系统聚类分析

合集下载

五种常用系统聚类分析方法及其比较

五种常用系统聚类分析方法及其比较

五种常用系统聚类分析方法及其比较胡雷芳一、系统聚类分析概述聚类分析是研究如何将对象按照多个方面的特征进行综合分类的一种统计方法[1]。

然而在以往的分类学中,人们主要靠经验和专业知识作定性分类处理,许多分类不可避免地带有主观性和任意性,不能揭示客观事物内在的本质差别和联系;或者人们只根据事物单方面的特征进行分类,这些分类虽然可以反映事物某些方面的区别,但却往往难以反映各类事物之间的综合差异。

聚类分析方法有效地解决了科学研究中多因素、多指标的分类问题[2]。

在目前的实际应用中,系统聚类法和K均值聚类法是聚类分析中最常用的两种方法。

其中,K均值聚类法虽计算速度快,但需要事先根据样本空间分布指定分类的数目,而当样本的变量数超过3个时,该方法的可行性就较差。

而系统聚类法(Hierarchicalclusteringmethods,也称层次聚类法)由于类与类之间的距离计算方法灵活多样,使其适应不同的要求。

该方法是目前实践中使用最多的。

这该方法的基本思想是:先将n个样本各自看成一类,并规定样本与样本之间的距离和类与类之间的距离。

开始时,因每个样本自成一类,类与类之间的距离与样本之间的距离是相同的。

然后,在所有的类中,选择距离最小的两个类合并成一个新类,并计算出所得新类和其它各类的距离;接着再将距离最近的两类合并,这样每次合并两类,直至将所有的样本都合并成一类为止。

这样一种连续并类的过程可用一种类似于树状结构的图形即聚类谱系图(俗称树状图)来表示,由聚类谱系图可清楚地看出全部样本的聚集过程,从而可做出对全部样本的分类[3]。

二、五种常用系统聚类分析方法系统聚类法在进行聚类的过程中,需要计算类与类之间的距离。

根据类与类之间的距离计算方法的不同,我们可以将系统聚类法分为单连接法、完全连接法、平均连接法、组平均连接法与离差平方和法等。

1.单连接法(Singlelinkage)单连接法又称最短距离法。

该方法首先将距离最近的样本归入一类,即合并的前两个样本是它们之间有最小距离和最大相似性;然后计算新类和单个样本间的距离作为单个样本和类中的样本间的最小距离,尚未合并的样本间的距离并未改变。

系统聚类分析

系统聚类分析

(3.3.10)
第25页/共43页
① 在9×9阶距离矩阵D中,非对角元素中最小者是d94=0.51,首先将第4区与第9区并为一类,记为即G10={G4,G9}。按照公式(3.3.10)式分别计算G1,G2,G3,G5,G6,G7,G8与G10之间的距离得: d1,10=min{d14,d19}= min{2.19,2.62}=2.19d2,10=min{d24,d29}= min{1.47,1.66}=1.47
第1页/共43页
聚类分析是根据各变量的观测值予以分类的,它涉及到通过各种途径和手段所得到的有意义的地理数据。由于要素的量纲、数量级和数量变化幅度的差异,如用原始数据进行聚类分析,就是将不同性质、不同量纲、不同数量变化幅度的数值都统计在一起,这样就可能突出某些数量级特别大的变量对分类的作用,而压低甚至排除了某些数量级很小的变量对分类的作用。为了有利于分析、对比和使分类清晰,常对原始地理数据进行适当和必要的处理和变换,使其在某种共同的、相对均匀化的数值范围内。
61.0
7.6
7.018
3.728
4.111
2.028
莎车
1231.2
42.5
93.0
11.0
7.116
3.750
4.533
2.398
于田
1427.0
46.4
81.0
1.4
7.263
3.837
4.394
0.336
数据变换表
第5页/共43页
② 地理数据的标准化:标准差标准化、极差标准化标准差标准化,即把变换后的数据 减去其均值,再除以其标准差Sj
第32页/共43页
⑧ 在第六步所得的3×3阶距离矩阵中,非对角线元素中最小者为d1,15=1.32,故将G1与G15归并为一类,记为G16,即G16={G1,G15}={(G1,(G2,G8),(G3,(G4,G9))}。再按照公式(3.3.10)式计算G13与G16之间的距离,可得一个新的2×2阶距离矩阵:

