如何选择最佳的聚类数量来进行k均值分析。在绘制以下数据的子集后，多少个簇是合适的?如何进行聚类树突分析?
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 )
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，它具有X-Means算法的有效实现——K-Means的扩展版本，可以更好地扩展，并为您确定最佳的集群数量。
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
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，它具有X-Means算法的有效实现——K-Means的扩展版本，可以更好地扩展，并为您确定最佳的集群数量。
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
答案很好。如果您希望使用另一种聚类方法，您可以使用层次聚类并查看数据是如何分割的。
> set.seed(2)
> x=matrix(rnorm(50*2), ncol=2)
> hc.complete = hclust(dist(x), method="complete")
> plot(hc.complete)
根据你需要多少类，你可以把你的树状图切割成;
> 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
如果你输入?cutree，你会看到定义。如果你的数据集有三个类，它将是简单的cutree(hc.complete,k = 3)。cutree(hc.complete,k = 2)的等效是cutree(hc.complete,h = 4.9)。
本的回答很精彩。然而，我感到惊讶的是，这里建议使用亲和传播(AP)方法来为k-means方法找到聚类的数量，而在一般情况下，AP在数据聚类方面做得更好。请在《科学》杂志上看到支持这种方法的科学论文:
弗雷，布兰登·J，和德尔伯特·迪埃克。《科学》315.5814(2007):972-976。
所以如果你不倾向于k-means，我建议直接使用AP，它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另一种相似度度量。例如，对于基于斯皮尔曼相关性的相似性，这是你需要的:
sim = corSimMat(data, method="spearman")
apclus = apcluster(s=sim)
请注意，提供AP包中的相似性函数只是为了简单起见。事实上，R中的apcluster()函数将接受任何关联矩阵。之前用corSimMat()也可以这样做:
sim = cor(data, method="spearman")
or
sim = cor(t(data), method="spearman")
这取决于你想在你的矩阵上聚类什么(行或cols)。
在聚类方法中确定最优k-聚类。我通常使用弯头法，并辅以并行处理，以避免时间消耗。这段代码可以像这样进行采样:
弯头的方法
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)
它工作得很好。
