小麥遺傳術(shù)語解答

1、聚類分析遵血科技名詞定義中文名稱:聚類分析英文名稱:cluster an alysis定義1:按照某種距離算法對數(shù)據(jù)點(diǎn)分類。所屬學(xué)科:地理學(xué)（一級學(xué)科）；數(shù)量地理學(xué)（二級學(xué)科）定義2:把觀測或變量按一定規(guī)則分成組或類的數(shù)學(xué)分析方法。所屬學(xué)科:生態(tài)學(xué)（一級學(xué)科）；數(shù)學(xué)生態(tài)學(xué)（二級學(xué)科） 本內(nèi)容由全國科學(xué)技術(shù)名詞審定委員會 審定公布百科名片聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分 析過程。它是一種重要的人類行為。聚類分析的目標(biāo)就是在相似的基礎(chǔ)上收集數(shù) 據(jù)來分類。聚類源于很多領(lǐng)域，包括數(shù)學(xué)，計算機(jī)科學(xué)，統(tǒng)計學(xué)，生物學(xué)和經(jīng)濟(jì) 學(xué)。在不同的應(yīng)用領(lǐng)域，很多聚類技術(shù)都得到了發(fā)展，

2、這些技術(shù)方法被用作描述 數(shù)據(jù)，衡量不同數(shù)據(jù)源間的相似性，以及把數(shù)據(jù)源分類到不同的簇中。目錄概念聚類分析的定義二、判別分析模型三、有關(guān)統(tǒng)計量四、兩組判別一、因子分析模型（FA）二、有關(guān)統(tǒng)計量三、FA步驟概念聚類分析的定義二、判別分析模型三、有關(guān)統(tǒng)計量四、兩組判別一、因子分析模型（FA）二、有關(guān)統(tǒng)計量三、FA步驟主要應(yīng)用主要步驟聚類分析算法展開 團(tuán)編輯本段概念聚類與分類的不同在于，聚類所要求劃分的類是未知的。聚類是將數(shù)據(jù)分類到不同的類或者簇這樣的一個過程，所以同一個簇 中的對象有很大的相似性，而不同簇間的對象有很大的相異性。從統(tǒng)計學(xué)的觀點(diǎn)看，聚類分析是通過數(shù)據(jù)建模 簡化數(shù)據(jù)的一種方法。系統(tǒng)聚類 法

3、、分解法、加入法、動態(tài)聚類法、k-均值、k-中心點(diǎn)等算法軟件包中，女口 SPSS SAS傳統(tǒng)的統(tǒng)計聚類分析方法包括 有序樣品聚類、有重疊聚類和模糊聚類等。采用 的聚類分析工具已被加入到許多著名的統(tǒng)計分析 等。從機(jī)器學(xué)習(xí)的角度講，簇相當(dāng)于隱藏模式。聚類是搜索簇的無監(jiān)督學(xué) 習(xí)過程。與分類不同，無監(jiān)督學(xué)習(xí)不依賴預(yù)先定義的類或帶類標(biāo)記的訓(xùn)練 實(shí)例，需要由聚類學(xué)習(xí)算法自動確定標(biāo)記，而分類學(xué)習(xí)的實(shí)例或數(shù)據(jù)對象有類別標(biāo)記。聚類是觀察式學(xué)習(xí)，而不是示例式的學(xué)習(xí)。從實(shí)際應(yīng)用的角度看，聚類分析是數(shù)據(jù)挖掘的主要任務(wù)之一。而且聚 類能夠作為一個獨(dú)立的工具獲得數(shù)據(jù)的分布狀況，觀察每一簇數(shù)據(jù)的特征， 集中對特定的聚簇集合

4、作進(jìn)一步地分析。聚類分析還可以作為其他算法（如分類和定性歸納算法）的預(yù)處理步驟。編輯本段 聚類分析的定義依據(jù)研究對象（樣品或指標(biāo)）的特征，對其進(jìn)行分類的方法，減少研 究對象的數(shù)目。各類事物缺乏可靠的歷史資料，無法確定共有多少類別，目的是將性 質(zhì)相近事物歸入一類。各指標(biāo)之間具有一定的相關(guān)關(guān)系。聚類分析(cluster analysis)是一組將研究對象分為相對同質(zhì)的群組(clusters)的統(tǒng)計分析技術(shù)。聚類分析也叫分類分析(classificatio nanalysis)或數(shù)值分類(numerical taxonomy)變量類型：定類變量、定量(離散和連續(xù))變量 聚類方法層次聚類(Hierar

