R语言聚类分析——代码解析

￡神魔★判官ぃ 2023-09-29 14:08 20阅读 0赞

\+（1）实验数据：iris鸢尾花数据

**datd(iris)**

**head(iris)**

Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
1 5.1 3.5 1.4 0.2 setosa  
2 4.9 3.0 1.4 0.2 setosa  
3 4.7 3.2 1.3 0.2 setosa  
4 4.6 3.1 1.5 0.2 setosa  
5 5.0 3.6 1.4 0.2 setosa  
6 5.4 3.9 1.7 0.4 setosa

> data()函数载入数据集
> 
> head()函数查看前几行数据，括号内填前多少行，默认6行

**table(iris$Species)**

setosa versicolor virginica  
50 50 50

> table()函数查看"Species"三种值出现的次数

**set.seed(1234)**

**kmeansObj <-kmeans(iris\[,-5\],centers=3)**

**print(kmeansObj)**

K-means clustering with 3 clusters of sizes 50, 62, 38

Cluster means:  
Sepal.Length Sepal.Width Petal.Length Petal.Width  
1 5.006000 3.428000 1.462000 0.246000  
2 5.901613 2.748387 4.393548 1.433871  
3 6.850000 3.073684 5.742105 2.071053

Clustering vector:  
\[1\] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  
\[37\] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2  
\[73\] 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 3 3 3 3 2 3  
\[109\] 3 3 3 3 3 2 2 3 3 3 3 2 3 2 3 2 3 3 2 2 3 3 3 3 3 2 3 3 3 3 2 3 3 3 2 3  
\[145\] 3 3 2 3 3 2

Within cluster sum of squares by cluster:  
\[1\] 15.15100 39.82097 23.87947  
(between\_SS / total\_SS = 88.4 %)

Available components:

\[1\] "cluster" "centers" "totss" "withinss"  
\[5\] "tot.withinss" "betweenss" "size" "iter"  
\[9\] "ifault"

> **set.seed(1234)：**设置随机数种子，使得实验结果可复制。括号内的数值是随意的，就是对抽取的随机数进行标记。在下一次可抽取出相同的样本。
> 
> **kmeans()：**做K均值聚类。
> 
> 第一个参数，是数据集，这里使用切片的方法来提取数据，这样可以去掉类别Species。
> 
> 这里讲一下切片吧
> 
> df\[，\]，默认所以，全部，\[,\]表示 \[行,列\]
> 
> df\[1，\]，取第一行，所以列
> 
> df\[，1\]，取所有行，第一列
> 
> df\[-1，\]，删取第一行后，再取所有的列
> 
> df\[，-1\]，删除第一列后，再取所有的行
> 
> 第二个参数centers，表示簇的数量，即多少类，设置为3
> 
> 其他参数在最后介绍
> 
> **下面对输出的结果进行解析：**
> 
> （1）K-means clustering with 3 clusters of sizes 50, 62, 38
> 
> 表示三组的K-均值聚类的分类情况，第一个类为50个样本，第二个有62个样本，第三有38个样本。
> 
> （2）Cluster means:
> 
> 每个聚类中各个列值生成的最终平均值
> 
> （3）Clustering vector:
> 
> 每行记录所属的聚类(2代表属于第二个聚类，1代表属于第一个聚类，3代表属于第三个聚类)
> 
> （4）Within cluster sum of squares by cluster:
> 
> 每个聚类内部的距离平方和
> 
> （5）Available components:
> 
> 运行kmeans函数返回的对象所包含的各个组成部分
> 
> （6）Available components:
> 
> 运行kmeans函数返回的对象所包含的各个组成部分
> 
> 部分的含义：
> 
> “cluster”是一个整数向量，用于表示记录所属的聚类
> 
> “centers”是一个矩阵，表示每聚类中各个变量的中心点
> 
> “totss”表示所生成聚类的总体距离平方和
> 
> “withinss”表示各个聚类组内的距离平方和
> 
> “tot.withinss”表示聚类组内的距离平方和总量
> 
> “betweenss”表示聚类组间的聚类平方和总量
> 
> “size”表示每个聚类组中成员的数量  
> 
> 
> 那我们如何查看呢？
> 
> 如：
> 
> kmeansObj$totss
> 
> kmeansObj$betweenss
> 
> 即可进行查看

