R語言的三種聚類方法

對(duì)于R語言，相信做數(shù)據(jù)分析的來說，一定不陌生，那么對(duì)于R語言的三種聚類方法你是否應(yīng)用的全面，下面就說一下？

一、層次聚類

r語言中使用dist(x, method = “euclidean”,diag = FALSE, upper = FALSE, p = 2) 來計(jì)算距離。其中x是樣本矩陣或者數(shù)據(jù)框。method表示計(jì)算哪種距離。method的取值有：
euclidean                歐幾里德距離，就是平方再開方。
maximum                切比雪夫距離
manhattan            絕對(duì)值距離
canberra                Lance 距離
minkowski            明科夫斯基距離，使用時(shí)要指定p值
binary                    定性變量距離.
定性變量距離： 記m個(gè)項(xiàng)目里面的 0:0配對(duì)數(shù)為m0 ,1:1配對(duì)數(shù)為m1，不能配對(duì)數(shù)為m2，距離=m1/(m1+m2);
diag 為TRUE的時(shí)候給出對(duì)角線上的距離。upper為TURE的時(shí)候給出上三角矩陣上的值。

r語言中使用scale(x, center = TRUE, scale = TRUE) 對(duì)數(shù)據(jù)矩陣做中心化和標(biāo)準(zhǔn)化變換。
如只中心化 scale(x,scale=F) ,

r語言中使用sweep(x, MARGIN, STATS, FUN=”-“, …) 對(duì)矩陣進(jìn)行運(yùn)算。MARGIN為1，表示行的方向上進(jìn)行運(yùn)算，為2表示列的方向上運(yùn)算。STATS是運(yùn)算的參數(shù)。FUN為運(yùn)算函數(shù)，默認(rèn)是減法。下面利用sweep對(duì)矩陣x進(jìn)行極差標(biāo)準(zhǔn)化變換

有時(shí)候我們不是對(duì)樣本進(jìn)行分類，而是對(duì)變量進(jìn)行分類。這時(shí)候，我們不計(jì)算距離，而是計(jì)算變量間的相似系數(shù)。常用的有夾角和相關(guān)系數(shù)。
r語言計(jì)算兩向量的夾角余弦：

相關(guān)系數(shù)用cor函數(shù)

2）層次聚類法

層次聚類法。先計(jì)算樣本之間的距離。每次將距離最近的點(diǎn)合并到同一個(gè)類。然后，再計(jì)算類與類之間的距離，將距離最近的類合并為一個(gè)大類。不停的合并，直到合成了一個(gè)類。其中類與類的距離的計(jì)算方法有：最短距離法，最長距離法，中間距離法，類平均法等。比如最短距離法，將類與類的距離定義為類與類之間樣本的最段距離。。。
r語言中使用hclust(d, method = “complete”, members=NULL) 來進(jìn)行層次聚類。
其中d為距離矩陣。
method表示類的合并方法，有：
single            最短距離法
complete        最長距離法
median        中間距離法
mcquitty        相似法
average        類平均法
centroid        重心法
ward            離差平方和法

然后可以用rect.hclust(tree, k = NULL, which = NULL, x = NULL, h = NULL,border = 2, cluster = NULL)來確定類的個(gè)數(shù)。 tree就是求出來的對(duì)象。k為分類的個(gè)數(shù)，h為類間距離的閾值。border是畫出來的顏色，用來分類的。

result=cutree(model,k=3) 該函數(shù)可以用來提取每個(gè)樣本的所屬類別

二、動(dòng)態(tài)聚類k-means

層次聚類，在類形成之后就不再改變。而且數(shù)據(jù)比較大的時(shí)候更占內(nèi)存。
動(dòng)態(tài)聚類，先抽幾個(gè)點(diǎn)，把周圍的點(diǎn)聚集起來。然后算每個(gè)類的重心或平均值什么的，以算出來的結(jié)果為分類點(diǎn)，不斷的重復(fù)。直到分類的結(jié)果收斂為止。r語言中主要使用kmeans(x, centers, iter.max = 10, nstart = 1,algorithm =c(“Hartigan-Wong”, “Lloyd”,”Forgy”, “MacQueen”))來進(jìn)行聚類。centers是初始類的個(gè)數(shù)或者初始類的中心。iter.max是最大迭代次數(shù)。nstart是當(dāng)centers是數(shù)字的時(shí)候，隨機(jī)集合的個(gè)數(shù)。algorithm是算法，默認(rèn)是第一個(gè)。

三、DBSCAN

動(dòng)態(tài)聚類往往聚出來的類有點(diǎn)圓形或者橢圓形。基于密度掃描的算法能夠解決這個(gè)問題。思路就是定一個(gè)距離半徑，定最少有多少個(gè)點(diǎn)，然后把可以到達(dá)的點(diǎn)都連起來，判定為同類。在r中的實(shí)現(xiàn)

dbscan(data, eps, MinPts, scale, method, seeds, showplot, countmode)

其中eps是距離的半徑，minpts是最少多少個(gè)點(diǎn)。 scale是否標(biāo)準(zhǔn)化（我猜) ,method 有三個(gè)值raw,dist,hybird,分別表示，數(shù)據(jù)是原始數(shù)據(jù)避免計(jì)算距離矩陣，數(shù)據(jù)就是距離矩陣，數(shù)據(jù)是原始數(shù)據(jù)但計(jì)算部分距離矩陣。showplot畫不畫圖，0不畫，1和2都畫。countmode，可以填個(gè)向量，用來顯示計(jì)算進(jìn)度。用鳶尾花試一試