R语言实战 聚类分析

16．聚类分析

1.前言

聚类分析是一种数据规约技术，在与揭露一个数据集中观测值的子集，可以把大量的观测值规约为若干个类，而类即是被定义为若干个观测值组成的群组，组内相似度高于组间相似度，即是聚类.最常用的聚类时层次聚类和划分聚类。

层次聚类即是每个观测值自成一类，这些类再两两合并，直到最后只剩下一类。常用的算法有单联动算法，全联动算法，平均联动、质心和word方法。

划分聚类是制定类的K个个数，然后随机分成K类，再重新形成聚合的类。常用的算法是K均值算法和围绕中心点的划分（PAM）。

对flexclust包中的营养数据集nutrient做层次聚类。

解决的问题为：

（1）：基于五种营养标准的27类鱼，禽，肉的相同点与不同点

（2）：是否有一种方法将这些食物分为若干个有意义的类

另一个问题是用划分聚类分析葡萄酒的化学成分，用rattle包的wine数据，解决的问题有：

（1）：意大利葡萄酒样品可否分为更细的类别

（2）：若可以，有多少子组？特征分别是什么？

2.聚类分析的一般步骤

（1）：选择合适的变量

（2）：缩放数据（将每个变量标准化，变为均值为0，标准差为1的变量）

代码实现为：

df1<-apply(mydata,2,function(x){x-mean(x)}/sd(x)))

df2<-apply(mydata,2,function(x){x-mean(x)})

df3<-apply（mydata,2,function(x){(x-mean(x))/mad(x)}）

也可以使用scale()函数来讲变量标准化

（3）:寻找异常点（采用outliers包中的函数来筛选和删除单变量的离群点，也可用mvoutlier包中包含了能识别多元变量离群点的函数）

（4）：计算距离：

（5）：选择聚类算法：（层次聚类适用于小样本，划分聚类适合较大的数据量）

（6）：获得一种或多种聚类方法

（7）：确定聚类数目

（8）：得解决方案

（9）：结果可视化

（10）：解读类

（11）：验证结果

3.计算距离

采用的是欧氏距离

R语言实现

data(nutrient,package="flexclust")

head(nutrient,4)

             energy protein fat calcium iron

BEEF BRAISED    340      20  28       9  2.6

HAMBURGER       245      21  17       9  2.7

BEEF ROAST      420      15  39       7  2.0

BEEF STEAK      375      19  32       9  2.6

d<-dist(nutrient)

as.matrix(d)[1:4,1:4]