【Paper Note】基于聚类算法的我国临终关怀现状分析

摘要

随着老龄化 会快速来临，临终关怀已成为医疗、养老等民生领域增长迅速的新需求。临终关怀是现代 会对工具理性和现代性反思的产物，也是 会成熟与文明的标志。在发达国家，由志愿者、全科医生、宗教人士等构成的临终关怀体系非常成熟。而在我国 会流动加剧的当下， 会化的临终关怀建设亟待关注。于是，笔者所在团队通过互联 的媒介，进行 络调研，通过统计分析软件对调研数据进行整合分析，扫描我国临终关怀发展的现状。

临终关怀及调研目的

临终关怀，指的是对没有治愈希望的患者进行的积极又全面的医学人文照顾，它需要控制疼痛及其他症状、解决心理和精神问题，以提高患者生活品质，达到最好的生活状态。
近年来，临终关怀在国内一二线城市发展势头良好，已经在北京、上海、南京、沈阳等地陆续建立专门的临终关 怀机构。本次调研的目的便是希望通过对国内多个城市进行临终关怀理念调查，了解临终关怀在国内的各个省市的发展情况，医护工作人员是临终关怀理念的传播者和践行者，因此，我们一医护工作人员为调研对象进行调查研究，再将调研数据应用统计分析软件R进行建模分析，应用聚类算法，将省市临终关怀现状进行聚类分析，以此探求我国临终关怀现状。

聚类分析方法分析我国省份的临终关怀现状

聚类算法定义

聚类分析（cluster analysis）是对样品或变量进行分类的一种多元统计方法，目的在于将相似的事物归类。通常分类一般限于单个度量，分类标准主要是由主观偏好决定的，但有时样品很多，分类无法可依，很难确定应该选择哪个度量作为分组的依据，这时聚类分析便成为一种选择。常用的聚类算法有层次聚类法和k-means聚类法。本次调研分析采取k-means聚类算法对调研结果进行聚类分析。

 k-means聚类算法原理

k-means算法的输入对象是d维向量空间的一些点，算法执行过程中，会进行不断的迭代，属于一种动态聚类方法，每次都要考察对每个样本点的分类正确与否，如果不正确，就要进行调整，是一种无监督的机器学习算法。
k-means算法的基本过程如下：
k-means算法                                                 
输入：数据集D，聚簇数K                             
输出：聚簇代表集合C，聚簇成员向量m       
/*初始化聚簇代表C*/
从数据集D中随机挑选k个数据点
使用这k个数据点构成初始聚簇代表集合C
repeat
/*再分数据*/
将D中的没个数据点重新分配至与之最近的聚簇均值
更新m（）
/*重定均值*/
更新Ｃ（表示第j个聚簇均值）
until 目标函数收敛                                          
由上表可知，聚类算法实际上是通过计算不同样本点之间的距离来确定样本点之间的关系的，样本点的不同属性值是不同的，如果直接将属性值代入计算，不同属性之间值得大小差异则会直接影响聚类结果，因此需进行数据标准化，再通过聚类算法，实现样本点组间相似度最大，组间相异度最大。

算法实现及可视化展现

在k-means算法中，k值得确定有为重要，如果事先无法知道理想的k值，人们一般会尝试取多个不同k值来进行算法计算，然后选 出一个最佳取值，在R语言中，可以应用rinds函数求得最佳聚簇的值，然后根据工作流程执行算法。
应用kmeans算法，对数据进行聚类建模，如下图：

如上图展示，不同的聚类数目得到不同结果，使用rinds函数求得最佳聚类数目为4，现将三种分类以表格形式给出：

总结与说明

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览33912 人正在系统学习中