层次聚类和k均值

时间:2020-08-29 21:41:50

标签: r dataframe hierarchical-clustering

我想进行层次聚类分析。我知道hclust()函数,但不知道如何在实践中使用它;我一直坚持将数据提供给函数并处理输出。

我想要对给定度量进行聚类的主要问题。

我还想将层次聚类与kmeans()产生的聚类进行比较。同样,我不确定如何调用此函数或使用/操作该函数的输出。

我的数据类似于:

df<-structure(list(id=c(111,111,111,112,112,112), se=c(1,2,3,1,2,3),t1 = c(1, 2, 1, 1,1,3),
                   t2 = c(1, 2, 2, 1,1,4), t3 = c(1, 0, 0, 0,2,1), t4 = c(2, 5, 7,  7,1,2),
                   t5 = c(1, 0, 1, 1,1,1),t6 = c(1, 1, 1, 1,1,1), t7 = c(1, 1, 1 ,1,1,1), t8=c(0,0,0,0,0,0)), row.names = c(NA,
                                                                                                                            6L), class = "data.frame")

我想进行层次聚类分析,以确定最佳聚类数。

如何基于预定义的度量进行聚类-在这种情况下,例如聚类2号度量?

1 个答案:

答案 0 :(得分:1)

对于层次集群,必须定义一个基本元素。它是计算每个数据点之间距离的方法。聚类是一种最先进的技术,因此您必须根据公平数据点的分布方式定义聚类数。我将在下一个代码中教您如何执行此操作。我们将使用您的数据df和函数hclust()比较三种距离的方法:

第一种方法是平均距离,该方法计算所有点的所有距离的平均值。我们将省略第一个变量,因为它是一个id:

#Method 1
hc.average <- hclust(dist(df[,-1]),method='average')

第二种方法是完整距离,它计算所有点在所有距离上的最大值:

#Method 2
hc.complete<- hclust(dist(df[,-1]),method='complete')

第三种方法是单一距离,它计算所有点在所有距离上的最小值:

#Method 3
hc.single <- hclust(dist(df[,-1]),method='single')

使用所有模型,我们都可以分析组。

我们可以根据层次树的高度定义聚类数,最大树的高度将只有一个聚类等于所有数据集。选择高度的中间值是一种标准。

使用平均值方法,高度值3将产生四组,而值4.5左右将产生2组:

plot(hc.average, xlab='')

输出:

enter image description here

与完整方法相比,结果相似,但是高度的比例尺已更改。

plot(hc.complete, xlab='')

输出:

enter image description here

最后,单一方法会为组产生不同的方案。一共有三个组,即使中间选择高度,您也将始终具有该数量的簇:

plot(hc.single, xlab='')

输出:

enter image description here

您可以使用任何需要使用cutree()函数来确定数据聚类的方法,在该函数中设置模型对象和聚类数。确定群集性能的一种方法是检查组的同质性。这取决于研究人员的标准。接下来是将群集添加到数据中的方法。我将选择最后一个模型和三个组:

#Add cluster
df$Cluster <- cutree(hc.single,k = 3)

输出:

   id se t1 t2 t3 t4 t5 t6 t7 t8 Cluster
1 111  1  1  1  1  2  1  1  1  0       1
2 111  2  2  2  0  5  0  1  1  0       2
3 111  3  1  2  0  7  1  1  1  0       2
4 112  1  1  1  0  7  1  1  1  0       2
5 112  2  1  1  2  1  1  1  1  0       1
6 112  3  3  4  1  2  1  1  1  0       3

函数cutree()还具有一个名为h的参数,您可以在其中设置高度(如前所述),而不是簇数k

关于您是否对使用某种量度定义聚类有疑问,您可以扩展数据(不包括所需的变量),以便该变量具有不同的量度,并且可以影响聚类的结果。