> **还有以上的数值是如何计算的呢？**
> 
> （查过很多资料，都没有说是如何计算的，只有字面意思解释，那不行啊）
> 
> 以上的案例数据太大不好介绍
> 
> 接下来，我使用一个简单的数据集来解释，让字面意思更清晰
> 
> **> df <- data.frame(x=c(0,0,1.5,5,5),y=c(2,0,0,0,2))  
> > km <- kmeans(df\[,-2\],centers=2)  
> > print(km)**
> 
> **输出：**
> 
> K-means clustering with 2 clusters of sizes 3, 2
> 
> Cluster means:  
> \[,1\]  
> 1 0.5  
> 2 5.0
> 
> Clustering vector:  
> \[1\] 1 1 1 2 2
> 
> Within cluster sum of squares by cluster:  
> \[1\] 1.5 0.0  
> (between\_SS / total\_SS = 94.2 %)
> 
> Available components:
> 
> \[1\] "cluster" "centers" "totss" "withinss" "tot.withinss"  
> \[6\] "betweenss" "size" "iter" "ifault"
> 
> **> print(df)**  
> x y  
> 1 0.0 2  
> 2 0.0 0  
> 3 1.5 0  
> 4 5.0 0  
> 5 5.0 2
> 
> **解释：**
> 
> **K-means clustering with 2 clusters of sizes 3, 2**
> 
> 使用K-means算法以2为参数，把5个数据对象分为2个聚类，确保聚类具有较高的相似度，而聚类间的相似度较低。
> 
> 首先使用欧几里得定理来分类：求出5个类的距离
> 
> 1与2的距离：0
> 
> 1与3的距离：1.5
> 
> 1与4的距离：5
> 
> 1与5的距离：5
> 
> 2与3的距离：1.5
> 
> 2与4的距离：5
> 
> 2与5的距离：5
> 
> 3与4的距离：3.5
> 
> 3与5的距离：3.5
> 
> 4与5的距离：0
> 
> 要分成两类，所以1与2一类，4和5一类，3到1、2为1.5，到4、5为3.5，所以和1、2、一类
> 
> C1（1、2、3），C2（4，5）
> 
> **Cluster means:**  
>  **\[,1\]  
> 1 0.5  
> 2 5.0**
> 
> 每个聚类中各个列值生成的最终平均值
> 
> 1:![\\frac\{0+0+1.5\}\{3\}=0.5][frac_0_0_1.5_3_0.5]
> 
> 2:![\\frac\{5+5\}\{2\}=5][frac_5_5_2_5]
> 
> **Within cluster sum of squares by cluster:  
> \[1\] 1.5 0.0**
> 
> 每个聚类内部的距离平方和
> 
> 1.5：![1.5^\{2\}+1.5^\{2\}=1.5][1.5_2_1.5_2_1.5]什么意思呢？就是1、2相同到3的距离的平方和
> 
> 0.0：4到5的距离为0

（4）评估k均值聚类结果

**table(kmeansObj$cluster,iris$Species)**  
setosa versicolor virginica  
1 50 0 0  
2 0 48 14  
3 0 2 36

> 这个与混淆矩阵差不多，差别是这里真实的是列的，预测的是行的

（5）可视化k均值聚类结果

**par(mar=c(4,4,0.1,0.1))**

**plot(iris\[c("Petal.Width","Sepal.Width")\],col = kmeansObj$cluster)**

**points(kmeansObj$centers\[,c("Petal.Width","Sepal.Width")\],col =1:3,pch=8,cex=2)**

![4709f0665f3e4163bcf37c088af83392.png][]

> par()函数设置绘图参数
> 
> mar参数：图形边距参数（下，左，上，右）
> 
> plot()函数画散点图
> 
> col参数：符号和颜色，这里把聚类放入表示表示三种颜色类型
> 
> points()添加点并设置属性

(6)做层次聚类

**set.seed(1234)**

**idx <- sample(1:dim(iris)\[1\],40)**

**irisSample <-iris\[idx,\]**

**hc <-hclust(dist(irisSample\[,-5\]),method = "average")**

**print(hc)**

Call:  
hclust(d = dist(irisSample\[, -5\]), method = "average")

Cluster method : average  
Distance : euclidean  
Number of objects: 40  
![190cda4211d94908bc35b7657c9d8335.png][]

**groups <- cutree(hc,k = 3)**

**table(groups,iris$Species\[idx\])**

groups setosa versicolor virginica  
1 12 0 0  
2 0 12 10  
3 0 0 6

[frac_0_0_1.5_3_0.5]: https://latex.csdn.net/eq?%5Cfrac%7B0&plus;0&plus;1.5%7D%7B3%7D%3D0.5
[frac_5_5_2_5]: https://latex.csdn.net/eq?%5Cfrac%7B5&plus;5%7D%7B2%7D%3D5
[1.5_2_1.5_2_1.5]: https://latex.csdn.net/eq?1.5%5E%7B2%7D&plus;1.5%5E%7B2%7D%3D1.5
[4709f0665f3e4163bcf37c088af83392.png]: https://img-blog.csdnimg.cn/4709f0665f3e4163bcf37c088af83392.png
[190cda4211d94908bc35b7657c9d8335.png]: https://img-blog.csdnimg.cn/190cda4211d94908bc35b7657c9d8335.png