实验报告聚类分析报告Word文档下载推荐.docx
《实验报告聚类分析报告Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《实验报告聚类分析报告Word文档下载推荐.docx（26页珍藏版）》请在冰豆网上搜索。
newiris$Species<
-NULL
（kc<
-kmeans（newiris,3））
K-meansclusteringwith3clustersofsizes62,50,38
Clustermeans:
Sepal.LengthSepal.WidthPetal.LengthPetal.Width
15.9016132.7483874.3935481.433871
25.0060003.4280001.4620000.246000
36.8500003.0736845.7421052.071053
Clusteringvector:
[1]2222222222222222222222222222222222222222
[41]2222222222113111111111111111111111111311
[81]1111111111111111111131333313333331133331
[121]313133113333313333133313331331
Withinclustersumofsquaresbycluster:
[1]39.8209715.1510023.87947
（between_SS/total_SS=88.4%）
Availablecomponents:
[1]"
cluster"
"
centers"
totss"
withinss"
tot.withinss"
[6]"
betweenss"
size"
iter"
ifault"
table（iris$Species,kc$cluster）
123
setosa0500
versicolor4802
virginica14036
plot（newiris[c（"
Sepal.Length"
"
Sepal.Width"
）],col=kc$cluster）
points（kc$centers[,c（"
）],col=1:
3,pch=8,cex=2）
#K-Mediods进行聚类分析
install.packages（"
）
library（cluster）
iris.pam<
-pam（iris,3）
table（iris$Species,iris.pam$clustering）
setosa5000
versicolor0347
virginica0491
layout（matrix（c（1,2）,1,2））
plot（iris.pam）
layout（matrix
（1））
#hc
iris.hc<
-hclust（dist（iris[,1:
4]））
plot（iris.hc,hang=-1）
plclust（iris.hc,labels=FALSE,hang=-1）
re<
-rect.hclust（iris.hc,k=3）
iris.id<
-cutree（iris.hc,3）
#利用剪枝函数cutree（）参数h控制输出height=18时的系谱类别
sapply（unique（iris.id）,
+function（g）iris$Species[iris.id==g]）
[[1]]
[1]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[12]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[23]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[34]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[45]setosasetosasetosasetosasetosasetosa
Levels:
setosaversicolorvirginica
[[2]]
[1]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[8]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[15]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[22]versicolorversicolorvirginicavirginicavirginicavirginicavirginica
[29]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[36]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[43]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[50]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[57]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[64]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[71]virginicavirginica
[[3]]
[22]versicolorversicolorversicolorversicolorversicolorversicolorvirginica
plot（iris.hc）
rect.hclust（iris.hc,k=4,border="
lightgrey"
）#用浅灰色矩形框出4分类聚类结果
rect.hclust（iris.hc,k=3,border="
darkgrey"
）#用浅灰色矩形框出3分类聚类结果
rect.hclust（iris.hc,k=7,which=c（2,6）,border="
#DBSCAN#基于密度的聚类
fpc"
library（fpc）
ds1=dbscan（iris[,1:
4],eps=1,MinPts=5）#半径参数为1，密度阈值为5
ds1
dbscanPts=150MinPts=5eps=1
12
border01
seed5099
total50100
ds2=dbscan（iris[,1:
4],eps=4,MinPts=5）
ds3=dbscan（iris[,1:
4],eps=4,MinPts=2）
ds4=dbscan（iris[,1:
4],eps=8,MinPts=2）
par（mfcol=c（2,2））
plot（ds1,iris[,1:
4],main="
1:
MinPts=5eps=1"
plot（ds3,iris[,1:
3:
MinPts=2eps=4"
plot（ds2,iris[,1:
2:
MinPts=5eps=4"
plot（ds4,iris[,1:
4:
MinPts=2eps=8"
d=dist（iris[,1:
4]）#计算数据集的距离矩阵d
max（d）;
min（d）#计算数据集样本的距离的最值
[1]7.085196
[1]0
ggplot2"
library（ggplot2）
interval=cut_interval（d,30）