5、chical Clustering 合并法分解法 樹狀圖 非層次聚類K 均值聚類法(K-mea ns Clusteri ng 智能聚類法聚類分析的有關(guān)統(tǒng)計量 聚合過程表 群重心 群中心 群間距離 分層聚類分析的步驟 定義問題與選擇分類變量 聚類方法 確定群組數(shù)目 聚類結(jié)果評估快速樣品聚類)過程結(jié)果的描述、解釋K-mea ns Cluster(屬于非層次聚類法的一種 方法原理選擇(或人為指定)某些記錄作為凝聚點(diǎn) 按就近原則將其余記錄向凝聚點(diǎn)凝集 計算出各個初始分類的中心位置(均值) 用計算出的中心位置重新進(jìn)行聚類 如此反復(fù)循環(huán)，直到凝聚點(diǎn)位置收斂為止 K-mea ns Cluster 過程 方法

6、特點(diǎn) 要求已知類別數(shù) 可人為指定初始位置 節(jié)省運(yùn)算時間樣本量大于100時有必要考慮 只能使用連續(xù)性變量K均值聚類法分析步驟定義問題確定群組數(shù)目 結(jié)果的描述、解釋TwoStep Cluster 過程特點(diǎn)：處理對象：分類變量和連續(xù)變量自動決定最佳分類數(shù)快速處理大數(shù)據(jù)集前提假設(shè)：變量間彼此獨(dú)立分類變量服從多項(xiàng)分布，連續(xù)變量服從正態(tài)分布 模型穩(wěn)健算法原理:第一步：逐個掃描樣本，每個樣本依據(jù)其與已掃描過的樣本的距離， 被歸為以前的類，或生成一個新類第二步，對第一步中各類依據(jù)類間距離進(jìn)行合并，按一定的標(biāo)準(zhǔn)，停 止合并判別分析 Discrim inant An alysis介紹：判別分析分類學(xué)是人類認(rèn)識世界

7、的基礎(chǔ)科學(xué)。聚類分析和判別分析是研究事物 分類的基本方法，廣泛地應(yīng)用于自然科學(xué)、社會科學(xué)、工農(nóng)業(yè)生產(chǎn)的各個 領(lǐng)域。判別分析DA概述DA模型DA有關(guān)的統(tǒng)計量兩組DA案例分析判別分析判別分析是根據(jù)表明事物特點(diǎn)的變量值和它們所屬的類，求出判別函 數(shù)。根據(jù)判別函數(shù)對未知所屬類別的事物進(jìn)行分類的一種分析方法。核心 是考察類別之間的差異。判別分析不同：判別分析和聚類分析不同的在于判別分析要求已知一系列反映 事物特征的數(shù)值變量的值，并且已知各個體的分類。DA適用于定類變量（因）、任意變量（自）兩類：一個判別函數(shù)； 多組：一個以上判別函數(shù)DA目的建立判別函數(shù)檢查不同組之間在有關(guān)預(yù)測變量方面是否有顯著差異 決定

8、哪個預(yù)測變量對組間差異的貢獻(xiàn)最大根據(jù)預(yù)測變量對個體進(jìn)行分類編輯本段二、判別分析模型要先建立判別函數(shù) Y=a1x1+a2x2+.anxn ，其中：丫為判別分?jǐn)?shù)(判別 值)，x1 x2.xn為反映研究對象特征的變量，a1 a2.an 為系數(shù) 編輯本段三、有關(guān)統(tǒng)計量典型相關(guān)系數(shù)Z Wilk's特征值(0, 1) = SSw/SSt for X組重心分類矩陣 編輯本段四、兩組判別定義問題估計DA函數(shù)系數(shù)確定DA函數(shù)的顯著性解釋結(jié)果評估有效性定義問題判別分析的第一步第二步就是將樣本分為：分析樣本驗(yàn)證樣本估算判別函數(shù)系數(shù)直接法(direct method )就是同時用所有的預(yù)測變量估計判別函數(shù),

