SAS涓�鐨勮仛绫诲垎鏋愭柟娉曟�荤粨(1) - 鐧惧害鏂囧簱

SAS中的聚类分析方法总结（1）

SAS中的聚类分析方法总结（1）——聚类分析概述（续2）5. 用proc distance做什么？我们知道数据变量分四类：名义变量、次序变量、interval变量和ritio变量。但sas里面目前的聚类算法都要求变量时ratio变量。那想要对离散变量进行聚类怎么呢？一种想法自然是讲所有的离散变量都转成0-1变量。这会有如下几个问题：1) 变量的信息可能会有损失，比如次序型变量转成0-1变量后，次序信息就很难保留；2) 当离散变量的取值非常多时，转成0-1变量后生成的新变量也会非常多，这样也会造成很多处理上的不便；3) 0-1变量也没法做标准化等等一些运算，因为这种运算其实是没有意义的那该如何处理离散变量的聚类呢？答案是用proc distance。我们知道聚类过程中首先是从计算距离或者相似度开始的。一个很自然的想法就是针对离散变量定义有意义的距离（对离散变量和连续变量混合类型的数据）。Proc distance就是用来算这种距离的一个很好的过程。距离或者相似度可以看成是连续数据，自然就可以用sas里面的聚类算法了。

6. 用proc stdize做什么？前面说过聚类算法首先要算的距离，然后通过距离来执行后续的计算。在距离计算的过

程方差比较大的变量影响会更大，这个通常不是我们希望看到。所以非常有必要讲参与聚类的变量转换成方差尽量相同。Proc stdize就能实现这种功能。Proc stdize不仅提供了将变量转换了均值为0，方差转换为1的标准化，还提供了很多其它类型的标准化。比如，range标准化（变量减去最小值除以最大值和最小值得差）

7. 用proc varclus做什么？在做回归分析的时候，我们知道变量过多会有两个问题：1) 变量过多会影响预测的准确，尤其当无关紧要的变量引入模型之后；2) 变量过多不可避免的会引起变量之前的共线性，这个会影响参数估计的精度聚类分析实际上也存在类似的问题，所以有必要先对变量做降维。说到降维，马上有人会说这个可以用主成分啊，这个的确没错。但是主成分的解释性还是有点差。尤其是第二主成分之后的主成分。那用什么比较好呢？答案是proc varclus——斜交主成分。我们常说的主成分实际上正交主成分。斜交主成分是在正交主成分的基础上再做了一些旋转。这样得到的主成分不仅能保留主成分的优点（主成分变量相关程度比较低）。另外一方面又能有很到的解释性，并且能达到对变量聚类的效果。使同类别里面的变量尽可能相关程度比较高，不同类别里面的变量相关程度尽可能低。这样根据一定的规则我们就可以在每个类别里面选取一些有

代表性的变量，这样既能保证原始的数据信息不致损失太多，也能有效消除共线性。有效提升聚类分析的精度。 8. 用proc mds 和proc princomp做什么？将原始数据降到两维，通过图形探测整个数据聚类后大致大类别数

9. 用proc aceclus做什么？聚类算法尤其是k-means算法要求聚类数据是球形数据。如果是细长型的数据或者非凸型数据，这些算法的表现就会相当差。一个很自然的变通想法就是，能不能将非球形数据变换成球形数据呢？答案是可以的。这就要用到proc aceclus。