SAS聚类分析

1 用CLUSTER过程和TREE过程进行谱系聚类

一、CLUSTER过程用法

CLUSTER过程的一般格式为：

PROC CLUSTER DATA=输入数据集

METHOD=聚类方法 选项：

VAR 聚类用变量：

COPY 复制变量：

RUN;

其中的VAR语句指定用来聚类的变量。COPY语句把指定的变量复制到OUTTREE=的数据集中。

PROC CLUSTER语句的主要选项有：

·METHOD=选项，这是必须指定的，此选项决定我们要用的聚类方法，主要由类间距离定义决定。方法有AVERAGE，CENTROID，COMPLETE, SINGLE, DENSITY, WARD, EML, FLEXIBLE, MCQUITTY, MEDIAN, TWOSTAGE等，其中DENSITY，TWOSTAGE等方法还要额外指定密度估计方法（K=，R=或HYBRID)。

·输入DATA=数据集，可以是原始观测数据集，也可以是距离矩阵数据集。

·OUTTREE=输出谱系聚类树数据集，把谱系聚类树输出到一个数据集，可以用TREE过程绘图并实际分类。

·STANDARD选项，把变量标准化为均值0，标准差1。

·PSEUDO选项和CCC选项。PSEUDO选项要求计算伪F和伪t2统计量，CCC选项要求计算R2、半偏R2和CCC统计量。其中CCC统计量也是一种考察聚类效果的统计量，CCC较大的聚类水平是较好的。

二、TREE过程用法

TREE过程可以把CLUSTER过程产生的OUTTREE=数据集作为输入，画出谱系聚类的树图，并按照用户指定的聚类水平（类数）产生分类结果数据集。一般格式如下：

PROC TREE DATA=输入聚类结果数据集

OUT=输出数据集GRAPHICS

NCLUSTER=类数选项：

COPY复制变量：

RUN;

其中COPY语句把输入数据集中的变量复制到输出数据集（实际上这些变量也必须在CLUSTER过程中用COPY语句复制到OUTTREE一数据集）。PROC TREE语句的重要选项有：

• DATA=数据集，指定从CLUSTER过程生成的OUTTREE=数据集作为输入。
• OUT=数据集，指定包含最后分类结果（每一个观测属于哪一类，用一个CLUSTER变量区分）的输出数据集。
• NCLUSTERS=选项，由用户指定最后把样本观测分为多少个类。
• HORIZONTAL，画树图时横向画。

例：有三种不同鸢尾花(Setosa,、Versicolor、Virginica)，种类信息存入了变量SPECIES，并对每一种测量了50棵植株的花瓣长(PETALLEN)，花瓣宽(PETALWID)，花萼长(SEPALLEN)，花萼宽(SEPALWID)。这个数据己知分类，并不属于聚类分析的研究范围。这里我们为了示例，假装不知道样本的分类情况（既不知道类数也不知道每一个观测属于的类别），让SAS取进行聚类分析，为了进行谱系聚类并产生帮助确定类数的统计量，使用如下过程：

部分结果如下：

这个输出列出了把150个观测每次合并两类，共合并149次的过程。NCL列指定了聚类水平G(即这一步存在的单独的类数)。”-Clusters Joined-“为两列，指明这一步合并了哪两个类。其中OBxxx表示哪一个原始观测，而CLxxx表示在哪一个聚类水平上产生的类。比如，NCL为149时合并的是OB16和OB76，即16号观测和76号观测，NCL为1合并的是CL5和CL2，即类水平为5时得到的类和类水平为2时得到的类， FREQ表示这次合并得到的类有多少个观测。SPRSQ是半偏R2，RSQ是R2，ERSQ是在均匀零假设下的R2的近似期望值，CCC为CCC统计量，PSF为伪F统计量，PST2为伪t2统计量，Tie指示距离最小的候选类对是否有多对。

假设我们知道要分成3类，所以我们用如下的TREE过程绘制树图并产生分类结果数据集：