实验报告聚类分析.docx
《实验报告聚类分析.docx》由会员分享，可在线阅读，更多相关《实验报告聚类分析.docx（20页珍藏版）》请在冰豆网上搜索。
实验报告聚类分析
实验报告聚类分析
实验原理：
K均值聚类、中心点聚类、系统聚类和EM算法聚类分析技术。
实验题目：
用鸢尾花的数据集，进行聚类挖掘分析。
实验要求：
探索鸢尾花数据的基本特征，利用不同的聚类挖掘方法，获得基本结论并简明解释。
实验题目--分析报告：
data（iris）
>rm（list=ls（））
>gc（）
used（Mb）gctrigger（Mb）maxused（Mb）
Ncells431730929718607591
Vcells78760583886081592403
>data（iris）
>datav-iris
>head（data）
1
Species
setosa
2
setosa
3
setosa
4
setosa
5
setosa
6
setosa
#Kmear聚类分析
>newiris<-iris
>newiris$Species<-NULL
>（kc<-kmeans（newiris,3））
K-meansclusteringwith3clustersofsizes62,50,38
Clustermeans:
Clusteringvector:
[1]2222222222222222222222222222222222222
[41]2222222222113111111111111111111111111
311[81]1111111111111111111131333313333331133
331[121]313133113333313333133313331331
Withinclustersumofsquaresbycluster:
[1]
（between_SS/total_SS=%）
Availablecomponents:
[1]"cluster""centers""totss""withinss
⑹"betweenss""size""iter""ifault"
>table（iris$Species,kc$cluster）
123
setosa0500
versicolor4802
virginica14036
>plot（newiris[c（"",""）],col=kc$cluster）
>points（kc$centers[,c（"",""）],col=1:
3,pch=8,cex=2）
Q
455055flO0570758D
Sepal.Length
Llp-ZsE吕e
#K-Mediods进行聚类分析
>（"cluster"）
>library（cluster）
><-pam（iris,3）
>table（iris$Species,$clustering）
123
setosa5000
versicolor0347
virginica0491
>layout（matrix（c（1,2）,1,2））
>plot
>
Coirijjonenl1
Tn®牌twocomponertsexplain&&.02%ofmepoiniw
>layout（matrix
（1））
Silhouetteplotofpam（x=iris,k=3）nwl503AJSteisCj
j.i^ave^cjs；
l.50|O.6C
2520.41
0.00.20.4D.S0.61.0
SilfKiuelewiddl〒
SiHowHiewidWi-0.57
#hc
><-hclust（dist（iris[,1:
4]））
>plot（,hang=-1）
>plclust（,labels=FALSE,hang=-1）
>re<-,k=3）
>
<-cutree,3）
dist（iris[:
1:
4]}
hclust仁"complete"）
#利用剪枝函数cutree（）参数h控制输出height=18时的系谱类别
>sapply（unique,
+function（g）iris$Species[==g]）
[[1]]
[1]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[12]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[23]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[34]setosasetosasetosasetosasetosasetosasetosasetosasetosasetosasetosa
[45]setosasetosasetosasetosasetosasetosa
Levels:
setosaversicolorvirginica
[1]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[8]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[15]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[22]versicolorversicolorvirginicavirginicavirginicavirginicavirginica
[29]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[36]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[43]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[50]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[57]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[64]virginicavirginicavirginicavirginicavirginicavirginicavirginica
[71]virginicavirginica
Levels:
setosaversicolorvirginica
[[3]]
[1]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[8]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[15]versicolorversicolorversicolorversicolorversicolorversicolorversicolor
[22]versicolorversicolorversicolorversicolorversicolorversicolorvirginica
Levels:
setosaversicolorvirginica
>plot
>,k=4,border="lightgrey"）#用浅灰色矩形框出4分类聚类结果
>,k=3,border="darkgrey"）#用浅灰色矩形框出3分类聚类结果
>,k=7,which=c（2,6）,border="darkgrey"）
CluiterDendrogrtiim
#DBSCAN基于密度的聚类
>（"fpc"）
>library（fpc）
>
半径参数为1，密度阈值为5
ds仁dbscan（iris[,1:
4],eps=1,MinPts=5）#
>ds1dbscanPts=150MinPts=5eps=1
12border01
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:
4],main="3:
MinPts=2eps=4"）
>plot（ds2,iris[,1:
4],main="2:
MinPts=5eps=4"）
>plot（ds4,iris[,1:
4],main="4:
MinPts=2eps=8"）
4:
MinPts=2eps=8
2.G3.GM05IF25
>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]0
>（"ggpiot2"）
>Iibrary（ggplot2）
>interval=cut_interval（d,30）
>table（interval）
interval
[0,],],],],]
]
88
585
876
891
831
688
],],],]
],]
543
369
379
339
335
406
],],],]
],]
458
459
465
480
468
505
],],],]
],]
349
385
321
291
187
138
],],],]
],]
97
92
78
50
18
4
>（table（interval））
]
4
>for（iin3:
5）
+{for（jin1:
10）
+{ds=dbscan（iris[,1:
4],eps=i,M
升级会员 