用matlab 做聚类分析 转载一： MATLAB 提供了两种方法进行聚类分析： 1、利用clusterdata 函数对数据样本进行一次聚类，这个方法简洁方便，其特点是使用范围较窄，不能由用户根据自身需要来设定参数，更改距离计算方法； 2、分步聚类：（1）用pdist 函数计算变量之间的距离，找到数据集合中两辆变量之间的相似性和非相似性；（2）用linkage 函数定义变量之间的连接；（3）用cophenetic 函数评价聚类信息；（4）用cluster 函数进行聚类。 下边详细介绍两种方法: 1、一次聚类 Clusterdata 函数可以视为 pdist、linkage 与 cluster 的综合，一般比较简单。 【clusterdata 函数： 调用格式：T=clusterdata(X,cutoff) 等价于 Y=pdist(X,’euclid’); Z=linkage(Y,’single’); T=cluster(Z,cutoff) 】 2、分步聚类 （1）求出变量之间的相似性 用pdist 函数计算出相似矩阵，有多种方法可以求距离，若此前数据还未无量纲化，则可用zscore 函数对其标准化 【pdist 函数：调用格式：Y=pdist(X,’metric’) 说明：X 是 M*N 矩阵，为由 M 个样本组成，每个样本有 N 个字段的数据集 metirc 取值为：’euclidean’：欧氏距离（默认）‘seuclidean’：标准化欧氏距离;‘mahalanobis’：马氏距离… 】 pdist 生成一个M*(M-1)/2 个元素的行向量，分别表示M 个样本两两间的距离。这样可以缩小保存空间，不过，对于读者来说却是不好操作，因此，若想简单直观的表示，可以用squareform 函数将其转化为方阵，其中x(i,j)表示第i 个样本与第j 个样本之的距离，对角线均为0. （2）用linkage 函数来产生聚类树 【linkage 函数：调用格式：Z=linkage(Y,’method’) 说明：Y 为pdist 函数返回的M*(M-1)/2 个元素的行向量， method 可取值：‘single’：最短距离法（默认）；’complete’：最长距离法； ‘average’：未加权平均距离法；’weighted’:加权平均法 ‘centroid’： 质心距离法； ‘median’：加权质心距离法； ‘ward’：内平方距离法（最小方差算法）】 返回的Z 为一个(M-1)*3 的矩阵，其中前两列为索引标识，表示哪两个序号的样本可以聚为同一类，第三列为这两个样本之间的距离。另外，除了M 个样本以外，对于每次新产生的类，依次用M+1、M+2、…来标识。 为了表示Z 矩阵，我们可以用更直观的聚类数来展示，方法为：dendrogram(Z), 产生的聚类数是一个n 型树，最下边表示样本，然...
