Файловый архив студентов. Файловый архив студентов.
1264 вуза, 4634 предмета.
/ Регистрация
FAQ Обратная связь Вопросы и предложения
Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Поволжский государственный технологический университет
Предмет:
[НЕСОРТИРОВАННОЕ]
Файл:
Кластерный анализ.doc
Скачиваний:
89
Добавлен:
03.05.2015
Размер:
746.5 Кб
Скачать
☆
►Содержание►

    1. Задание к лабораторной работе

1. Изучив теоретическое введение и пример, требуется в соответствии с номером варианта для выборочных совокупностей, представленных в таблице 1 (см. приложение) вычислить матрицу расстояний D = {di j2} или корреляционную матрицу S, произвести кластеризацию данных (таблица 2). Построить дендрограмму. Сделать вывод.

2. Выполнить кластерный анализ в программных пакетах SPSS и STATISTICA.

Заключение

Классификация объектов по осмысленным группам — кластеризация — является важной процедурой в области медицинской диагностики. Несмотря на их популярность, кластерные методы все еще понимаются хуже, чем такие многомерные статистические процедуры, как факторный анализ, дискриминантный анализ и многомерное шкалирование.

Данный метод разрабатывается и применяется археологами, психологами, специалистами по государственному праву и социологии, поэтому часто приходится пользоваться нестандартизованной, приводящей к путанице терминологией. В связи с этим новые разработки медленно распространяются на другие дисциплины.

На сегодняшний день степень проникновения математики в биологию и медицину, к сожалению, достаточно мала. Объясняется это, в первую очередь колоссальной сложностью биологических систем по сравнению с физическими объектами и техническими системами, на успешном описании которых математика заработала сегодняшнюю свою высокую репутацию. Поэтому разработка и исследование математических моделей биологических систем представляется перспективным направлением дальнейших исследований, требующих совместных усилий биологов, медиков и математиков.

Список литературы

  1. Айвазян С. А., Бежаева 3. И., Староверов О. В. Классифика­ция многомерных наблюдений. – М.: Статистика, 1974.

  2. Дюран Б., Одел П. Кластерный анализ. — М.: Статистика, 1977.

  3. Мандель И. Д. Кластерный анализ — М.: Финансы и статистика, 1988.

  4. Медик В.А., Фишман Б.Б., Токмачев М.С. Руководство по статистике в медицине и биологии. Том 2. Прикладная статистика здоровья. – М.: Медицина, 2001.

  5. Новиков Д.А., Новочадов В.В. Статистические методы в медико-биологическом эксперименте (типовые случаи). Волгоград: Издательство ВолГМУ, 2005.

  6. Факторный, дискриминантами и кластерный анализ: Пер. Ф18 с англ./Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др.; Под ред. И. С. Енюкова. — М.: Финансы и статистика, 1989.

  7. Амиянц В.Ю., Уткин В.А. O ВОЗМОЖНОСТИ ПРЕВЕНТИВНОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ ДИСФУНКЦИИ ЛЕВОГО ЖЕЛУДОЧКА ПО ДАННЫМ ДИНАМИКИ ЭКГ – ж. «Российский кардиологический журнал», № 5, 2004.

