【生物信息学】层次聚类过程

一、理论

  层次聚类是一种基于树状结构的聚类方法，它试图通过在不同层次上逐步合并或分裂数据集来构建聚类结构。这个树状结构通常被称为“树状图”（dendrogram），其中每个节点代表一个数据点或一组数据点，而连接节点的分支表示聚类的形成过程。
  下面是层次聚类的一般原理：

1. 距离矩阵计算： 首先，计算数据集中每对数据点之间的距离。这可以是欧氏距离、曼哈顿距离、相关性等不同的距离度量。

2. 初始化： 将每个数据点作为一个独立的簇，形成初始的聚类。

3. 迭代合并或分裂： 从最小距离开始，迭代地合并或分裂簇，直到满足某个停止条件。

   • 合并（Agglomerative）： 从底层开始，将最近的两个簇合并为一个新的簇。合并的标准可以是簇内点之间的最小距离、最大距离、平均距离等。

   • 分裂（Divisive）： 从顶层开始，将一个簇分裂成两个新的簇。分裂的标准通常是选择一个簇中的一个点，然后将其他点分配给最近的簇。

4. 更新距离矩阵： 在每次合并或分裂后，更新距离矩阵，反映新形成的簇之间的距离。

5. 形成树状图： 记录每次合并或分裂的过程，形成树状图。树状图的叶子节点代表单个数据点，内部节点代表合并的簇。

6. 停止条件： 根据具体任务和目标选择停止合并或分裂的条件，可以是簇的数量、簇的直径、距离的阈值等。

  层次聚类的优点之一是它提供了在不同层次上观察数据结构的能力，同时不需要预先指定簇的数量。然而，由于其复杂度较高，对大型数据集的处理可能会受到计算资源的限制。

二、实践

  考虑下图所示的单链聚类，其中数据集包含 5 个点，任意两点之间的距离在图的左下角给出。绘制其按照Mini-Distance树状图

$\delta$	B	C	D	E
A	1	3	2	4
B		3	2	3
C			1	3
D				5

聚类过程：
  用 $\delta (A,B)$ 表示两个簇 A 和 B 之间的距离，这个距离可以根据不同的标准进行计算，比如最小距离、最大距离、平均距离等。

过程1

  这里$\delta (A,B)=1,\delta (C,D)=1$，选择先合并AB，则$\delta (AB,E)=\min (\delta (A,E),\delta (B,E))=3$

$\delta$	C	D	E
AB	3	2	3
C		1	3
D			5

• 再合并CD，则

$\delta$	CD	E
AB	2	3
CD		3

• 再合并ABCD，则

$\delta$	E
ABCD	3

            ┌──────── ABCDE ────────┐
            │3             		    │
       ┌──── ABCD ────┐     		│
       │2            2│            3│
┌───── AB ────┐ ┌──── CD ───┐		│
│1           1│ │1          │1	 	│
A		      B C			D		E

过程2

• 选择先合并CD

$\delta$	B	C	D	E
A	1	3	2	4
B		3	2	3
C			1	3
D				5

• $\delta (CD,E)=\min (\delta (C,E),\delta (D,E))=3$
• $\delta (CD,A)=\min (\delta (C,A),\delta (D,A))=2$
• $\delta (CD,B)=\min (\delta (C,B),\delta (D,B))=2$

$\delta$	B	CD	E
A	1	2	4
B		2	3
CD			3

• 再合并AB

• $\delta (AB,CD)=\min (\delta (A,CD),\delta (B,CD))=2$

• $\delta (AB,E)=\min (\delta (A,E),\delta (B,E))=3$

$\delta$	CD	E
AB	2	3
CD		3

• 再合并ABCD，则

$\delta$	E
ABCD	3