9、此時每個自變量都包括在內(nèi)，而不考慮其判別能力。這種方法適用于前期 研究或理論模型顯示應(yīng)包括哪些自變量的情況。)，預(yù)測變量依據(jù)逐步判別分析( ste pwise discrim inant an alysis其對組別的判別能力被逐步引入。確定顯著性零假設(shè)：總體中各組所有判別函數(shù)的均值相等。特征值典型相關(guān)系數(shù)(0, 1)轉(zhuǎn)換成卡方值檢驗(yàn)A Wilk s見 travel.spo解釋結(jié)果系數(shù)的符號無關(guān)緊要，但能夠表示每個變量對判別函數(shù)值的影響，以 及與特定組的聯(lián)系。我們可以通過標(biāo)準(zhǔn)化判別函數(shù)系數(shù)的絕對值初步判斷變量的相對重要 性。通過考察結(jié)構(gòu)相關(guān)系數(shù)，也可以對預(yù)測變量的相對重要性進(jìn)行判斷。 組重心評估

10、判別分析的有效性根據(jù)分析樣本估計出的判別權(quán)數(shù)，乘以保留樣本中的預(yù)測變量值，就 得出保留樣本中每個樣本的判別分?？梢愿鶕?jù)判別分及適當(dāng)?shù)囊?guī)則劃分為不同的組別。命中率(hit ratio)或稱樣本正確分類概率，就是分類矩陣對角線元素之和與總樣本數(shù)的比例。比較樣本正確分類百分比與隨機(jī)正確分類百分比。因子分析Factor An alysis因子分析因子分析模型因子分析有關(guān)統(tǒng)計量因子分析步驟案例分析 編輯本段一、因子分析模型(FA)基本思想因子分析模型FA的基本思想“因子分析”于 1931年由Thurstone提出，概念起源于Pearson和Spearmen的統(tǒng)計分析FA用少數(shù)幾個因子來描述多個變量之間的

11、關(guān)系，相關(guān)性較高的變量歸于同一個因子；FA利用潛在變量或本質(zhì)因子(基本特征)去解釋可觀測變量FA模型X仁a11F1+a12F2+a1pFp+v1X2=a21F1+a22F2+a2pFp+v2 X= AF+V Xi=ai1F1+ai2F2+ +ai pFp+viXm=a p1F1+a p2F2+ +ampF m+vmXi 第i個標(biāo)準(zhǔn)化變量aip 第i個變量對第p個公因子的標(biāo)準(zhǔn)回歸系數(shù) F 公因子Vi 特殊因子公因子模型F仁W11X1+W12X2+ +W1mXmF2=W21X1+W22X2+ +W2mXmFi=Wi1X1+Wi2X2+ +WimXmFp=Wp1X1+Wp2X2+ +WpmXmWi

12、權(quán)重，因子得分系數(shù)Fi 第i個因子的估計值（因子得分） 編輯本段二、有關(guān)統(tǒng)計量Bartlett 氏球體檢驗(yàn)：各變量之間彼此獨(dú)立 KMO值：FA合適性因子負(fù)荷：相關(guān)系數(shù) 因子負(fù)荷矩陣 公因子方差（共同度） 特征值方差百分比（方差貢獻(xiàn)率） 累計方差貢獻(xiàn)率 因子負(fù)荷圖碎石圖編輯本段 三、FA步驟定義問題檢驗(yàn)FA方法的適用性 確定因子分析方法因子旋轉(zhuǎn) 解釋因子 計算因子得分 注意事項(xiàng) 樣本量不能太小 變量相關(guān)性公因子有實(shí)際意義 編輯本段主要應(yīng)用 在商業(yè)上聚類分析被用來發(fā)現(xiàn)不同的客戶群，并且通過購買模式刻畫不同的客 戶群的特征。聚類分析是細(xì)分市場的有效工具，同時也可用于研究消費(fèi)者行為，尋 找新的潛在市場

13、、選擇實(shí)驗(yàn)的市場，并作為多元分析的預(yù)處理。在生物上聚類分析被用來動植物分類和對基因進(jìn)行分類，獲取對種群固有結(jié)構(gòu) 的認(rèn)識 在地理上聚類能夠幫助在地球中被觀察的數(shù)據(jù)庫商趨于的相似性 在保險行業(yè)上聚類分析通過一個高的平均消費(fèi)來鑒定汽車保險單持有者的分組，同 時根據(jù)住宅類型，價值，地理位置來鑒定一個城市的房產(chǎn)分組 在因特網(wǎng)應(yīng)用上聚類分析被用來在網(wǎng)上進(jìn)行文檔歸類來修復(fù)信息 在電子商務(wù)上聚類分析在電子商務(wù)中網(wǎng)站建設(shè)數(shù)據(jù)挖掘中也是很重要的一個方面， 通過分組聚類出具有相似瀏覽行為的客戶，并分析客戶的共同特征，可以 更好的幫助電子商務(wù)的用戶了解自己的客戶，向客戶提供更合適的服務(wù)。編輯本段_主要步驟1.2.3.