Приложение

Таблица 1

1

P1

4.5

4.5

4

2.3

4.6

4

4.9

6

6.5

6.5

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

1.3

1.4

2.5

1.5

5

4.3

1.5

3.5

1

1

HR

81

98

96

103

103

117

110

108

118

110

∆ST

0.5

1

1

1.5

1.5

3

1

1

2

1.1

2

P1

6.3

5

4.5

5.5

4.5

4.5

4.7

3

3

3

P2

3.2

3

2.5

3

2.3

2.3

2.3

1

1

1.1

PH

3

2

2

1.8

1.8

1.8

1.6

1.6

1.6

2

PQ

1

1

1

1

2.5

2.2

2.3

1.2

1.2

1

HR

98

98

99

101

145

126

104

98

103

89

∆ST

1.2

2

2

1

0.5

0.5

0.5

0.5

0.3

1

3

P1

5.5

5.5

5

5

6

5

6

6

3.5

3

P2

1.5

1.5

1

1.5

2.5

1.5

2

2

1.3

1

PH

2

2

1.5

2

2

1.5

3

1.9

1.8

1.8

PQ

1.5

1.5

1.5

4

3.5

3.5

3

3

0.5

1

HR

83

80

94

80

104

123

120

106

107

98

∆ST

0

0

0.5

0.5

0

1.8

2

1.8

0.5

0

4

P1

3.5

3

2.9

6

5

5

6

5.3

5.3

6

P2

1.1

1

1.2

2

2

2

2

2.3

2.3

2

PH

2

2

1.5

1.5

2

1.7

2

2.3

2

2

PQ

0.9

0.6

0.5

3

4

3.5

2

1.9

1.9

2.3

HR

100

102

100

120

102

122

130

122

80

79

∆ST

0

0.5

0.5

0

5

5

4.5

4

5

5

5

P1

6

4.6

5

4.5

4.5

4.5

4.5

2.3

4

4.9

P2

2

1.1

1

1.2

2

2

2

2

2.3

1

PH

1.8

1.5

1.5

1.3

1.2

1.5

2

2

1.7

2

PQ

2.5

2

2

2

2.3

2.5

4.5

2.5

2.3

2

HR

71

78

63

94

100

93

102

100

120

102

∆ST

0.5

0

0.2

0

0

0

2

2

0.5

0.5

6

P1

4.5

4.5

4.5

5

4.6

6

6

5.3

5.3

6

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

1

1

1

1

2.5

2.2

2.3

1.2

1.2

1

HR

83

80

94

80

104

123

120

106

107

98

∆ST

0

0.5

0.5

0

5

5

4.5

4

5

5

7

P1

5

5

6

2.9

3

3.5

3

3.5

6

6

P2

3.2

3

2.5

3

2.3

2.3

2.3

1

1

1.1

PH

1.8

1.5

1.5

1.3

1.2

1.5

2

2

1.7

2

PQ

0.9

0.6

0.5

3

4

3.5

2

1.9

1.9

2.3

HR

83

80

94

80

104

123

120

106

107

98

∆ST

1.2

2

2

1

0.5

0.5

0.5

0.5

0.3

1

8

P1

5

6

5

5

5.5

5.5

3

3

3

4.7

P2

1.5

1.5

1

1.5

2.5

1.5

2

2

1.3

1

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

1.3

1.4

2.5

1.5

5

4.3

1.5

3.5

1

1

HR

81

98

96

103

103

117

110

108

118

110

∆ST

0.5

1

1

1.5

1.5

3

1

1

2

1.1

9

P1

4.5

4.5

5.5

4.5

5

6.3

6.5

6.5

6

4.9

P2

1.1

1

1.2

2

2

2

2

2.3

2.3

2

PH

1.8

1.5

1.5

1.3

1.2

1.5

2

2

1.7

2

PQ

2.5

2

2

2

2.3

2.5

4.5

2.5

2.3

2

HR

71

78

63

94

100

93

102

100

120

102

∆ST

0.5

0

0.2

0

0

0

2

2

0.5

0.5

10

P1

6

6

5.3

5.3

6

5

5

6

2.9

3

P2

2

1.1

1

1.2

2

2

2

2

2.3

1

PH

3

2

2

1.8

1.8

1.8

1.6

1.6

1.6

2

PQ

1

1

1

1

2.5

2.2

2.3

1.2

1.2

1

HR

98

98

99

101

145

126

104

98

103

89

∆ST

1.2

2

2

1

0.5

0.5

0.5

0.5

0.3

1

11

P1

3.5

3

3.5

6.5

6.5

6.3

5

4.5

5.5

4.5

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

2

2

1.5

1.5

2

1.7

2

2.3

2

2

HR

0.9

0.6

0.5

3

4

3.5

2

1.9

1.9

2.3

∆ST

100

102

100

120

102

122

130

122

80

79

12

P1

0

0.5

0.5

0

5

5

4.5

4

5

5

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

2

2

1.5

