基于R语言的聚类分析（k-means,层次聚类）

最新推荐文章于 2024-08-13 19:12:47 发布

data_honey

最新推荐文章于 2024-08-13 19:12:47 发布

阅读量10w+

点赞数 132

分类专栏： R 文章标签： r语言聚类

本文链接：https://blog.csdn.net/hfutxiaoguozhi/article/details/78828047

版权

本文介绍了基于R语言的聚类分析，包括k-means和层次聚类方法。讨论了聚类的相似性度量、不同类型聚类的思想，如基于分割、层次、密度和概率密度分布的聚类。通过实例展示了二维和三维数据的可视化，以及如何通过降维方法如主成分分析进行高维数据的可视化。文章以层次聚类为例，演示了确定聚类数量及可视化结果的过程。

摘要由CSDN通过智能技术生成

今天给大家展示基于R语言的聚类，在此之前呢，首先谈谈聚类分析，以及常见的聚类模型，说起聚类我们都知道，就是按照一定的相似性度量方式，把接近的一些个体聚在一起。这里主要是相似性度量，不同的数据类型，我们需要用不同的度量方式。除此之外，聚类的思想也很重要，要是按照聚类思想来说，主要有这么几大类，第一大类是基于分割的聚类，比如k-means，以及按照这个思路进行了简单扩展的几个聚类，如k-median等。第二大类呢，就是层次聚类，它其实是把个体之间的关系进行了一个层次展示，具体聚为几类，由人为进行设定。第三大类呢，就是基于密度的聚类，这里不要讲基于密度的聚类和基于概率密度分布的聚类相混淆，这其实是一样的，比如混合模型，就是基于概率分布的聚类，而DBSCAN就是基于密度的聚类，实际上，这里密度是指一指局部密度，而不是概率密度分布。那么第四大类呢，就是基于概率密度分布的聚类，这一类聚类方法主要是假设数据来自某个概率分布，或者是某几个概率分布的组合，进而进行参数估计，确定分布的样子，再反过来看看，样本点属于哪一类。那么第五大类呢，是矩阵的分解（Nonnegative Matrix Factorizations ），这一大类其实和之前的几类明显不同，比如SVD分解，或者其他的分解其实在文本挖掘或者推荐算法里边都属于聚类。最后一大类就是谱聚类了。下面我们用R语言进行一下计算。

#要是没有这个包的话，首先需要安装一下
#install.packages("factoextra")
#载入包
library(factoextra)
# 载入数据
data("USArrests") 
# 数据进行标准化
df <- scale(USArrests) 
# 查看数据的前五行
head(df, n = 5)
               Murder   Assault   UrbanPop         Rape
Alabama    1.24256408 0.7828393 -0.5209066