为了说明层次聚类技术和k-均值，我使用了了城市温度数据集，其中包括几个城市的月平均气温。
我们有15个城市，每月进行一次观测
boxplot(temp[,1:12],main="月平均温度")
由于方差看起来相当稳定，我们不会将这里的变量“标准化”，
> apply(月份,2,sd)
为了得到一个层次聚类分析，使用实例
hclust(dist , method = "ward")
另一种选择是使用
- > plot(h2)
在这里，我们用主成分分析将观察结果可视化。我们这里还有一个自动选择类的数目，这里是3个。我们可以得到组的描述
或直接
cutree(cah,3)
我们也可以自己可视化这些类，
- PCA(X,scale.unit=FALSE)
- plot( ind$coord[,1:2],col="white")
- text( ind$coord[,1],acp$ind$coord[,2],
可以绘制出这些簇的中心点
> points(PT$Dim.1,PT$Dim.2,pch=19)
如果我们在这些中心周围添加Voronoi集，我们看到的是中间的点，恰好是三个区域的交点
- vormo(PT$Dim.1,PT$Dim.2)
- plot(V,add=TRUE)
要可视化这些区域，请使用Voronoi图，它又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。
- p=function(x,y){
- + which.min((PT$Dim.1-x)^2+(PT$Dim.2-y)^2)
- image(vx,vy,z,col=c(rgb(1,0,0,.2),
实际上，这三组（和这三个区域）也是我们用k-均值算法得到的，
- kmeans(coord[,1:2],3)
- K-means clustering
- with 3 clusters of sizes 3, 7, 5
由于我们有一些空间数据，我们可以在地图上把它们可视化
points(Long,Lati,col=groups.3)
或者，为了可视化这些区域，使用
- for(i in 1:3)
- + Ellipse( Long[groups.3==i],