系统聚类分析

系统聚类分析

聚类分析聚类分析是研究“物以类聚”的一种多元统计方法。

国内有人称它为群分析、点群分析、簇群分析等。

聚类分析的基本概念聚类分析是研究对样品或指标进行分类的一种多元统计方法,是依据研究对象的个体的特征进行分类的方法。

它把分类对象按一定规则分成若干类,这些类非事先给定的,而是根据数据特征确定的。

在同一类中这些对象在某种意义上趋向于彼此相似,而在不同类中趋向于不相似。

它职能是建立一种能按照样品或变量的相似程度进行分类的方法。

聚类分析的基本思想是认为我们所研究的样本或指标(变量)之间存在着程度不同的相似性(亲疏关系)。

于是根据一批样本的多个观测指标,具体找出一些彼此之间相似程度较大的样本(或指标)聚合为一类,把另外一些彼此之间相似程度较大的样本(或指标)又聚合为另一类,关系密切的聚合到一个小的分类单位,关系疏远的聚合到一个大的分类单位,直到把所有样本(或指标)都聚合完毕,把不同的类型一一划分出来,形成一个由小到大的分类系统。

最后把整个分类系统画成一张谱系图,用它把所有样本(或指标)间的亲疏关系表示出来。

这种方法是最常用的、最基本的一种,称为系统聚类分析。

聚类分析有两种:一种是对样本的分类,称为Q型,另一种是对变量(指标)的分类,称为R型。

聚类分析给人们提供了丰富多彩的方法进行分类,这些方法大致可以归纳为:(1)系统聚类法。

首先将n个也样品看成n类(一个类包含一个样品),然后将性质最接近的两类合并成一个新类,我们得到n-1类,再从中找出最接近的两类加以合并成了n-2类,如此下去,最后所有的样品均在一类,将上述并类过程画成一张图(称为聚类图)便可决定分多少类,每类各有什么样品。

(2)模糊聚类法。

将模糊数学的思想观点用到聚类分析中产生的方法。

该方法多用于定型变量的分类。

(3)K—均值法。

K—均值法是一种非谱系聚类法,它是把样品聚集成k个类的集合。

类的个数k可以预先给定或者在聚类过程中确定。

该方法可用于比系统聚类法大得多的数据组。

系统聚类

系统聚类
Dp2q Sr (S p Sq ) 其中S p , Sq分别为 p类于q类的离差平方和, S r为 r 类的离差平方和 增量愈小,合并愈合理。
为了便于我们理解系统聚类法的方法和步骤,下面给出一个例子逐步进行说 明:
例:为了研究辽宁等 5 省 1991 年城镇居民生活消费情况的分布规律,根据调 查资料做类型分类,用最短距离法做类间分类。数据如下:
因此将 3、4 合并为一类,为类 6,替代了 3、4 两类 类 6 与剩余的 1、2、5 之间的距离分别为:
d(3,4)1=min(d31,d41)=min(13.80,13.12)=13.12 d(3,4)2=min(d32,d42)=min(24.63,24.06)=24.06 d(3,4)5=min(d35,d45)=min(3.51,2.21)=2.21 得到新矩阵
2、选择 D(0)表中最小的非零数,不妨假设 dpq ,于是将 Gp 和 Gq 合并为一
新类,记为 Gr GP ,Gq
3、利用递推公式计算新类与其它类之间的距离,产生 D(1)表。若类的个 数等于 1,转到下一步,否则回到前一步。类推直至所有的样本点归为一类为止。
4、画聚类图 5、决定类的个数 6、聚类结果的解释和证实 由于类与类之间的距离的计算方法不同,形成了不同的系统聚类方法。
吉林 黑龙江 天津 北京 上海 河南 福建 安徽 辽宁 青海 贵州 湖南 江西 广西 宁夏
6 -+-+
7 -+ +-----+
3 ---+ +---------------------------+
1 -+-------+
|
2 -+
+-----------+