table（interval）
interval
[0,0.236]（0.236,0.472]（0.472,0.709]（0.709,0.945]（0.945,1.18]（1.18,1.42]
88585876891831688
（1.42,1.65]（1.65,1.89]（1.89,2.13]（2.13,2.36]（2.36,2.6]（2.6,2.83]
543369379339335406
（2.83,3.07]（3.07,3.31]（3.31,3.54]（3.54,3.78]（3.78,4.01]（4.01,4.25]
458459465480468505
（4.25,4.49]（4.49,4.72]（4.72,4.96]（4.96,5.2]（5.2,5.43]（5.43,5.67]
349385321291187138
（5.67,5.9]（5.9,6.14]（6.14,6.38]（6.38,6.61]（6.61,6.85]（6.85,7.09]
97927850184
which.max（table（interval））
（0.709,0.945]
4
for（iin3:
5）
+{for（jin1:
10）
+{ds=dbscan（iris[,1:
4],eps=i,MinPts=j）
+print（ds）
+}
+}
dbscanPts=150MinPts=1eps=3
1
seed150
total150
dbscanPts=150MinPts=2eps=3
dbscanPts=150MinPts=3eps=3
dbscanPts=150MinPts=4eps=3
dbscanPts=150MinPts=5eps=3
dbscanPts=150MinPts=6eps=3
dbscanPts=150MinPts=7eps=3
dbscanPts=150MinPts=8eps=3
dbscanPts=150MinPts=9eps=3
dbscanPts=150MinPts=10eps=3
dbscanPts=150MinPts=1eps=4
dbscanPts=150MinPts=2eps=4
dbscanPts=150MinPts=3eps=4
dbscanPts=150MinPts=4eps=4
dbscanPts=150MinPts=5eps=4
dbscanPts=150MinPts=6eps=4
dbscanPts=150MinPts=7eps=4
dbscanPts=150MinPts=8eps=4
dbscanPts=150MinPts=9eps=4
dbscanPts=150MinPts=10eps=4
dbscanPts=150MinPts=1eps=5
dbscanPts=150MinPts=2eps=5
dbscanPts=150MinPts=3eps=5
dbscanPts=150MinPts=4eps=5
dbscanPts=150MinPts=5eps=5
dbscanPts=150MinPts=6eps=5
dbscanPts=150MinPts=7eps=5
dbscanPts=150MinPts=8eps=5
dbscanPts=150MinPts=9eps=5
dbscanPts=150MinPts=10eps=5
#30次dbscan的聚类结果
ds5=dbscan（iris[,1:
4],eps=3,MinPts=2）
ds6=dbscan（iris[,1:
ds7=dbscan（iris[,1:
4],eps=5,MinPts=9）
par（mfcol=c（1,3））
plot（ds5,iris[,1:
MinPts=2eps=3"
plot（ds6,iris[,1:
plot（ds7,iris[,1:
MinPts=9eps=5"
#EM期望最大化聚类
mclust"
library（mclust）
fit_EM=Mclust（iris[,1:
4]）
fitting...
|===========================================================================|100%
summary（fit_EM）
----------------------------------------------------
GaussianfinitemixturemodelfittedbyEMalgorithm
MclustVEV（ellipsoidal,equalshape）modelwith2components:
log.likelihoodndfBICICL
-215.72615026-561.7285-561.7289
Clusteringtable:
12
50100
summary（fit_EM,parameters=TRUE）
Mixingprobabilities:
0.33333190.6666681
Means:
[,1][,2]
Sepal.Length5.00600226.261996
Sepal.Width3.42800492.871999
Petal.Length1.46200074.905992
Petal.Width0.24599981.675997
Variances:
[,,1]
Sepal.Length0.150651140.130801150.020844630.01309107
Sepal.Width0.130801150.176045290.016032450.01221458
Petal.Length0.020844630.016032450.028082600.00601568
Petal.Width0.013091070.012214580.006015680.01042365
[,,2]
Sepal.Length0.40004380.108654440.39940180.14368256
Sepal.Width0.10865440.109280770.12389040.07284384
Petal.Length0.39940180.123890400.61090240.25738990
Petal.Width0.14368260.072843840.25738990.16808182
plot（fit_EM）#对EM聚类结果作图
Model-basedclusteringplots:
BIC
classification
uncertainty
density
Selection:
（下面显示选项）
#选1
#选2
#选3
#选4
0
iris_BIC=mclustBIC（iris[,1:
iris_BICsum=summary（iris_BIC,data=iris[,1:
iris_BICsum#获取数1据集iris在各模型和类别数下的BIC值
BestBICvalues:
VEV,2VEV,3VVV,2
BIC-561.7285-562.5522369-574.01783
BICdiff0.0000-0.8237748-12.28937
Classificationtableformodel（VEV,2）:
iris_BIC
BayesianInformationCriterion（BIC）:
EIIVIIEEIVEIEVIVVIEEE
1-1804.0854-1804.0854-1522.1202-1522.1202-1522.1202-1522.1202-829.97
升级会员 