14、4.數(shù)據(jù)預(yù)處理，為衡量數(shù)據(jù)點(diǎn)間的相似度定義一個距離函數(shù), 聚類或分組，評估輸出。數(shù)據(jù)預(yù)處理包括選擇數(shù)量，類型和特征的標(biāo)度，它依靠特征選擇和特 征抽取，特征選擇選擇重要的特征，特征抽取把輸入的特征轉(zhuǎn)化為一個新 的顯著特征，它們經(jīng)常被用來獲取一個合適的特征集來為避免“維數(shù)災(zāi)” 進(jìn)行聚類，數(shù)據(jù)預(yù)處理還包括將孤立點(diǎn)移出數(shù)據(jù)，孤立點(diǎn)是不依附于一般 數(shù)據(jù)行為或模型的數(shù)據(jù)，因此孤立點(diǎn)經(jīng)常會導(dǎo)致有偏差的聚類結(jié)果，因此 為了得到正確的聚類，我們必須將它們剔除。既然相類似性是定義一個類的基礎(chǔ)，那么不同數(shù)據(jù)之間在同一個特征 空間相似度的衡量對于聚類步驟是很重要的，由于特征類型和特征標(biāo)度的 多樣性，距離度量必須謹(jǐn)慎，

15、它經(jīng)常依賴于應(yīng)用，例如，通常通過定義在 特征空間的距離度量來評估不同對象的相異性，很多距離度都應(yīng)用在一些 不同的領(lǐng)域，一個簡單的距離度量，如Euclidean距離，經(jīng)常被用作反映不同數(shù)據(jù)間的相異性，一些有關(guān)相似性的度量，例如PMC和SMC能夠被用來特征化不同數(shù)據(jù)的概念相似性，在圖像聚類上，子圖圖像的誤差更正能 夠被用來衡量兩個圖形的相似性。將數(shù)據(jù)對象分到不同的類中是一個很重要的步驟，數(shù)據(jù)基于不同的方 法被分到不同的類中，劃分方法和層次方法是聚類分析的兩個主要方法， 劃分方法一般從初始劃分和最優(yōu)化一個聚類標(biāo)準(zhǔn)開始。Crisp Clusteri ng它的每一個數(shù)據(jù)都屬于單獨(dú)的類；Fuzzy Clu

16、steri ng，它的每個數(shù)據(jù)可能在任何一個類中，CrisP Clustering和Fuzzy Clusterin是劃分方法的兩個主要技術(shù)，劃分方法聚類是基于某個標(biāo)準(zhǔn)產(chǎn)生一個嵌套的劃分系列，它 可以度量不同類之間的相似性或一個類的可分離性用來合并和分裂類，其 他的聚類方法還包括基于密度的聚類，基于模型的聚類，基于網(wǎng)格的聚類。評估聚類結(jié)果的質(zhì)量是另一個重要的階段，聚類是一個無管理的程序， 也沒有客觀的標(biāo)準(zhǔn)來評價聚類結(jié)果，它是通過一個類有效索引來評價，一 般來說，幾何性質(zhì)，包括類間的分離和類內(nèi)部的耦合，一般都用來評價聚 類結(jié)果的質(zhì)量，類有效索引在決定類的數(shù)目時經(jīng)常扮演了一個重要角色， 類有效索引的

