R语言数据分析与挖掘(第九章):聚类分析(1)——动态聚类

函数介绍

在R语言中，用于实现k-means聚类的函数为kmeans()，其的数的基本书写写格式为:

kmeans(x, centers, iter.max = 10, nstart = 1,
       algorithm = c("Hartigan-Wong", "Lloyd", "Forgy",
                     "MacQueen"), trace=FALSE)
## S3 method for class 'kmeans'
fitted(object, method = c("centers", "classes"), ...)

参数介绍:

X:指定用于聚类的数值型矩阵或可以转换为矩阵的对象；

Centers:可以为整数或数值向量，整数用于指定聚类数目k，数值向量用于指定初始类质心;

iter.max:用于指定最大迭代次数；

nstart:当参数centers为整数时，本参数用于指定随机抽取的数据集的个数；

Algorithm:指定用于聚类的算法，可供选择的算法有: "Hartigan-Wong","Lloyd","Forgy"和"MacQueen"；

Trace:可以为逻辑值或整数，目前仅用于默认方法，即"Hartigan-Wong". 若为TRUE，则指定生成关于算法进度的跟踪信息，当为整数时，更高的值将会指定生成更多的跟踪信息。

函数K-means()的返回结果是一个列表，包括:

cluster表示存储各观测值所属的类别编号；

centers表示存储最终聚类结果的各个类别的质心点；

tots表示所有聚类变量的离差平方和;

wihiness表示每个类别中所有聚类变量的离差平方和，该参数用于刻画各个类别中样本观测点的离散程度;

tot.withiness表示每个类别中所有聚类变量的离差平方和的总和，即wihiness的结果求和;

bewees表示各类别间的聚类变量的离差平方和之和；size表示各个类别的作

本量。

在R语言中,用于实现k-medoids聚类的函数为pam(),该函数存储在R包cluser

中，其函数的基本书写格式为:

pam(x, k, diss = inherits(x, "dist"),
    metric = c("euclidean", "manhattan"), 
    medoids = NULL, stand = FALSE, cluster.only = FALSE,
    do.swap = TRUE,
    keep.diss = !diss && !cluster.only && n < 100,
    keep.data = !diss && !cluster.only,
    pamonce = FALSE, trace.lev = 0)

参数介绍:

X:指定用于聚类的数据对象；

Diss:逻辑值，若为TRUE，则x将被视为不相似矩阵。若为FALSE, 则x将被视为变量的观测矩阵，默认值为"dist" 或不相似对象;

Metric:指定样本间距离测算的方式，可供选择的有"euclidean"和"mahattan",默认值为"euclidean";

Medoids:取值为NULL或一个k维向量，当取值为NULL时，指定初始中心点样本由软件自行选择，默认值为NULL；

Stand:指定进行聚类前是否对数据机型标准化；

cluster.only:逻辑值，指定聚类结果是否仅包括各样本点所归属的类别，若取值为TRUE，则算法的效率更高，默认值为FALSE；

do.swap:逻辑值，用于指定交换阶段是否应发生，若为TRUE，则指定原始算法，若为FALSE，则表示交换阶段的计算机密集程度远大于构建阶段，所以可以通过do.swap = FALSE跳过，默认值为TRUE;

kep.diss: 逻辑值，指定相似性和或者输入数据x是否应该是逻辑值，默认值

为!diss && !cluster.only &&n< 100;

kep.da:逻辑值，指定是否在聚类结果中保留数据集，默认值为!diss&& !clustcr.only；

Pamoncer:逻和值成为0到2之间的熬数，州定由Reynolds符人提出的算法快

捷方式，默认值为FALSE:

trace.lev:一个整数，指定在算法的构建和交换阶段期间的跟踪级别，更高的值将会指定生成更多的跟踪信息，默认位为0，即不打印任何东西。

案例：基于随机生成序列的动态聚类

> set.seed(1234)
> dat <- rbind(matrix(rnorm(100, mean=0,sd = 0.2), ncol = 2),matrix(rnorm(100,mean = 1, sd = 0.3), ncol = 2))
> colnames(dat) <- c("x", "y")
> plot(dat)

上诉代码表示，随机生成两列正态分布数据，第一列的均值为0，标准差为0.2，第二列的均值为1，标准差为0.3，散点图的结果如上图，不难看出，样本点大致分为2类，下面我们进行k-means聚类。

(kmeans.1 <- kmeans(dat, 2))

plot(dat, col = kmeans.1$cluster,main="聚成2类")
points(kmeans.1$centers, col = 3:4, pch = 8, cex = 2)

上诉代码表示将原始数据聚成2类，将聚类结果绘制出来，利用不同颜色区分类别，最后标出类质心。

此外，还可以尝试将原始数据聚成3类，代码如下：

(kmeans.2 <- kmeans(dat, 3))
plot(dat, col = kmeans.2$cluster,main="聚成3类")
points(kmeans.2$centers, col = 3:5, pch = 8, cex = 2)

k-medoids聚类

下面我们利用同样的数据集进行k-medoids聚类

library(cluster)
pam1<-pam(dat,2)
summary(pam1)
par(mfrow=c(1,2))
plot(pam1)

上述代码表示利用函数pam()将dat数据集的聚类分成2类，聚类结果的展示如下图，左图展示了每一类的样本点分布，右边的图像显示了2个簇的阴影，当si的值较大即接近1时，表示相应的观测点能够正确的划分到相似较大的簇中，图中2个簇的si值是0.77和0.64.说明划分结果较好。

同样我们也可以将结果分为3类

pam2<-pam(dat,3)
summary(pam2)
plot(pam2)

代码运行后，可以明显看出，第三类是在左边的大类中划分出来的，各个类别之间的距离用直线标注；右图中的si值显示，当原始数据聚成3类时，其中一类的si值较小，说明划分结果不是很理想，比较k-medoids聚类的结论不一致，说明原始样本中含有极端值，对k-means聚类结果影响较大。