系统聚类结果解读 -回复

系统聚类结果解读 -回复

系统聚类结果解读-回复题目:系统聚类结果解读:启示与应用导言:系统聚类是一种常见的数据分析方法,通过对样本数据进行分组和分类,来寻找数据内部的相似性和潜在结构。

在本文中,我们将使用一些示例数据,并进行系统聚类分析。

通过解读聚类结果,我们旨在探索聚类分析的应用和启示,以帮助读者更好地理解和应用这一方法。

第一部分:系统聚类分析简介1. 什么是系统聚类分析?系统聚类分析是一种无监督机器学习方法,它将样本数据划分为不同的群集(聚类),每个群集内的样本具有相似的特征,而不同群集之间的样本具有不同的特征。

2. 系统聚类的步骤系统聚类分析的步骤一般包括:a. 收集和准备数据b. 选择适当的距离度量和聚类算法c. 执行聚类分析d. 解释和解读聚类结果第二部分:示例数据介绍1. 数据说明我们选取了一组包含个体身高、体重和年龄的示例数据作为本文的参考数据。

2. 数据准备我们对原始数据进行了标准化处理,以便在聚类分析中消除不同变量之间的量纲影响。

第三部分:聚类结果展示与解读1. 聚类算法选择针对我们的示例数据,我们选择了层次聚类(Hierarchical Clustering)算法进行系统聚类分析。

2. 聚类结果展示我们采用散点图和热力图的形式展示聚类结果,并着重标注不同类别间的边界。

3. 以上述展示结果为基础,进一步进行解读我们观察到,样本数据可以被分为三个不同的类别,每个类别具有不同的身高、体重和年龄特征。

聚类结果表明,在这个数据集中存在三个大致相似的个体群体。

第四部分:系统聚类分析的启示1. 发现潜在结构和相似性系统聚类分析可以帮助我们发现数据内部潜在的结构和相似性,帮助我们更好地理解数据特征之间的联系和差异。

2. 数据预处理和特征提取在聚类分析中,我们通常需要对原始数据进行预处理和特征提取,以消除量纲影响,提高聚类精度。

3. 微观到宏观分析系统聚类分析可以从微观层面上观察个体样本的特征,也可以从宏观层面上观察群体间的相似性和差异,帮助我们从不同视角进行数据分析。

聚类分析的方法

聚类分析的方法

聚类分析的方法一、系统聚类法系统聚类分析法就是利用一定的数学方法将样品或变量(所分析的项目)归并为若干不同的类别(以分类树形图表示),使得每一类别内的所有个体之间具有较密切的关系,而各类别之间的相互关系相对地比较疏远。

系统聚类分析最后得到一个反映个体间亲疏关系的自然谱系,它比较客观地描述了分类对象的各个体之间的差异和联系。

根据分类目的不同,系统聚类分析可分为两类:一类是对变量分类,称为R型分析;另一类是对样品分类,称为Q型分析。

系统聚类分析法基本步骤如下(许志友,1988)。

(一)数据的正规化和标准化由于监测时所得到的数值各变量之间相差较大,或因各变量所取的度量单位不同,使数值差别增大,如果不对原始数据进行变换处理,势必会突出监测数据中数值较大的一些变量的作用,而消弱数值较小的另一些变量的作用,克服这种弊病的办法是对原始数据正规化或标准化,得到的数据均与监测时所取的度量单位无关。

设原始监测数据为Xij (i=1,2,…,n;j=1,2,…,m;n为样品个数,m为变量个数),正规化或标准化处理后的数据为Zij (i=1,2,…,n;j=1,2,…,m)。

1. 正规化计算公式如下:(7-32)(i=1,2,…,n;j=1,2,…,m)2. 标准化计算公式如下:(7-33)(i=1,2,…,n;j=1,2,…,m)其中:(二)数据分类尺度计算为了对数据Zij进行分类,须对该数据进一步处理,以便从中确定出分类的尺度,下列出分类尺度计算的四种方法。

