454

作为 R 的新手,我不太确定如何选择最佳数量的集群来进行 k 均值分析。在绘制以下数据的子集后,有多少个集群是合适的?如何执行集群树状分析?

n = 1000
kk = 10    
x1 = runif(kk)
y1 = runif(kk)
z1 = runif(kk)    
x4 = sample(x1,length(x1))
y4 = sample(y1,length(y1)) 
randObs <- function()
{
  ix = sample( 1:length(x4), 1 )
  iy = sample( 1:length(y4), 1 )
  rx = rnorm( 1, x4[ix], runif(1)/8 )
  ry = rnorm( 1, y4[ix], runif(1)/8 )
  return( c(rx,ry) )
}  
x = c()
y = c()
for ( k in 1:n )
{
  rPair  =  randObs()
  x  =  c( x, rPair[1] )
  y  =  c( y, rPair[2] )
}
z <- rnorm(n)
d <- data.frame( x, y, z )
4

7 回答 7

1060

如果您的问题是how can I determine how many clusters are appropriate for a kmeans analysis of my data?,那么这里有一些选项。关于确定集群数量的维基百科文章对其中一些方法进行了很好的回顾。

首先,一些可重复的数据(Q 中的数据......我不清楚):

n = 100
g = 6 
set.seed(g)
d <- data.frame(x = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i^2))), 
                y = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i^2))))
plot(d)

在此处输入图像描述

。在平方误差和 (SSE) 碎石图中寻找弯曲或弯头。有关更多信息,请参见http://www.statmethods.net/advstats/cluster.htmlhttp://www.mattpeeples.net/kmeans.html。结果图中肘部的位置表明了 kmeans 的合适数量的聚类:

mydata <- d
wss <- (nrow(mydata)-1)*sum(apply(mydata,2,var))
  for (i in 2:15) wss[i] <- sum(kmeans(mydata,
                                       centers=i)$withinss)
plot(1:15, wss, type="b", xlab="Number of Clusters",
     ylab="Within groups sum of squares")

我们可能会得出结论,这种方法将指示 4 个集群: 在此处输入图像描述

pamk您可以使用fpc 包中的函数围绕中心点进行分区以估计集群的数量。

library(fpc)
pamk.best <- pamk(d)
cat("number of clusters estimated by optimum average silhouette width:", pamk.best$nc, "\n")
plot(pam(d, pamk.best$nc))

在此处输入图像描述 在此处输入图像描述

# we could also do:
library(fpc)
asw <- numeric(20)
for (k in 2:20)
  asw[[k]] <- pam(d, k) $ silinfo $ avg.width
k.best <- which.max(asw)
cat("silhouette-optimal number of clusters:", k.best, "\n")
# still 4

。Calinsky 标准:另一种诊断有多少集群适合数据的方法。在这种情况下,我们尝试 1 到 10 个组。

require(vegan)
fit <- cascadeKM(scale(d, center = TRUE,  scale = TRUE), 1, 10, iter = 1000)
plot(fit, sortg = TRUE, grpmts.plot = TRUE)
calinski.best <- as.numeric(which.max(fit$results[2,]))
cat("Calinski criterion optimal number of clusters:", calinski.best, "\n")
# 5 clusters!

在此处输入图像描述

。根据期望最大化的贝叶斯信息准则确定最优模型和簇数,通过参数化高斯混合模型的层次聚类初始化

# See http://www.jstatsoft.org/v18/i06/paper
# http://www.stat.washington.edu/research/reports/2006/tr504.pdf
#
library(mclust)
# Run the function to see how many clusters
# it finds to be optimal, set it to search for
# at least 1 model and up 20.
d_clust <- Mclust(as.matrix(d), G=1:20)
m.best <- dim(d_clust$z)[2]
cat("model-based optimal number of clusters:", m.best, "\n")
# 4 clusters
plot(d_clust)

在此处输入图像描述 在此处输入图像描述 在此处输入图像描述

。亲和传播 (AP) 聚类,参见http://dx.doi.org/10.1126/science.11​​36800

library(apcluster)
d.apclus <- apcluster(negDistMat(r=2), d)
cat("affinity propogation optimal number of clusters:", length(d.apclus@clusters), "\n")
# 4
heatmap(d.apclus)
plot(d.apclus, d)

在此处输入图像描述 在此处输入图像描述

。用于估计聚类数量的差距统计。另请参阅一些代码以获得漂亮的图形输出。在这里尝试 2-10 个集群:

library(cluster)
clusGap(d, kmeans, 10, B = 100, verbose = interactive())

