聚类方法用于识别从营销，生物医学和地理空间等领域收集的多变量数据集中的相似对象。它们是不同类型的聚类方法，包括：
划分方法
分层聚类
模糊聚类
基于密度的聚类
基于模型的聚类
数据准备
演示数据集：名为USArrest的内置R数据集
删除丢失的数据
缩放变量以使它们具有可比性
# Load and prepare the data my_data <- USArrests %>% na.omit() %>% # Remove missing values (NA) scale() # Scale variables # View the firt 3 rows head(my_data, n = 3)
## Murder Assault UrbanPop Rape ## Alabama 1.2426 0.783 -0.521 -0.00342 ## Alaska 0.5079 1.107 -1.212 2.48420 ## Arizona 0.0716 1.479 0.999 1.04288
need-to-insert-img
距离
get_dist()：用于计算数据矩阵的行之间的距离矩阵。与标准dist()功能相比，它支持基于相关的距离测量，包括“皮尔逊”，“肯德尔”和“斯皮尔曼”方法。
fviz_dist()：用于可视化距离矩阵
res.dist <- get_dist(U gradient = list(low = "#00AFBB", mid = "white", high = "#FC4E07"))
need-to-insert-img
划分聚类
、算法是将数据集细分为一组k个组的聚类技术，其中k是分析人员预先指定的组的数量。
k-means聚类的替代方案是K-medoids聚类或PAM（Partitioning Around Medoids，Kaufman和Rousseeuw，1990），与k-means相比，它对异常值不太敏感。
以下R代码显示如何确定最佳簇数以及如何在R中计算k-means和PAM聚类。
fviz_nbclust(my_data, kmeans, method = "gap_stat")
need-to-insert-img
set.seed(123) # Visualize fviz_cluster(km.res, data = my_data, ellipse.type = "convex", palette = "jco", ggtheme = theme_minimal())
need-to-insert-img
# Compute PAM pam.res <- pam(my_data, 3) # Visualize fviz_cluster(pam.res)
分层聚类
分层聚类是一种分区聚类的替代方法，用于识别数据集中的组。它不需要预先指定要生成的簇的数量。
# Compute hierarchical clustering res.hc <- USArrests %>% scale() %>% # Scale the data hclust(method = "ward.D2") # Compute hierachical clustering # Visualize using factoextra # Cut in 4 groups and color by groups fviz_dend(res.hc, k = 4, # Cut in four groups color_labels_by_k = TRUE, # color labels by groups rect = TRUE # Add rectangle around groups )
need-to-insert-img
评估聚类倾向
为了评估聚类倾向，可以使用Hopkins的统计量和视觉方法。
Hopkins统计：如果Hopkins统计量的值接近1（远高于0.5），那么我们可以得出结论，数据集是显着可聚类的。
视觉方法：视觉方法通过计算有序相异度图像中沿对角线的方形黑暗（或彩色）块的数量来检测聚类趋势。
R代码：
iris[, -5] %>% # Remove column 5 (Species) scale() %>% # Scale variables get_clust_tendency(n = 50, gradient = gradient.color)
## $hopkins_stat ## [1] 0.8 ## ## $plot
need-to-insert-img
need-to-insert-img
确定最佳簇数
set.seed(123) # Compute res.nbclust <- USArrests %>% scale() %>% (distance = "euclidean", min.nc = 2, max.nc = 10, method = "complete", index ="all")
# Visualize fviz_nbclust(res.nbclust, ggtheme = theme_minimal())
网友评论