1.相关系数R两两变量间简单相关系数定义为:(7-34)(i,j=1,2,…,m)其中一般用于变量的分类(R型)。

有一1≤≤1且愈接近1时,则此两变量愈亲近,愈接近-1,则关系愈疏远。

2.相似系数相似系数的意义是,把每个样品看做m维空间中的一个向量,n个样品相当于m维空间中的n个向量。

第i个样品与第j个样品之间的相似系数是用两个向量之间的夹角余弦来定义,即:(7-35)(i,j=1,2,…,m)常用于样品间的分类(Q型)。

系统聚类法的原理和具体步骤

系统聚类法的原理和具体步骤

系统聚类法(Hierarchical Clustering)是一种常用的聚类分析方法,用于将样本或对象根据相似性或距离进行层次化的分组。

其原理和具体步骤如下:
原理:
系统聚类法通过计算样本或对象之间的相似性或距离,将它们逐步合并为不同的聚类组。

该方法基于一个假设,即相似的样本或对象更有可能属于同一个聚类。

具体步骤:
距离矩阵计算:根据选定的相似性度量(如欧氏距离、曼哈顿距离等),计算样本或对象之间的距离,并生成距离矩阵。

初始化聚类:将每个样本或对象视为一个初始聚类。

聚类合并:根据距离矩阵中的最小距离,将距离最近的两个聚类合并为一个新的聚类。

更新距离矩阵:根据合并后的聚类,更新距离矩阵,以反映新的聚类之间的距离。

重复步骤3和4,直到所有的样本或对象都合并为一个聚类或达到指定的聚类数目。

结果展示:将合并过程可视化为一棵聚类树状图(树状图或树状图),以显示不同聚类之间的关系和层次结构。

需要注意的是,系统聚类法有两种主要的实现方式:凝聚层次聚类和分裂层次聚类。

凝聚层次聚类从单个样本开始,逐步合并为更大的聚类;分裂层次聚类从一个整体聚类开始,逐步分裂为更小的聚类。

以上步骤适用于凝聚层次聚类。

系统聚类法在数据分析、模式识别、生物学分类等领域广泛应用。

通过系统聚类法,可以将样本或对象进行有序的分组,帮助发现数据中的模式和结构,并为进一步的分析和解释提供基础。

第一节系统聚类分析

第一节系统聚类分析

第一节系统聚类分析第五章聚类分析(一)教学目的通过本章的学习,对聚类分析从总体上有一个清晰地认识,理解聚类分析的基本思想和基本原理,掌握用聚类分析解决实际问题的能力。

(二)基本要求了解聚类分析的定义,种类及其应用范围,理解聚类分析的基本思想,掌握各类分析方法的主要步骤。

(三)教学要点1、聚类分析概述;2、系统聚类分析基本思想,主要步骤;3、动态聚类法基本思想,基本原理,主要步骤;4、模糊聚类分析基本思想,基本原理,主要步骤;5、图论聚类分析基本思想,基本原理。

(四)教学时数6课时五)教学内容 (1、聚类分析概述2、系统聚类分析3、动态聚类法4、模糊聚类分析5、图论聚类分析统计分组或分类可以深化人们的认识。

实际应用中,有些情况下进行统计分组比较容易,分组标志确定了,分组也就得到了,但是,有些情况下进行统计分组却比较困难,特别是当客观事物性质变化没有明显标志时,用于确定分组的标志和组别就很难确定。

聚类分析实际上给我们提供了一种对于复杂问题如何分组的统计方法。

第一节聚类分析概述一、聚类分析的定义聚类分析是将样品或变量按照它们在性质上的亲疏程度进行分类的多元统计分析方法。

聚类分析时,用来描述样品或变量的亲疏程度通常有两个途径,一是把每个样品或变量看成是多维空间上的一个点,在多维坐标中,定义点与点,类和类之间的距离,用点与点间距离来描述样品或变量之间的亲疏程度;另一个是计算样品或变量的相似系数,用相似系数来描述样品或变量之间的亲疏程度。

二、聚类分析的种类(一)聚类分析按照分组理论依据的不同,可分为系统聚类法,动态聚类法,模糊聚类、图论聚类、聚类预报等多种聚类方法。

1、系统聚类分析法。

是在样品距离的基础上定义类与类的距离,首先将个样品自成n一类,然后每次将具有最小距离的两个类合并,合并后再重新计算类与类之间的距离,再并类,这个过程一直持续到所有的样品都归为一类为止。