Clustering k = 1,2,..., K.max (= 10): .. done
Bootstrapping, b = 1,2,..., B (= 100)  [one "." per sample]:
.................................................. 50 
.................................................. 100 
Clustering Gap statistic ["clusGap"].
B=100 simulated reference sets, k = 1..10
 --> Number of clusters (method 'firstSEmax', SE.factor=1): 4
          logW   E.logW        gap     SE.sim
 [1,] 5.991701 5.970454 -0.0212471 0.04388506
 [2,] 5.152666 5.367256  0.2145907 0.04057451
 [3,] 4.557779 5.069601  0.5118225 0.03215540
 [4,] 3.928959 4.880453  0.9514943 0.04630399
 [5,] 3.789319 4.766903  0.9775842 0.04826191
 [6,] 3.747539 4.670100  0.9225607 0.03898850
 [7,] 3.582373 4.590136  1.0077628 0.04892236
 [8,] 3.528791 4.509247  0.9804556 0.04701930
 [9,] 3.442481 4.433200  0.9907197 0.04935647
[10,] 3.445291 4.369232  0.9239414 0.05055486

这是 Edwin Chen 实施差距统计的输出: 在此处输入图像描述

。您可能还会发现使用 clustergrams 探索数据以可视化集群分配很有用,请参阅http://www.r-statistics.com/2010/06/clustergram-visualization-and-diagnostics-for-cluster-analysis-r-代码/了解更多详情。

。NbClust提供 30 个索引来确定数据集中的集群数量。

library(NbClust)
nb <- NbClust(d, diss=NULL, distance = "euclidean",
        method = "kmeans", min.nc=2, max.nc=15, 
        index = "alllong", alphaBeale = 0.1)
hist(nb$Best.nc[1,], breaks = max(na.omit(nb$Best.nc[1,])))
# Looks like 3 is the most frequently determined number of clusters
# and curiously, four clusters is not in the output at all!

在此处输入图像描述

如果你的问题是how can I produce a dendrogram to visualize the results of my cluster analysis,那么你应该从这些开始:http: //www.statmethods.net/advstats/cluster.html http://www.r-tutor.com/gpu-computing/clustering/hierarchical-cluster-analysis http://gastonsanchez.wordpress.com/2012/10/03/7-ways-to-plot-dendrograms-in-r/更多奇特的方法见这里: http: //cran.r-project.org/ web/views/Cluster.html

这里有一些例子:

d_dist <- dist(as.matrix(d))   # find distance matrix 
plot(hclust(d_dist))           # apply hirarchical clustering and plot

在此处输入图像描述

# a Bayesian clustering method, good for high-dimension data, more details:
# http://vahid.probstat.ca/paper/2012-bclust.pdf
install.packages("bclust")
library(bclust)
x <- as.matrix(d)
d.bclus <- bclust(x, transformed.par = c(0, -50, log(16), 0, 0, 0))
viplot(imp(d.bclus)$var); plot(d.bclus); ditplot(d.bclus)
dptplot(d.bclus, scale = 20, horizbar.plot = TRUE,varimp = imp(d.bclus)$var, horizbar.distance = 0, dendrogram.lwd = 2)
# I just include the dendrogram here

在此处输入图像描述

对于高维数据,还有一个pvclust库,它通过多尺度引导重采样计算层次聚类的 p 值。这是文档中的示例(不会像我的示例那样处理低维数据):

library(pvclust)
library(MASS)
data(Boston)
boston.pv <- pvclust(Boston)
plot(boston.pv)

在此处输入图像描述

这些有帮助吗?

于 2013-03-13T03:20:13.817 回答
24

很难添加如此详尽的答案。虽然我觉得我们应该identify在这里提到,特别是因为@Ben 展示了很多树状图示例。

d_dist <- dist(as.matrix(d))   # find distance matrix 
plot(hclust(d_dist)) 
clusters <- identify(hclust(d_dist))

identify让您以交互方式从树状图中选择集群并将您的选择存储到列表中。按 Esc 退出交互模式并返回 R 控制台。请注意,该列表包含索引,而不是行名(与 相对cutree)。

于 2016-04-19T21:06:52.177 回答
13

为了确定聚类方法中的最优k-cluster。我通常使用Elbow并行处理的方法来避免耗时。此代码可以像这样采样:

弯头法

elbow.k <- function(mydata){
dist.obj <- dist(mydata)
hclust.obj <- hclust(dist.obj)
css.obj <- css.hclust(dist.obj,hclust.obj)
elbow.obj <- elbow.batch(css.obj)
k <- elbow.obj$k
return(k)
}

