拓端tecdat|R语言聚类有效性：确定最优聚类数分析IRIS鸢尾花数据和可视化

原文链接：http://tecdat.cn/?p=22879

原文出处：拓端数据部落公众号

数据集概述

这个数据集常用于数据概述、可视化和聚类模型。它包括三个鸢尾花品种，每个品种有50个样本，以及一些属性。其中一个花种与其他两个花种是线性可分离的，但其他两个花种之间不是线性可分离的。

这个数据集的给定列是:

i> Id
ii> 萼片长度(Cm)
iii>萼片宽度(Cm)
iv> 花瓣长度(Cm)
v> 花瓣宽度 (Cm)
vi> 品种

让我们把这个数据集可视化，并用kmeans进行聚类。

基本可视化

IRIS数据，聚类前的基本可视化

plot(data, aes(x , y )) 

plot(data,geom_density(alpha=0.25)
 

火山图

plot( iris, stat_density(aes(ymax = ..density..,  ymin = -..density.., 

plot(data, aes(x ),stat_density= ..density..,  facet_grid. ~ Species)

聚类数据 :: 方法-1

1.  
    
2.  
   # 在一个循环中进行15次的kmeans聚类分析
3.  
   for (i in 1:15)
4.  
   kmeans(Data, i)
5.  
   totalwSS[i]<-tot
6.  
    
7.  
    
8.  
   # 聚类碎石图 - 使用plot函数绘制total_wss与no-of-clusters的数值。
9.  
   plot(x=1:15, # x= 类数量, 1 to 15
10.  
    totalwSS, #每个类的total_wss值
11.  
    type="b" # 绘制两点，并将它们连接起来

聚类数据 :: 方法-2

使用聚类有效性测量指标

1.  
   library(NbClust)
2.  
    
3.  
   # 设置边距为: c(bottom, left, top, right)
4.  
   par(mar = c(2,2,2,2))
5.  
    
6.  
   # 根据一些指标来衡量聚类的合适性。
7.  
   # 默认情况下，它检查从2个聚类到15个聚类的情况 # 花费时间

休伯特指数

休伯特指数是一种确定聚类数量的图形方法。
在休伯特指数图中，我们寻找一个明显的拐点，对应于测量值的明显增加，即休伯特指数第二差值图中的明显峰值。
 

D指数

在D指数的图表中，我们寻找一个重要的拐点（D指数第二差值图中的重要峰值），对应于测量值的显著增加。 

1.  
    
2.  
   ##
3.  
   ## *******************************************************************
4.  
   ## * 在所有指数中:
5.  
   ## * 10 proposed 2 as the best number of clusters
6.  
   ## * 8 proposed 3 as the best number of clusters
7.  
   ## * 2 proposed 4 as the best number of clusters
8.  
   ## * 1 proposed 5 as the best number of clusters
9.  
   ## * 1 proposed 8 as the best number of clusters
10.  
    ## * 1 proposed 14 as the best number of clusters
11.  
    ## * 1 proposed 15 as the best number of clusters
12.  
    ##
13.  
    ## ***** 结论*****
14.  
    ##
15.  
    ## * 根据多数规则，集群的最佳数量是2
16.  
    ##
17.  
    ##
18.  
    ## *******************************************************************

画一个直方图，表示各种指数对聚类数量的投票情况。
在26个指数中，大多数（10个）投票给2个聚类，8个投票给3个聚类，其余8个（26-10-8）投票给其他数量的聚类。
直方图，断点=15，因为我们的算法是检查2到15个聚类的。 

1.  
    
2.  
   hist(Best.nc)

聚类数据 :: 方法-3

卡林斯基指标类似于寻找群组间方差/群组内方差的比率。

1.  
   KM(Data, 1, 10) # 对聚类1至10的测试
2.  
    
3.  
    
4.  
   # sortg = TRUE：将iris对象（行）作为其组别成员的函数排序
5.  
   # 在热图中用颜色表示组成员类
6.  
   # 排序是为了产生一个更容易解释的图表。
7.  
   # 两个图。一个是热图，另一个是聚类数目与值（=BC/WC）。

modelData$results[2,]   # 针对BC/WC值的聚类

1.  
   # 那么，这些数值中哪一个是最大的？BC/WC应尽可能的大
2.  
   which.max(modelData$results[2,])

用Silhoutte图对数据进行聚类 :: 方法-4

先试着2个类

1.  
    
2.  
   # 计算并返回通过使用欧氏距离测量法计算的距离矩阵，计算数据矩阵中各行之间的距离。
3.  
   # 获取silhoutte 系数
4.  
   silhouette (cluster, dis)

试用8个聚类

1.  
   # 计算并返回通过使用欧氏距离测量法计算的距离矩阵，计算数据矩阵中各行之间的距离。
2.  
    
3.  
   # 获取silhoutte 系数
4.  
   silhouette (cluster, dis)

分析聚类趋势

计算iris和随机数据集的霍普金统计值

1.  
   # 1. 给定一个数字向量或数据框架的一列 根据其最小值和最大值生成统一的随机数
2.  
   runif(length(x), min(x), (max(x)))
3.  
    
4.  
   # 2. 通过在每一列上应用函数生成随机数据
5.  
   apply(iris[,-5], 2, genx)
6.  
    
7.  
   # 3. 将两个数据集标准化
8.  
   scale(iris) # 默认, center = T, scale = T
9.  
    
10.  
    # 4. 计算数据集的霍普金斯统计数字
11.  
    hopkins_stat

1.  
   # 也可以用函数hopkins()计算。
2.  
   hopkins(iris)

1.  
   # 5. 计算随机数据集的霍普金斯统计量
2.  
   hopkins_stat

---

最受欢迎的见解

1.R语言k-Shape算法股票价格时间序列聚类

2.R语言中不同类型的聚类方法比较

3.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

4.r语言鸢尾花iris数据集的层次聚类

5.Python Monte Carlo K-Means聚类实战

6.用R进行网站评论文本挖掘聚类

7.用于NLP的Python：使用Keras的多标签文本LSTM神经网络

8.R语言对MNIST数据集分析 探索手写数字分类数据

9.R语言基于Keras的小数据集深度学习图像分类