OUTTREE=輸出譜系聚類樹數(shù)據(jù)集，把譜系聚類樹輸出到一個數(shù)據(jù)集，可以用TREE過程繪圖并實際分類。
·STANDARD選項，把變量標準化為均值0，標準差1。
·PSEUDO選項和CCC選項。PSEUDO選項要求計算偽F和偽t2統(tǒng)計量，CCC選項要求計算R2、半偏R2和CCC統(tǒng)計量。其中CCC統(tǒng)計量也是一種考察聚類效果的統(tǒng)計量，CCC較大的聚類水平是較好的。
二、TREE過程用法
TREE過程可以把CLUSTER過程產(chǎn)生的OUTTREE=數(shù)據(jù)集作為輸入，畫出譜系聚類的樹圖，并按照用戶指定的聚類水平（類數(shù)）產(chǎn)生分類結(jié)果數(shù)據(jù)集。一般格式如下：
PROC TREE DATA=輸入聚類結(jié)果數(shù)據(jù)集
OUT=輸出數(shù)據(jù)集GRAPHICS
NCLUSTER=類數(shù)選項：
COPY復(fù)制變量：
RUN;
其中COPY語句把輸入數(shù)據(jù)集中的變量復(fù)制到輸出數(shù)據(jù)集（實際上這些變量也必須在CLUSTER過程中用COPY語句復(fù)制到OUTTREE一數(shù)據(jù)集）。PROC TREE語句的重要選項有：
DATA=數(shù)據(jù)集，指定從CLUSTER過程生成的OUTTREE=數(shù)據(jù)集作為輸入。
OUT=數(shù)據(jù)集，指定包含最后分類結(jié)果（每一個觀測屬于哪一類，用一個CLUSTER變量區(qū)分）的輸出數(shù)據(jù)集。
NCLUSTERS=選項，由用戶指定最后把樣本觀測分為多少個類。
HORIZONTAL，畫樹圖時橫向畫。
例：有三種不同鳶尾花(Setosa,、Versicolor、Virginica)，種類信息存入了變量SPECIES，并對每一種測量了50棵植株的花瓣長(PETALLEN)，花瓣寬(PETALWID)，花萼長(SEPALLEN)，花萼寬(SEPALWID)。這個數(shù)據(jù)己知分類，并不屬于聚類分析的研究范圍。這里我們?yōu)榱耸纠?，假裝不知道樣本的分類情況（既不知道類數(shù)也不知道每一個觀測屬于的類別），讓SAS取進行聚類分析，為了進行譜系聚類并產(chǎn)生幫助確定類數(shù)的統(tǒng)計量，使用如下過程：

部分結(jié)果如下：

這個輸出列出了把150個觀測每次合并兩類，共合并149次的過程。NCL列指定了聚類水平G(即這一步存在的單獨的類數(shù))。"-Clusters Joined-"為兩列，指明這一步合并了哪兩個類。其中OBxxx表示哪一個原始觀測，而CLxxx表示在哪一個聚類水平上產(chǎn)生的類。比如，NCL為149時合并的是OB16和OB76，即16號觀測和76號觀測，NCL為1合并的是CL5和CL2，即類水平為5時得到的類和類水平為2時得到的類， FREQ表示這次合并得到的類有多少個觀測。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)計量，PSF為偽F統(tǒng)計量，PST2為偽t2統(tǒng)計量，Tie指示距離最小的候選類對是否有多對。
假設(shè)我們知道要分成3類，所以我們用如下的TREE過程繪制樹圖并產(chǎn)生分類結(jié)果數(shù)據(jù)集：