聚类分析算法解析.docx
《聚类分析算法解析.docx》由会员分享,可在线阅读,更多相关《聚类分析算法解析.docx(17页珍藏版)》请在冰豆网上搜索。
聚类分析算法解析
聚类分析算法解析
一、不相似矩阵计算
1.加载数据
data(iris)
str(iris)
>data(iris)
>str(iris)
1data.fizame:
":
150oba..of5variatoles:
$Sepal.Length:
num5,.1电・9屯・=4.655.44,ES4・44・9■■甲
SSepal.Width:
num3<533*23.13.63*93.43.12,93*1
$Petal.Length:
nuio1・41・41・31.51・41,41■理1・5・・・
$Petal.Width.:
num0..20).20.20.20.20.40»30.20.20.1■…
$Species:
Factorw/3levels^setosa^-j-?
verslcolor**,■八11
分类分析是无指导的分类,所以删除数据中的原分类变量。
iris$Species<-NULL
2.不相似矩阵计算
不相似矩阵计算,也就是距离矩阵计算,在R中采用dist()函数,或者cluster包中
的daisy()函数。
dist()函数的基本形式是
dist(x,method="euclidean",diag=FALSE,upper=FALSE,p=2)
其中x是数据框(数据集),而方法可以指定为欧式距离"euclidean",最大距离
"maximum",绝对值距离"manhattan","canberra",二进制距离非对称"binary"和明氏距
离"minkowski"。
默认是计算欧式距离,所有的属性必须是相同的类型。
比如都是连续类型,
或者都是二值类型。
dd<-dist(iris)
str(dd)
>str(dd)
Class'disfatomic[1:
11175]CL539Cl・£l0.6^18D・1^110.616**・
・・—attr(*z*rSizeF,J=lnt150
.attr=logiFALSE
.atvr^Vpper**)=logiFALSE
■+—attr(*,frmethcdr,)=chrfFeuclideanF,
・*一attr(*t*rcalldist(x=iris)
Iris数据共150
距离矩阵可以使用as.matrix()函数转化了矩阵的形式,方便显示。
例样本间距离矩阵为150行列的方阵。
下面显示了1~5号样本间的欧式距离。
dd<-as.matrix(dd)
>str(dd)
-attr(*y^diimnames"]=Listof2
..$:
chr[1:
150]Hl,f”旷”3”"4”:
chr[1:
150]nlrr"2nrr3n"4TF
1.聚类函数
R中自带的聚类函数是hclust(),为谱系聚类法。
基本的函数指令是
"ward",最短距离法"single",最
hclust()可以使用的类间距离计算方法包含离差法
大距离法"complete",平均距离法"average","mcquitty",中位数法"median"和重心法
"centroid"。
下面采用平均距离法聚类。
hc<-hclust(dist(iris),method="ave")
Call:
hclust(d-disc(itis)rmethod=rrave")
Clustermethod:
averageDistance:
euclidean
Numberofobjects:
ISO
2.聚类函数的结果
聚类结果对象包含很多聚类分析的结果,可以使用数据分量的方法列出相应的计算结
果。
merge和height结果值的前6个。
其行编号表示聚
类过程的步骤,X1,X2表示在该步合并的两类,该编号为负代表原始的样本序号,编号为
正代表新合成的类;变量height表示合并时两类类间距离。
比如第1步,合并的是样本102
-102和-143
和143,其样本间距离是0.0,合并后的类则使用该步的步数编号代表,即样本
合并为1类。
再如第6行表示样本11和49合并,该两个样本的类间距离是0.1,合并后的
类称为6类。
head(hc$merge,hc$height)
XI
X2
hc・height
1
-102
-143
0.0
2
—8
-40
0T1
3
-1
-18
0.1
4
"1口
-35
0.1
-129
-133
0*1
-11
一轻
0,1
下面显示的聚类结果对象he包含的merge和height结果值的50~55步的结果。
第50
步结果表明样本43与13类(即第13步的聚类合类结果)合并。
所有的类编号负数j表示
原数据的样本编号,正数i表示聚类过程的第i步形成的新类。
再如54步,表示聚类过程
第7步和第37步形成的类合并为新类,新类成为第54类,其类间距离是0.2641715。
data.frame(hc$merge,hc$height)[50:
55]
>data,ftame(hege,hcSheight)[50i5S,]
