标签：fit 16 均值 km 划分 中心点 聚类 pam 聚类分析
1 划分聚类分析
1.1 K 均值聚类
最常见的划分方法是K均值聚类分析。从概念上讲，K均值算法如下：
(1) 选择K个中心点（随机选择K行）；
(2) 把每个数据点分配到离它最近的中心点；
(3) 重新计算每类中的点到该类中心点距离的平均值（也就说，得到长度为p的均值向量，这里的p是变量的个数）；
(4) 分配每个数据到它最近的中心点；
(5) 重复步骤(3)和步骤(4)直到所有的观测值不再被分配或是达到最大的迭代次数（R把10次作为默认迭代次数）。
R软件使用Hartigan & Wong（1979）提出的有效算法，这种算法是把观测值分成k组并使得观测值到其指定的聚类中心的平方的总和为最小。
K均值聚类能处理比层次聚类更大的数据集。在R中K均值的函数格式是kmeans(x,centers)，这里x表示数值数据集（矩阵或数据框），centers是要提取的聚类数目。函数返回类的成员、类中心、平方和（类内平方和、类间平方和、总平方和）和类大小。
由于K均值聚类在开始要随机选择k个中心点，在每次调用函数时可能获得不同的方案。使用set.seed()函数可以保证结果是可复制的。此外，聚类方法对初始中心值的选择也很敏感。
kmeans()函数有一个nstart选项尝试多种初始配置并输出最好的一个。例如，加上nstart=25会生成25个初始配置。通常推荐使用这种方法。
不像层次聚类方法，K均值聚类要求你事先确定要提取的聚类个数。同样，NbClust包可以用来作为参考。另外，在K均值聚类中，类中总的平方值对聚类数量的曲线可能是有帮助的。可根据图中的弯曲选择适当的类的数量。
图像可以用下面的代码产生：
wssplot<-function(data,nc=15,seed=123){
wss<-(nrow(data)-1)*sum(apply(data, 2, var))
for (i in 2:nc){
set.seed(seed)
wss[i]<-sum(kmeans(data,centers = i)$withiness)}
plot(1:nc,wss,type="b",xlab="Number of Clusters",
ylab="within groups sum of squares")}
data参数是用来分析的数值数据，nc是要考虑的最大聚类个数，而seed是一个随机数种子。
用K均值聚类来处理包含178种意大利葡萄酒中13种化学成分的数据集。该数据最初来自于UCI机器学习库（http://www.ics.uci.edu/~mlearn/MLRepository.html），但是可以通过rattle
包获得。在这个数据集里，观测值代表三种葡萄酒的品种，由第一个变量（类型）表示。
（1）葡萄酒数据的K均值聚类：
data(wine, package="rattle")
head(wine)
df <- scale(wine[-1]) #标准化数据，均值未0，方差为1
wssplot(df)
结果分析：画出组内的平方和和提取的聚类个数的对比。从一类到三类下降得很快（之后下降得很慢），建议选用聚类个数为二、三的解决方案。
library(NbClust)
set.seed(1234)
devAskNewPage(ask=TRUE)
nc <- NbClust(df, min.nc=2, max.nc=15, method="kmeans")
结果分析：左图表示从一类到三类变化时，组内的平方总和有一个明显的下降趋势。三类之后，下降的速度减弱，暗示着聚成三类可能对数据来说是一个很好的拟合。
table(nc$Best.n[1,]) #查看分组支持数
结果分析：这里，19个评判准则赞同聚类个数为3，2个判定准则赞同聚类个数为2，等等。
barplot(table(nc$Best.n[1,]), #分组支持数可视化
xlab="Number of Clusters", ylab="Number of Criteria",
main="Number of Clusters Chosen by 26 Criteria")
结果分析：使用NbClust包中的26个指标推荐的聚类个数，可以看到聚为3类拥有最多的支持数。
set.seed(1234)
fit.km <- kmeans(df, 3, nstart=25) #进行K均值聚类分析
fit.km$size #查看聚成三类后，每类有多少变量
查看标准化之后数据据的维度，有178行，13列
fit.km$centers #查看聚类的中心
aggregate(wine[-1], by=list(cluster=fit.km$cluster), mean) #使用aggregate()函数和类的成员来得到原始矩阵中每一类的变量均值
交叉列表类型（葡萄酒品种）和类成员由下面的代码表示：
ct.km <- table(wine$Type, fit.km$cluster)
ct.km
可以用flexclust包中的兰德指数（Rand index）来量化类型变量和类之间的协议：
library(flexclust)
randIndex(ct.km)
结果分析：调整的兰德指数为两种划分提供了一种衡量两个分区之间的协定，即调整后机会的量度。它的变化范围是从–1（不同意）到1 （完全同意）。葡萄酒品种类型和类的解决方案之间的协定约等于0.9，结果不坏。
1.2 围绕中心点的划分
因为K均值聚类方法是基于均值的，所以它对异常值是敏感的。一个更稳健的方法是围绕中
心点的划分（PAM），K均值聚类一般使用欧几里得距离，而PAM可以使用任意的距离来计算。
PAM算法如下：
(1) 随机选择K个观测值（每个都称为中心点）；
(2) 计算观测值到各个中心的距离/相异性；
(3) 把每个观测值分配到最近的中心点；
(4) 计算每个中心点到每个观测值的距离的总和（总成本）；
(5) 选择一个该类中不是中心的点，并和中心点互换；
(6) 重新把每个点分配到距它最近的中心点；
(7) 再次计算总成本；
(8) 如果总成本比步骤(4)计算的总成本少，把新的点作为中心点；
(9) 重复步骤(5)～(8)直到中心点不再改变。
可以使用cluster包中的pam()函数使用基于中心点的划分方法。格式如下：
pam(x, k, metric="euclidean", stand=FALSE)
x表示数据矩阵或数据框，k表示聚类的个数，metric表示使用的相似性/相异性的度量，而stand是一个逻辑值，表示是否有变量应该在计算该指标之前被标准化。
（1）对葡萄酒数据使用基于质心的划分方法：
library(cluster)
set.seed(1234)
fit.pam <- pam(wine[-1], k=3, stand=TRUE) #聚类数据的标准化
fit.pam$medoids #输出中心点
结果分析：这里得到的中心点是葡萄酒数据集中实际的观测值。
clusplot(fit.pam, main="Bivariate Cluster Plot") #画出聚类方案
PAM在如下例子中的表现不如K均值：
ct.pam <- table(wine$Type, fit.pam$clustering)
ct.pam
randIndex(ct.pam)
结果分析：flexclust包中的兰德指数（Rand index）来量化类型变量和类之间的协议，调整的兰德指数为两种划分提供了一种衡量两个分区之间的协定，即调整后机会的量度。它的变化范围是从–1（不同意）到1 （完全同意）。葡萄酒品种类型和类的解决方案之间的协定约等于0.7，结果没有很好。
标签：fit,16,均值,km,划分,中心点,聚类,pam,聚类分析 来源： https://www.cnblogs.com/YY-zhang/p/15138191.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。