这种聚类方法称为系统聚类法。

根据并类过程所做的样品并类过程图称为聚类谱系图。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

1.093
0.971 0.316 0.527 0.212 0.211 0.181 0.666 0.414
4 510.5
2 773.5 6 934.5 4 458 12 249 8 973 10 689 3 679.5 4 231.5
1 036.4
683.7 611.1 632.6 791.1 636.5 634.3 771.7 574.6
四(2)、最短距离聚类法
最短距离聚类法,是在原来的m×m距离矩阵找 出“距离最小”的两个分类对象Gp和Gq,并将 其归并为一新类Gr,然后按“距离最短”计算 公式 d rk min{ d pk , d qk } (k p, q) 计算原来各类与新类之间的距离,这样就得到 一个新的(m-1)阶的距离矩阵; 再从新的 距离矩阵中选出距离最小者dij,把Gi和Gj归并成 新类;再计算各类与新类的距离,这样一直下 去,直至各分类对象被归为一类为止。
(2)按新的分类结果重新计算距离矩阵 (见103面),发现d57=0.85最小,故将第 5区与第7区并为一类,得到一个新的共7 类的暂时分类结果;
(3)按上面的方法依此类推。
图3.4.1 直接聚类谱系图
聚类谱系图(树形图)说明
(1)聚类谱系图显示的是一个一般的分类结 构,不是一个特定的分类结果。 (2)用户可设定“距离临界值”并根据设定 的临界值进行分类。例如,如设定距离临界 值”在1.78-3.10之间,则9个农业区可分为 3大类,即 {G1, G2, G8}, {G3,G4,G9}, {G5,G6,G7} (3)“距离临界值”的选取没有一个严格的 标准,一般取距离跨度较大的两个值中间的 值。
0 4.79 2.99 4.05 1.3 0.49
0 1.8 0 0.85 1.07 0 5.17 3.96 5.03 4.86 3.06 4.12 1.4
0 8
0
聚类分析步骤如下 (书102-104面):
(1)在距离矩阵D中,除去对角线元素 以外,d49=d94=0.49为最小者,故将第4区 与第9区并为一类,得到一个新的共8类的 暂时分类结果;
d ij xik x jk
② 欧氏距离
d ij
i 1
2 ( x x ) ik jk k 1 n
n
(i, j 1,2,, m)
(1)
(i, j 1,2,, m)
(2)
③ 明科夫斯基距离
n d ij xik x jk k 1
1 p p
G7
G8 G9
0
0.908 0.383
0
0.532 0.255
0.904
0.069 0.035
0.812
8E-04 0
0.835
0.096 0.154
0.129
0.427 0
0.997
0.087 0.004
三(1)“聚类对象”之间的距离及其计算
常见的“距离”有
① 绝对值距离(下面公式中的i =1应为 k=1)
ij
(3.4.1)
这种标准化方法所得到的新数据满足
x
i 1
ij
1
( j 1,2, , n)
② 标准差标准化,即
xij x j sj
xij
(i 1,2,, m; j 1,2,, n)
(3.4.2)
由这种标准化方法所得到的新数据,各要 素的平均值为0,标准差为1,即有
四(1)、直接聚类法
原理及步骤(书100面) (5)绘系统聚类树形图。
(6)选取距离临界值,根据树形图确定分类 个数和分类结构
例题:某地区的9个农业区的聚类分析。
极差标准化矩阵如下(书101面,程序 HCA_Example3.m)
0.9125 1 0.2 0.4333 0.025 0.0292 0 0.9083 0.3833 1 0.8662 0.148 0.3794 0.034 0.0329 0 0.5318 0.2555 0.073 0 0.068 0 1 0.606 0.904 0.069 0.035 0.153 0.002 0.437 0.132 1 0.689 0.812 8E-04 0 0.183 0 0.439 0.178 1 0.654 0.835 0.096 0.154 1 0.236 0.079 0.126 0.469 0.134 0.129 0.427 0 0.143 0 0.071 9E-04 1 0.595 0.997 0.087 0.004
1 m 0 x j xij m i 1 sj 1 m 2 ( x x ) 1 ij j m i 1
③ 极大值标准化,即
xij xij max{xij }
i
(i 1,2, , m; j 1,2,, n)
(3.4.3)
经过这种标准化所得的新数据,各要素的极 大值为1,其余各数值小于1。 ④ 极差的标准化,即 xij minxij i xij (i 1,2,, m; j 1,2,, n) maxxij minxij
4.46 1.86 2.99 1.78
5.53 2.93 4.06 0.83 1.07 0 0.88 2.24 1.29 5.14 3.96 5.03
1.66 1.20 0.51 4.84 3.06 3.32 1.40
回忆前面的直接聚类法 (1) 在9×9阶距离矩阵D 中,非对角元素中最小者是d94=0.51,首先将 第4区与第9区并为一类,记为G10={G4,G9}。 按照最短距离公式分别计算G1,G2,G3,G5, G6,G7,G8与G10之间的距离得
聚类分析的概念:
聚类分析就是按照事物间的相似性进行
科学的区分或分类的过程。 聚类对象:聚类所针对的对象 聚类要素:聚类所考虑的因素
二、聚类要素的数据处理
在聚类分析中,聚类要素的选择是十分重 要的,它直接影响分类结果的准确性和可靠性。
在分类和分区研究中,被聚类的对象常常 是多个要素构成的。不同要素的数据往往具有 不同的单位和量纲,其数值的变异可能是很大 的,这就会对分类结果产生影响。因此当分类 要素的对象确定之后,在进行聚类分析之前, 首先要对聚类要素进行数据处理。
引例2:可否对9个农业区进行分类?
表1 某地区9个农业区的7项经济指标数据
区 代 号 人均 耕地X1
/(hm2
劳均 耕地X2
/(hm2
·
人-1)
·
个-1