XI
X2
he・height
50
-43
13
D.25S1139
51
g
31
0.2586802
52
-71
18
0,2618034
53
-6S
16
□・263B95B
54
7
37
0.2641715
55
-69
-8S
0,2645751
3.绘制聚类图
聚类完成后可以使用plot()绘制出聚类的树图。
plot(hc,hang=-1,labels=iris$Species)
ClusterDendrogram
distfiris)
hclustC."average"]
4.指定分类和类中心聚类
通过观察树形图,可见由于数据例很多,使图形很乱,不容易确定合理的分类,为简化
图形,使用cutree()来确定最初的分类结果,先初步确定各个样本的最初分类的类数后,然后用hclust()再次聚类,重新聚类后,得出最后的分类结果。
memb<-cutree(hc,k=10)#
确定10个分类
table(memb)#各类中的样本数
>>inenii<-cutree(he,k
=ICQ
>#各类中的样本数
>table(rtienib)
menib
1234S67B
910
45曲137224249
13
为了进行重新聚类,需要计算各类的类中心的类中心,这里用各类的均向量来代表各类
的类中心,计算程序如下。
cent<-NULL
for(kin1:
10){
cent<-rbind(cent,colMeans(irisSample[memb==k,,drop=FALSE]))
}
>cent<-NULL
>£or(用in1:
10){
4-cent<-rbind(centycolMeans(iris[metrib==k,,drop=FALSE]))>cent
Sepal・Length
Sepal.Uidth
Petal+Length
Petal.Width
[Id
4.968889
3*386667
1*471111
CL2466667
[2<]
5,550口皿
4,175000
1,400000
D・2250000
[3d
4.500000
2.300000
1+3DOOOO
□・3000000
[4门
6*235135
2.851351
4*740541
1・5945946
[5J
S.631818
2.69545S
4.059091
1,2409091
[6J
5.000000
2.300000
3.275000
1・D250000
[G
541667
3.050000
5*529167
2・12OB333
[9J
7.433333
2,922222
6.266567
1.9888889
[叭]
4.900000
2.500000
4,500000
1・7000000
10J
7.500000
3.733333
6*400000
2・2333333
有了各类的类中心后,再次使用hclust()函数,从10类起重新开始聚类。
hclust()函
数这时需要指定各类的类中心,并采用中心法来聚类。
hc1<-hclust(dist(cent),method="centroid",members=table(memb))plot(hc1)
hc1
ClusterDendrogram
4—I
O)
工
ir>
o
g
dist^cent)
hclust"centroid1!
再次聚类的树形图就很精简了。
从树形图上看,确定为三类是比较合适的。
4.输出最终分类结果
使用cutree()来确定输出各个样本的最后分类。
memb<-cutree(hc,k=3#确定3个分类table(memb)#各类中的样本数
>mert±i<-cutree(he,k=3)
>需各类中的样本数
>mentoJcutree(he,k=3)再各类中的样亦数
>tabLe(merrib)
imeirib
123
506436
错误率约为14/150=9.33%。
下面将聚类结果和原始的分类比较可见聚类结果是不错的。
>data(iris)
>tolole(iris$Species
menib
123
setosa5000
versicolor0500
vircfinica01436
5.直接数据距离阵聚类
可以直接输入距离矩阵,然后用as.dist()函数转为hclust()可以使用的距离阵对象,然后再用hclust()再进行聚类分析。
x<-read.table(text="
idBAFIMIVORMTO
BA0662877255412996
FI6620295468268400
MI8772950754564138
VO2554687540219869
RM4122685642190669
TO9964001388696690”,header=T)row.names(x)<-x$id
x$id<-NULL
x
BA
FI
HI
VO
RH
TO
BA
0
662
877
255
412
996
FI
£62
□
295
468
268
400
MI
377
295
0
754
564
13B
VO
255
468
754
0
219
8S9
RM
412
2