Matlab 提供系列函数用于聚类分析，归纳起来具体方法有如下：
方法一：直接聚类，利用 clus te rdata 函数对样本数据进行一次聚类，其缺点为可供用户选择的面较窄，不能更改距离的计算方法，该方法的使用者无需了解聚类的原理和过程，但是聚类效果受限制。
方法二：层次聚类，该方法较为灵活，需要进行细节了解聚类原理，具体需要进行如下过程处理：（ 1 ）找到数据集合中变量两两之间的相似性和非相似性，用 pdist 函数计算变量之间的距离；（ 2 ）用 linkage 函数定义变量之间的连接；（ 3 ）用 cophene TI c 函数评价聚类信息；（ 4 ）用 cluster 函数创建聚类。
方法三：划分聚类，包括K均值聚类和K中心聚类，同样需要系列步骤完成该过程，要求使用者对聚类原理和过程有较清晰的认识。
接下来，介绍Matlab中的相关函数和相关聚类方法。
1 ． Matlab 中相关函数介绍
1.1 pdist 函数
调用格式： Y=pdist(X,& rs quo;metric& rs quo;)
说明：用 ‘metric’ 指定的方法计算 X 数据矩阵中对象之间的距离。 ’
X ：一个 m & TI mes; n 的矩阵，它是由 m 个对象组成的数据集，每个对象的大小为 n 。
metric’ 取值如下：
‘euclidean’ ：欧氏距离（默认）； ‘seuclidean’ ：标准化欧氏距离；
‘mahalanobis’ ：马氏距离； ‘cityblock’ ：布洛克距离；
‘minkowski’ ：明可夫斯基距离； ‘cosine’ ：
‘correla TI on’ ： ‘hamming’ ：
‘jaccard’ ： ‘chebychev’ ： Chebychev 距离。
1.2 squareform 函数
调用格式： Z=squareform(Y,..)
说明： 强制将距离矩阵从上三角形式转化为方阵形式，或从方阵形式转化为上三角形式。
1.3 linkage 函数
调用格式： Z=linkage(Y,’method’)
说 明：用‘ method ’参数指定的算法计算系统聚类树。
Y ： pdist 函数返回的距离向量；
method ：可取值如下：
‘single’ ：最短距离法（默认）； ‘complete’ ：最长距离法；
‘ average ’：未加权平均距离法； ‘ weighted ’： 加权平均法；
‘centroid’ ：质心距离法； ‘median’ ：加权质心距离法；
‘ward’ ：内平方距离法（最小方差算法）
返回： Z 为一个包含聚类树信息的（ m-1 ）& TI mes; 3 的矩阵。
1.4 dendrogram 函数
调用格式： [H ， T ， …]=dendrogram(Z,p ， …)
说明：生成只有顶部 p 个节点的冰柱图（谱系图）。
1.5 cophenet 函数
调用格式： c=cophenetic(Z,Y)
说明：利用 pdist 函数生成的 Y 和 linkage 函数生成的 Z 计算 cophenet 相关系数。
1.6 cluster 函数
调用格式： T=cluster(Z,…)
说明：根据 linkage 函数的输出 Z 创建分类。
1.7 clusterdata 函数
调用格式： T=clusterdata(X,…)
说明：根据数据创建分类。
T=clusterdata(X,cutoff) 与下面的一组命令等价：
Y=pdist(X,’euclid’);
Z=linkage(Y,’single’);
T=cluster(Z,cutoff);
2. Matlab聚类 程序的设计
2.1 方法一： 一次聚类法
X=[11978 12.5 93.5 31908;…;57500 67.6 238.0 15900];
T=clusterdata(X,0.9)
2.2 方法二和方法三设计流程： 分步聚类
Step1 寻找变量之间的相似性
用 pdist 函数计算相似矩阵，有多种方法可以计算距离，进行计算之前最好先将数据用 zscore 函数进行标准化。
X2=zscore(X); % 标准化数据
Y2=pdist(X2); % 计算距离
Step2 定义变量之间的连接
Z2=linkage(Y2);
Step3 评价聚类信息
C2=cophenet(Z2,Y2); //0.94698
Step4 创建聚类，并作出谱系图
