聚类方法：Q型和R型聚类分析的应用及结果解释

在聚类分析中，通常根据分类对象的不同分为样品聚类分析（Q 型聚类）和指标型聚类分析（R 型聚类）两大类。Q 型聚类分析是对样本进行分类处理，对样品进行聚类的目的是将分类不明确的样品按性质相似程度分为若干组，从而发现同类样品的共性和不同样品间的差异。R 型聚类分析是对指标进行分类处理。对指标进行聚类的目的是将分类不明确的指标按性质相似程度分为若干组从而在尽量不损失信息的条件下，用一组少量的指标来替代原来的多个指标。

常用的聚类方法主要有系统聚类法（Hierachical cluster method）、逐步聚类法（K-means method）和分解聚类法（Decompose clustering）。

（1）系统聚类法

系统聚类法是在动物科学试验中应用最多的一种聚类方法。其基本思路是先将每个样品或变量各自看成一类，然后定义样品或变量间的距离（或相似系数）和类与类间的距离（或相似系数）。聚类过程是首先将距离最小（或相似系数最大）的两类合并成一类，再按类间距离（或相似系数）的定义计算新类与其他类间的距离（或相似系数），再将距离最近（或相似系数最大）的两类合并，如此往复，直至将所有的样品都聚为一类为止。根据类与类间距离定义方法的不同，又可将系统聚类法分为最短距离法（Single linkage）、最长距离法（Complete method）、中间距离法（Median method）、重心法（Centroid method）、类平均法（Average linkage）和可变类平均法（Flexible-beta method）等不同方法。在动物科学试验中常用的是类平均法。

（2）逐步聚类法(www.xing528.com)

逐步聚类法又称为动态聚类法，其基本思想是先将各样品或变量初始分成若干类，然后再依据某种标准进行调整，直至得出最佳分类为止。

（3）分解聚类法

分解聚类法的过程与系统聚类法相反。它是先将各样品或变量看成一类，然后依据某种标准将其分为两类，再用同样的标准将这两类各自分成两类，如此继续，直至分裂到每一种中只有一个样品或变量为止。最后，从中选择最终分类。

无论是聚类统计量（类间距离或相似系数）的计算，还是最终分类数的确定，选用的聚类方法不同，结果也不完全一致。简言之，聚类分析的结果具有一定的不确定性，在实际应用中，聚类分析还需要结果专业知识的解释来选择适宜的聚类方法和最终的分类，以保证聚类分析的结果尽可能与实际相符。