Hierarchical-Clustering总结

层次聚类，基于指定的相似度或距离定义计算出类之间距离，再进行聚类

距离算法很多，得看是否适用于生态学

下面链接对多种距离的解释

https://blog.csdn.net/enyayang/article/details/101537751

样本间距离是指样本之间的相似程度，可以通过数学方法估算。样本间越相似，距离数值越小,除了欧氏距离，还有Jaccard、bray-curtis、Unifrac等方法，Unifrac是基于物种之间的进化关系（需要OTU的进化树），分为两种：一种是Unweighted，只考虑物种的有无；一种是weighted方法，考虑的是物种丰度的变化。这些距离算法主要分为两大类别：OTU间是否关联（考虑进化关系）；OTU是否加权（丰度）。

Bray-curtis，unifrac，weighted unifrac,jaccard计算方法比较

 bray-curtis 考虑物种有无和物种丰度

Jaccard 只考虑物种有无

weighted Unifrac 考虑物种有无，物种丰度，OTU间是否关联，考虑进化关系

Unweighted Unifrac 考虑物种的有无，OTU间是否关联，考虑进化关系

门之间无法构造系统发育树。。。门 范围太大了，代表序列不好选

种水平和OTU水平倒是可以考虑一下

 

 

http://blog.sciencenet.cn/blog-651374-988817.html

#（1）聚类方法"centroid" 相对应使用的距离为平方欧式距离 squared Euclidean distances.   如：hc1ust.centroid <- hclust(dist(cent)^2, method = "cen")

#（2）聚类方法"ward.D2" 相对应使用的距离为欧式距离 "Euclidean" distances.

#（3）聚类方法"average"(=UPGMA) 相对应使用的距离为 "bray"(=Bray-Curtis) distances.