17、最佳值被期望從真實(shí)的類數(shù)目中獲取，一個通常的決定類數(shù) 目的方法是選擇一個特定的類有效索引的最佳值，這個索引能否真實(shí)的得 出類的數(shù)目是判斷該索引是否有效的標(biāo)準(zhǔn)，很多已經(jīng)存在的標(biāo)準(zhǔn)對于相互 分離的類數(shù)據(jù)集合都能得出很好的結(jié)果，但是對于復(fù)雜的數(shù)據(jù)集，卻通常 行不通，例如，對于交疊類的集合。編輯本段聚類分析算法聚類分析是數(shù)據(jù)挖掘中的一個很活躍的研究領(lǐng)域，并提出了許多聚類算法。傳統(tǒng)的聚類算法可以被分為五類：劃分方法、層次方法、基于密度 方法、基于網(wǎng)格方法和基于 模型方法。1劃分方法(PAM:PArtitioningmethod) 首先創(chuàng)建 k個劃分，k為要創(chuàng)建的劃分個數(shù)；然后利用一個循環(huán)定位技術(shù)通過將對

18、象從一個劃分移到另 一個劃分來幫助改善劃分質(zhì)量。典型的劃分方法包括：k-mea ns,k-medoids,CLARA(Clusten ng LARge App licati on),CLARANS(Clusteri ng Large App licati on based upon RANdomized Search).FCM2層次方法(hierarchical method)創(chuàng)建一個層次以分解給定的數(shù)據(jù)集。該方法可以分為自上而下(分解)和自下而上(合并)兩種操作方式。 為彌補(bǔ)分解與合并的不足，層次合并經(jīng)常要與其它聚類方法相結(jié)合，如循環(huán)定位。典型的這類方法包括：BIRCH(Bala need

19、Iterative Reduci ng and Clusteri ng usingHierarchies) 方法，它首先利用樹的結(jié)構(gòu)對對象集進(jìn)行劃分；然后再利用 其它聚類方法對這些聚類進(jìn)行優(yōu)化。CURE(Clusteri ng Usi ng REp rise ntatives)方法，它利用固定數(shù)目代表對象來表示相應(yīng)聚類；然后對各聚類按照指定量(向聚類中心)進(jìn)行收 縮。ROC防法，它利用聚類間的連接進(jìn)行聚類合并。 CHEMALOE方法，它則是在層次聚類時構(gòu)造動態(tài)模型。3基于密度的方法，根據(jù)密度完成對象的聚類。它根據(jù)對象周圍的密 度(如DBSCAN不斷增長聚類。典型的基于密度方法包括：DBSCAN

20、(De nsit-based Sp atial Clusteri ng of AppI icatio n withNoise):該算法通過不斷生長足夠高密度區(qū)域來進(jìn)行聚類；它能從含有噪聲 的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。此方法將一個聚類定義為一組“密 度連接”的點(diǎn)集。OP TICSQrderi ng Points To Ide ntify the Clusteri ng Structure):并不明確產(chǎn)生一個聚類，而是為自動交互的聚類分析計算出一個增強(qiáng)聚類 順序。網(wǎng)格結(jié)4基于網(wǎng)格的方法，首先將對象空間劃分為有限個單元以構(gòu)成 構(gòu)；然后利用網(wǎng)格結(jié)構(gòu)完成聚類。就是一個利用網(wǎng)格單元保存STING(S

21、Tatistical INformation Grid)的統(tǒng)計信息進(jìn)行基于網(wǎng)格聚類的方法。CLIQUE(Clustering In QUEst) 和 Wave-Cluster 則是一個將基于網(wǎng)格 與基于密度相結(jié)合的方法。5基于模型的方法，它假設(shè)每個聚類的模型并發(fā)現(xiàn)適合相應(yīng)模型的數(shù) 據(jù)。典型的基于模型方法包括：統(tǒng)計方法COBWEBS一個常用的且簡單的增量式概念聚類方法。它的輸入對象是采用符號量（屬性 -值）對來加以描述的。采用分類樹的形式來創(chuàng) 建一個層次聚類。CLASSIT是COBWE的另一個版本.。它可以對連續(xù)取值屬性進(jìn)行增量式聚類。它為每個結(jié)點(diǎn)中的每個屬性保存相應(yīng)的連續(xù)正態(tài)分布（均值與方差）