2

2

1.5

3

1.9

1.8

1.8

PQ

1.5

1.5

1.5

4

3.5

3.5

3

3

0.5

1

HR

83

80

94

80

104

123

120

106

107

98

∆ST

0

0

0.5

0.5

0

1.8

2

1.8

0.5

0

13

P1

4.9

6

4

4.6

2.3

4

4.5

4.5

4.6

5

P2

3.2

3

2.5

3

2.3

2.3

2.3

1

1

1.1

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

1.3

1.4

2.5

1.5

5

4.3

1.5

3.5

1

1

HR

81

98

96

103

103

117

110

108

118

110

∆ST

0.5

1

1

1.5

1.5

3

1

1

2

1.1

14

P1

6

6

5.3

5.3

6

5

5

6

2.9

3

P2

2

1.1

1

1.2

2

2

2

2

2.3

1

PH

3

2

2

1.8

1.8

1.8

1.6

1.6

1.6

2

PQ

1

1

1

1

2.5

2.2

2.3

1.2

1.2

1

HR

98

98

99

101

145

126

104

98

103

89

∆ST

1.2

2

2

1

0.5

0.5

0.5

0.5

0.3

1

15

P1

4.5

4.5

5.5

4.5

5

6.3

6.5

6.5

6

4.9

P2

1.1

1

1.2

2

2

2

2

2.3

2.3

2

PH

2

2

1.5

1.5

2

1.7

2

2.3

2

2

PQ

0.9

0.6

0.5

3

4

3.5

2

1.9

1.9

2.3

HR

100

102

100

120

102

122

130

122

80

79

∆ST

0

0.5

0.5

0

5

5

4.5

4

5

5

16

P1

4.9

6

4

4.6

2.3

4

4.5

4.5

4.6

5

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

1

1

1

1

2.5

2.2

2.3

1.2

1.2

1

HR

71

78

63

94

100

93

102

100

120

102

∆ST

0.5

1

1

1.5

1.5

3

1

1

2

1.1

17

P1

5

5

6

2.9

3

3.5

3

3.5

6

6

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

1.8

1.5

1.5

1.3

1.2

1.5

2

2

1.7

2

PQ

0.9

0.6

0.5

3

4

3.5

2

1.9

1.9

2.3

HR

83

80

94

80

104

123

120

106

107

98

∆ST

1.2

2

2

1

0.5

0.5

0.5

0.5

0.3

1

18

P1

4.5

4.5

4

2.3

4.6

4

4.9

6

6.5

6.5

P2

2.4

3

2

1

1.5

2

1

2.5

3.2

3.2

PH

1

1

1

1.5

1.5

1

1.2

2

3

3

PQ

0.9

0.6

0.5

3

4

3.5

2

1.9

1.9

2.3

HR

100

102

100

120

102

122

130

122

80

79

∆ST

0

0.5

0.5

0

5

5

4.5

4

5

5

19

P1

6.3

5

4.5

5.5

4.5

4.5

4.7

3

3

3

P2

3.2

3

2.5

3

2.3

2.3

2.3

1

1

1.1

PH

3

2

2

1.8

1.8

1.8

1.6

1.6

1.6

2

PQ

1

1

1

1

2.5

2.2

2.3

1.2

1.2

1

HR

98

98

99

101

145

126

104

98

103

89

∆ST

1.2

2

2

1

0.5

0.5

0.5

0.5

0.3

1

20

P1

5.5

5.5

5

5

6

5

6

6

3.5

3

P2

1.5

1.5

1

1.5

2.5

1.5

2

2

1.3

1

PH

2

2

1.5

2

2

1.5

3

1.9

1.8

1.8

PQ

1.3

1.4

2.5

1.5

5

4.3

1.5

3.5

1

1

HR

81

98

96

103

103

117

110

108

118

110

∆ST

0.5

1

1

1.5

1.5

3

1

1

2

1.1

Таблица 2

№ варианта

Мера расстояния

Мера сходства

Метод КА

1

Евклидово расстояние

Метод полных связей

2

l1 - норма

Метод максимального локального расстояния

3

Сюпремум-норма

Центроидный метод

4

lp - норма

Метод полных связей

5

Коэффициент корреляции

Метод максимального локального расстояния

6

Евклидово расстояние

Центроидный метод

7

l1 - норма

Метод полных связей

8

Сюпремум-норма

Метод максимального локального расстояния

9

lp - норма

Метод полных связей

10

Коэффициент корреляции

Центроидный метод

11

Метод Ворда

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]
Помощь Обратная связь Вопросы и предложения Пользовательское соглашение Политика конфиденциальности