平行运行弯头

no_cores <- detectCores()
    cl<-makeCluster(no_cores)
    clusterEvalQ(cl, library(GMD))
    clusterExport(cl, list("data.clustering", "data.convert", "elbow.k", "clustering.kmeans"))
 start.time <- Sys.time()
 elbow.k.handle(data.clustering))
 k.clusters <- parSapply(cl, 1, function(x) elbow.k(data.clustering))
    end.time <- Sys.time()
    cat('Time to find k using Elbow method is',(end.time - start.time),'seconds with k value:', k.clusters)

它运作良好。

于 2016-08-09T08:38:44.903 回答
10

一个简单的解决方案是图书馆factoextra。您可以更改聚类方法和计算最佳组数的方法。例如,如果您想知道 k 均值的最佳聚类数:

数据:mtcars

library(factoextra)   
fviz_nbclust(mtcars, kmeans, method = "wss") +
      geom_vline(xintercept = 3, linetype = 2)+
      labs(subtitle = "Elbow method")

最后,我们得到如下图:

在此处输入图像描述

于 2018-12-12T21:47:51.560 回答
8

这些方法很棒,但是当试图为更大的数据集找到 k 时,这些方法在 R 中可能会非常慢。

我发现的一个很好的解决方案是“RWeka”包,它有效地实现了 X-Means 算法 - K-Means 的扩展版本,可以更好地扩展并为您确定最佳集群数量。

首先,您需要确保在您的系统上安装了 Weka,并通过 Weka 的包管理器工具安装了 XMeans。

library(RWeka)

# Print a list of available options for the X-Means algorithm
WOW("XMeans")

# Create a Weka_control object which will specify our parameters
weka_ctrl <- Weka_control(
    I = 1000,                          # max no. of overall iterations
    M = 1000,                          # max no. of iterations in the kMeans loop
    L = 20,                            # min no. of clusters
    H = 150,                           # max no. of clusters
    D = "weka.core.EuclideanDistance", # distance metric Euclidean
    C = 0.4,                           # cutoff factor ???
    S = 12                             # random number seed (for reproducibility)
)

# Run the algorithm on your data, d
x_means <- XMeans(d, control = weka_ctrl)

# Assign cluster IDs to original data set
d$xmeans.cluster <- x_means$class_ids
于 2017-12-27T15:07:16.587 回答
8

本的精彩回答。然而,令我感到惊讶的是,这里建议使用亲和传播 (AP) 方法只是为了找到 k-means 方法的聚类数,通常 AP 在聚类数据方面做得更好。请在此处查看支持此方法的科学论文:

弗雷、布伦丹 J. 和德尔伯特杜克。“通过在数据点之间传递消息进行聚类。” 科学 315.5814 (2007): 972-976。

因此,如果您不偏向 k-means,我建议直接使用 AP,这将在不需要知道集群数量的情况下对数据进行聚类:

library(apcluster)
apclus = apcluster(negDistMat(r=2), data)
show(apclus)

如果负欧几里得距离不合适,那么您可以使用同一包中提供的其他相似性度量。例如,对于基于 Spearman 相关性的相似性,这就是您需要的:

sim = corSimMat(data, method="spearman")
apclus = apcluster(s=sim)

请注意,AP 包中的相似功能只是为了简单起见。事实上,R 中的 apcluster() 函数将接受任何相关矩阵。与 corSimMat() 之前的相同操作可以通过以下方式完成:

sim = cor(data, method="spearman")

或者

sim = cor(t(data), method="spearman")

取决于您要在矩阵上聚类的内容(行或列)。

于 2017-04-12T20:08:54.867 回答
4

答案很棒。如果您想给另一种聚类方法一个机会,您可以使用层次聚类并查看数据是如何拆分的。

> set.seed(2)
> x=matrix(rnorm(50*2), ncol=2)
> hc.complete = hclust(dist(x), method="complete")
> plot(hc.complete)

在此处输入图像描述

根据您需要多少类,您可以将您的树状图切割为;

> cutree(hc.complete,k = 2)
 [1] 1 1 1 2 1 1 1 1 1 1 1 1 1 2 1 2 1 1 1 1 1 2 1 1 1
[26] 2 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 2 1 1 1 1 1 1 1 2

如果您键入?cutree,您将看到定义。如果您的数据集具有三个类,那么它将是简单cutree(hc.complete, k = 3)的 . 的等价物cutree(hc.complete,k = 2)cutree(hc.complete,h = 4.9)

于 2017-08-22T23:56:19.477 回答