22、；并利用一個改進(jìn)的分類能力描述方法，即不象COBWE那樣計算離散屬性（取值）和而是對連續(xù)屬性求積分。但是CLASSIT方法也存在與 COBWE類似的問題。因此它們都不適合對大數(shù)據(jù)庫進(jìn)行聚類處理.傳統(tǒng)的聚類算法已經(jīng)比較成功的解決了低維數(shù)據(jù)的聚類問題。但是由 于實(shí)際應(yīng)用 中數(shù)據(jù)的復(fù)雜性，在處理許多問題時，現(xiàn)有的算法經(jīng)常失效, 特別是對于高維數(shù)據(jù)和大型數(shù)據(jù)的情況。因?yàn)閭鹘y(tǒng)聚類方法在高維數(shù)據(jù)集 中進(jìn)行聚類時，主要遇到兩個問題。高維數(shù)據(jù)集中存在大量無關(guān)的屬性 使得在所有維中存在簇的可能性幾乎為零；高維空間中數(shù)據(jù)較低維空間 中數(shù)據(jù)分布要稀疏，其中數(shù)據(jù)間距離幾乎相等是普遍現(xiàn)象，而傳統(tǒng)聚類方 法是基于距離進(jìn)行

23、聚類的，因此在高維空間中無法基于距離來構(gòu)建簇。高維聚類分析 已成為聚類分析的一個重要研究方向。同時高維數(shù)據(jù)聚 類也是聚類技術(shù)的難點(diǎn)。隨著技術(shù)的進(jìn)步使得數(shù)據(jù)收集變得越來越容易,導(dǎo)致數(shù)據(jù)庫規(guī)模越來越大、復(fù)雜性越來越高，如各種類型的貿(mào)易交易數(shù)據(jù)、 Web文檔、基因表達(dá)數(shù)據(jù)等，它們的維度（屬性）通常可以達(dá)到成百上千 維，甚至更高。但是，受“維度效應(yīng)”的影響，許多在低維.數(shù)據(jù)空間表現(xiàn)良好的聚類方法運(yùn)用在高維空間上往往無法獲得好的聚類效果。高維數(shù)據(jù) 聚類分析是聚類分析中一個非?；钴S的領(lǐng)域，同時它也是一個具有挑戰(zhàn)性 的工作。目前，高維數(shù)據(jù)聚類分析在市場分析、信息安全、金融、娛樂、 反恐等方面都有很廣泛的應(yīng)用

24、。遺傳距離21創(chuàng)科技名詞定義中文名稱:遺傳距離英文名稱:gen etic dista nee定義1:通過遺傳標(biāo)記對種群或分類單元間遺傳相似性和進(jìn)化關(guān)系的測度。所屬學(xué)科:生態(tài)學(xué)（一級學(xué)科）；分子生態(tài)學(xué)（二級學(xué)科）定義2 :一種用來估算兩個個體或群體之間基因差異的度量。所屬學(xué)科:遺傳學(xué)（一級學(xué)科）；群體、數(shù)量遺傳學(xué)（二級學(xué)科） 本內(nèi)容由全國科學(xué)技術(shù)名詞審定委員會 審定公布1910年，Morgen TH提出假設(shè)：假定沿染色體長度上交換的發(fā)生具有 同等的幾率，那么兩個基因位點(diǎn)間的距離可以決定減數(shù)分裂過程中發(fā)生重 組染色體的發(fā)生率，即重組分?jǐn)?shù)。重組分?jǐn)?shù)的數(shù)值將隨著兩位點(diǎn)間距離的 增大而增大。它是構(gòu)建物理

25、遺傳圖譜的基礎(chǔ)，也是利用連鎖分析將基因序 列從染色體上搜尋出來的位置克隆法的基礎(chǔ)。人們規(guī)定同一染色體上兩個 位點(diǎn)間在一百次減數(shù)分裂發(fā)生一次重組的機(jī)會時，即Q=1/100時定義兩位點(diǎn)間的相對距離為一個cM（ce ntimorga n）。人類基因組平均遺傳長度為map）。3300CM,而DNA的平均的物理長度為 30億對。染色體上各基因之間的交 換率，即發(fā)生交換的百分比，是不同的。基因之間的距離不同，兩個基因 靠的越近，其間染色體交叉的機(jī)會就越少，因而基因的交換率越小，反之， 交換率就越大?；虻慕粨Q率反映了兩基因之間的相對距離。根據(jù)基因在 染色體上有直線排列的規(guī)律，把每條染色體上的基因排列順序（連鎖群） 制成圖稱為遺傳學(xué)圖（genetic map），亦稱基因連鎖圖（gene-linkage編輯本段潰傳距離定義衡量品種間若干性狀綜合遺傳差異