水田 比重 X3 /% 5.63
0.39 5.28 0.39 72.04 43.78 65.15 5.35 2.9
复种 指数 x4 /% 113.6
(5)
4.46 1.86 2.99 1.78
5.53 2.93 4.06 0.83 1.07 0 0.88 2.24 1.29 5.14 3.96 5.03
1.66 1.20 0.51 4.84 3.06 3.32 1.40
三(2)变量之间相似系数的计算
聚类分析不仅可以对“样本”分类,也
可以对“变量分类”(例如书113面的第3 题) 。在此情况下分类的依据是“相似性 系数”而不是“距离” 。 两种常用的相似系数(书97面): (1)夹角余弦 (2)相关系数
n

jk
x ji ) 2
第二次课
四(1)、直接聚类法
原理及步骤(书100面)
(1)将每个对象或样本看做1类,共m类,记为 G1, G2,„,Gm (2)定义并计算样本之间的两两“距离”,得到 第1个距离矩阵 D0
(3)合并距离最近的两类为一新类,其它的样 本暂不合并这样可得到共m-1类。
(4)对新得到的分类重复步骤(2)&(3),直 至将全部样本分为1类为止。
假设有m 个聚类的对象,每一个聚类对象都有 n个要素构成。它们所对应的要素数据可用表 3.4.1给出。 (主要省略号的记号)
表3.4.1 聚类对象与要素数据
要 聚 类 对 象 素
x1
x11 x21 xi1 xm1
x2 x j xn
x12 x22 xi 2 x1 j xij x1n xin xmn x 2 j x2 n
d1,10=min{d14,d19}= min{2.19,2.62}=2.19
第4章 系统聚类分析 (共两次课) (Hierarchical Cluster Analysis)
主要内容(参见书87面-) 聚类分析概述 聚类要素的数据处理 距离和相似系数的计算 常用系统聚类法 环境应用
一、聚类分析概述
引例1:书89面例4.1.
-问题:6个站点可否按其指标的相似性 进行分类?如何综合考虑5个指标?
1 2 i m
xm 2 xmj
在聚类分析中,常用的聚类要素(变量) 的数据处理方法有如下几种: ① 总和标准化。分别求出各聚类要素所 对应的数据的总和,以各要素的数据除以该要 素的数据的总和,即
xij xij
x
i 1
m
m
(i 1,2,, m; j 1,2,, n)
i i
(3.4.4)
经过这种标准化所得的新数据,各要素的极 大值为1,极小值为0,其余的数值均在0与1之间。
例题:通过Excel对某地区9个农业区的7项指标进行 标准化处理(见Excel文件“聚类分析例子.xls)
极差标准化 区代号 X1 G1 G2 G3 G4 G5 G6 0.913 1 0.2 0.433 0.025 0.029 X2 1 0.866 0.148 0.379 0.034 0.033 X3 0.073 0 0.068 0 1 0.606 X4 0.153 0.002 0.437 0.132 1 0.689 X5 0.183 0 0.439 0.178 1 0.654 X6 1 0.236 0.079 0.126 0.469 0.134 X7 0.143 0 0.071 9E-04 1 0.595
相关文档
最新文档