原文鏈接：http://tecdat.cn/?p=16881

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

?

灰色關(guān)聯(lián)分析包括兩個(gè)重要功能。
第一項(xiàng)功能：灰色關(guān)聯(lián)度，與correlation系數(shù)相似，如果要評(píng)估某些單位，在使用此功能之前轉(zhuǎn)置數(shù)據(jù)。第二個(gè)功能：灰色聚類，如層次聚類。?

灰色關(guān)聯(lián)度

灰色關(guān)聯(lián)度有兩種用法。該算法用于測(cè)量?jī)蓚€(gè)變量的相似性，就像`cor`一樣。如果要評(píng)估某些單位，可以轉(zhuǎn)置數(shù)據(jù)集。

*一種是檢查兩個(gè)變量的相關(guān)性，數(shù)據(jù)類型如下：

| 參考| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 1.2 | 1.8 | 0.9 | 8.4 |
| 0.11 | 0.3 | 0.5 | 0.2 |
| 1.3 | 0.7 | 0.12 | 0.98 |
| 1.9 | 1.09 | 2.8 | 0.99 |

reference：參考變量，reference和v1之間的灰色關(guān)聯(lián)度...近似地測(cè)量reference和v1的相似度。

*另一個(gè)是評(píng)估某些單位的好壞。

| 單位| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 江蘇| 1.8 | 0.9 | 8.4 |
| 浙江| 0.3 | 0.5 | 0.2 |
| 安徽 0.7 | 0.12 | 0.98 |
| 福建| 1.09 | 2.8 | 0.99 |

?示例

1. 


2. ##生成數(shù)據(jù)

3. 


4. #' economyCompare = data.frame(refer, liaoning, shandong, jiangsu, zhejiang, fujian, guangdong)

5. 


6. #

7. # 異常控制 #

8. if (any(is.na(df))) stop("'df' have NA" )

9. if (distingCoeff<0 | distingCoeff>1) stop("'distingCoeff' must be in range of [0,1]" )

10. 


11. 


12. 


13. 


14. diff = X ?#設(shè)置差學(xué)列矩陣空間

15. 


16. for (i in

17. mx = max(diff)

18. 


19. 


20. #計(jì)算關(guān)聯(lián)系數(shù)#

21. relations = (mi+distingCoeff*mx) / (diff + distingCoeff*mx)

22. 


23. #計(jì)算關(guān)聯(lián)度#

24. # 暫時(shí)簡(jiǎn)單處理, 等權(quán)

25. relDegree = rep(NA, nc)

26. for (i in 1:nc) {

27. relDegree[i] = mean(relations[,i]) ?# 等權(quán)

28. }

29. 


30. 


31. #排序: 按關(guān)聯(lián)度大到小#

32. X_order = X[order(relDegree,

33. relDes = rep(NA, nc) #分配空間 ?關(guān)聯(lián)關(guān)系描述(說明誰和誰的關(guān)聯(lián)度)

34. X_names = names(X_o

35. names(relationalDegree) = relDes

36. 


37. 


38. if (cluster) {

39. 


40. greyRelDegree = GRA(economyC

41. 


42. 


43. # 得到差異率矩陣 #

44. grey_diff = matrix(0

45. 


46. grey_diff[i,j] = abs(rel

47. #得到距離矩陣#

48. grey_dist = matrix(0, nrow

49. iff[i,j]+grey_diff[j,i]

50. }

51. }

52. 


53. # 得到灰色相關(guān)系數(shù)矩陣 #

54. grey_dist_max = max(grey_dist)

55. grey_correl = matrix(0, nrow = nc, ncol = nc)

56. for (i in 1:nc) {

57. for (j in 1:nc) {

58. grey_correl[i,j] = 1 - grey_dist[i,j] / grey_dist_max

59. }

60. }

61. 


62. 


63. 


64. d = as.dist(1-grey_correl) ?# 得到無對(duì)角線的下三角矩陣(數(shù)值意義反向了, 值越小表示越相關(guān) )

65. # 主對(duì)角線其實(shí)表示了各個(gè)對(duì)象的相近程度, 畫圖的時(shí)候, 相近的對(duì)象放在一起

66. 


67. hc = hclust(d, method = clusterMethod) ?# 系統(tǒng)聚類(分層聚類)函數(shù), single: 單一連接(最短距離法/最近鄰)

68. # hc$height, 是上面矩陣的對(duì)角元素升序

69. # hc$order, 層次樹圖上橫軸個(gè)體序號(hào)

70. plot(hc,hang=-1) ?#hang: 設(shè)置標(biāo)簽懸掛位置

71. 


72. }

73. 


74. #輸出#

75. 


76. if (cluster) ?{

77. lst = list(relationalDegree=relationalDegree,

78. 


79. return(lst)

80. 


81. }

82. ```

86. ```{r}

87. ## 生成數(shù)據(jù)

88. rownames(economyCompare) = c("indGV", "indVA", "profit", "incomeTax")

89. ## 灰色關(guān)聯(lián)度

90. greyRelDegree = greya(economyCompare)

91. greyRelDegree

92. ```

93. 


94. 


95. 


灰色關(guān)聯(lián)度?

?

灰色聚類，如層次聚類?

1. 


2. ## 灰色聚類

3. 


4. greya(economyCompare, cluster = T)

5. 


?

?

最受歡迎的見解

1.R語言k-Shape算法股票價(jià)格時(shí)間序列聚類

2.R語言中不同類型的聚類方法比較

3.R語言對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類建模和GAM回歸

4.r語言鳶尾花iris數(shù)據(jù)集的層次聚類

5.Python Monte Carlo K-Means聚類實(shí)戰(zhàn)

6.用R進(jìn)行網(wǎng)站評(píng)論文本挖掘聚類

7.用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)

8.R語言對(duì)MNIST數(shù)據(jù)集分析 探索手寫數(shù)字分類數(shù)據(jù)

9.R語言基于Keras的小數(shù)據(jù)集深度學(xué)習(xí)圖像分類

?