R语言数据挖掘实践——密度聚类

　　

　　fpc包中的DBSCAN算法为数值型数据提供了密度聚类。密度聚类的基本思想是将密度相连的对象划分到同一个簇中。DBSCAN算法有两个关键的参数：

　　eps：可达距离，用于定义邻域的大小；

　　MinPts：最小数目的对象点。

　　如果点a邻域内包含的点数目不少于MinPts，则a为密集点，而a邻域内所有点从a出发都是密度可达的，将这些点与a划分到同一个簇中。

　　密度聚类的优势在于可以发现任意形状的簇，并且对噪声数据不敏感。相比之下，k均值算法更倾向于发现球状的且大小相近的簇。

　　下面使用代码在iris数据集上进行密度聚类。

　　> library(fpc)

　　> iris2 <- iris[-5]

　　> ds <- dbscan(iris2, eps=0.42, MinPts=5)

　　> table(ds$cluster,iris$Species)

　　setosa versicolor virginica

　　0 2 10 17

　　1 48 0 0

　　2 0 37 0

　　3 0 3 33

　　> plot(ds,iris2)

　　

　　上面的数据表中，第一列从“1”到“3”为识别出来的3个聚类簇，“0”表示噪声数据或离群点，即不属于任何簇的对象。图中的噪声点用黑色小圆圈表示。

　　我们还可以专门展示列与列之间的聚类结果，例如我们需要显示第一列和第四列的聚类结果。

　　> plot(ds, iris2[c(1,4)])

　　

　　fpc包还提供了另一个展示聚类结果的函数plotcluster()。需要注意的是，数据将被投影到不同的簇中。

　　> plotcluster(iris2,ds$cluster)

　　

　　根据新数据与各个簇之间的相似度，聚类模型可以对新数据打上类标号。下面的例子从iris数据集中抽取了一个包含10个对象的样本，并向样本中加入了少量噪声数据用于标记新数据集。噪声数据可以使用runif()函数基于均匀分布随机生成。

　　> set.seed(435)

　　> idx <- sample(1:nrow(iris),10)

　　> newData <- iris[idx,-5]

　　> newData <- newData + matrix(runif(10*4,min=0,max=0.2),nrow=10,ncol=4)

　　> myPred <- predict(ds,iris2,newData)

　　> plot(iris2[c(1,4)],col=1+ds$cluster)

　　> points(newData[c(1,4)],pch="*",col=1+myPred,cex=3)

　　

　　> table(myPred,iris$Species[idx])

　　myPred setosa versicolor virginica

　　0 0 0 1

　　1 3 0 0

　　2 0 3 0

　　3 0 1 2

　　从上面的预测结果可以看出，超过10个对象被标记，正确标记的对象有8个，新数据用“*”号表示，颜色表示类标号。