R语言中不同类型的聚类方法比较
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
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"))
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。
- 确定最佳簇数
fviz_nbclust(my_data, kmeans, method = "gap_stat")
set.seed(123)
# Visualize
fviz_cluster(km.res, data = my_data,
ellipse.type = "convex",
palette = "jco",
ggtheme = theme_minimal())
# 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
)
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
##
## $plot
确定最佳簇数
set.seed(123)
# Compute
res.nbclust <- USArrests %>%
scale() %>%
(distance = "euclidean",
min.nc = 2, max.nc = 10,
method = "complete", index ="all")
# Visualize
fviz_nbclust(res.nbclust, ggtheme = theme_minimal())
## Among all indices:
## ===================
## * 2 proposed 0 as the best number of clusters
## * 1 proposed 1 as the best number of clusters
## * 9 proposed 2 as the best number of clusters
## * 4 proposed 3 as the best number of clusters
## * 6 proposed 4 as the best number of clusters
## * 2 proposed 5 as the best number of clusters
## * 1 proposed 8 as the best number of clusters
## * 1 proposed 10 as the best number of clusters
##
## Conclusion
## =========================
## * According to the majority rule, the best number of clusters is 2 .
群集验证统计信息
在下面的R代码中，我们将计算和评估层次聚类方法的结果。
- 计算和可视化层次聚类：
# Enhanced hierarchical clustering, cut in 3 groups
res.hc <- iris[, -5] %>%
scale() %>%
("hclust", k = 3, graph = FALSE)
# Visualize with factoextra
(res.hc, palette = "jco",
rect = TRUE, show_labels = FALSE)
检查轮廓图：
(res.hc)
## cluster size ave.sil.width
## 1 1 49 0.63
## 2 2 30 0.44
## 3 3 71 0.32
- 哪些样品有负面轮廓？他们更接近什么集群？
# Silhouette width of observations
sil <- res.hc$silinfo$widths[, 1:3]
# Objects with negative silhouette
neg_sil_index <- which(sil[, 'sil_width'] < 0)
sil[neg_sil_index, , drop = FALSE]
## cluster neighbor sil_width
## 84 3 2 -0.0127
## 122 3 2 -0.0179
## 62 3 2 -0.0476
## 135 3 2 -0.0530
## 73 3 2 -0.1009
## 74 3 2 -0.1476
## 114 3 2 -0.1611
## 72 3 2 -0.2304
高级聚类方法
混合聚类方法
- 分层K均值聚类：一种改进k均值结果的混合方法
- HCPC：主成分上的分层聚类
模糊聚类
模糊聚类也称为软聚类方法。标准聚类方法（K-means，PAM），其中每个观察仅属于一个聚类。这称为硬聚类。
基于模型的聚类
在基于模型的聚类中，数据被视为来自两个或多个聚类的混合的分布。它找到了最适合模型的数据并估计了簇的数量。
DBSCAN：基于密度的聚类
DBSCAN是Ester等人引入的聚类方法。（1996）。它可以从包含噪声和异常值的数据中找出不同形状和大小的簇（Ester等，1996）。基于密度的聚类方法背后的基本思想源于人类直观的聚类方法。
R链中的DBSCAN的描述和实现
