聚类分析完整指南：k-均值和层次聚类(演算与程序) (一)

---

什么是聚类分析?

---

聚类分析是探索性数据分析的一种形式，在这种分析中，观测数据被分成具有共同特征的不同组。

聚类分析（也称为分类）的目的是构造群（或类或群），同时确保以下性质：在一个群中观测值必须尽可能相似，而属于不同群的观测值必须尽可能不同。

主要有两种分类：

1. K-means clustering
2. Hierarchical clustering

第一种方法通常在预先确定类的数量时使用，而第二种方法通常用于未知数量的类，并帮助确定最佳数量。这两种方法在下面通过演算和R程序中的应用进行了说明。注意，对于层次聚类，本文只介绍了升序分类。

聚类算法利用距离将观测数据分成不同的组。因此，在深入介绍这两种分类方法之前，将介绍如何计算点之间距离的演算。

Application 1: Computing distances

存在一个数据集，包含点 $a=(0,0{)}^{\prime },b=(1,0{)}^{\prime }$ 和 $c=(5,5{)}^{\prime }$. 计算点间欧式距离矩阵(matrix of Euclidean distances)。

Solution

# We create the points in R
a <- c(0, 0)
b <- c(1, 0)
c <- c(5, 5)

X <- rbind(a, b, c) # a, b and c are combined per row
colnames(X) <- c("x", "y") # rename columns

X # display the points

OUTPUT:

##   x y
## a 0 0
## b 1 0
## c 5 5

根据勾股定理(Pythagorean formula)，我们知道$(x_a,y_a)$和$(x_b,y_b)$之间的距离在${\mathbb{R}}^2$中是 ( x a − x b ) 2 + ( y a − y b ) 2 \sqrt{(x_a - x_b)^2 + (y_a - y_b)^2} (xa​−xb​)2+(ya​−yb​)