chapter 16 聚类分析

作者：于饼喵
阅读时间：10min

有时我们需要将样本按照特征分为不同的类，比如，金融机构需要根据客户的特征将客户划分不同的等级，这时聚类算法可以满足我们的需求

本章主要介绍两类常用聚类分析方法：

层次聚类（eg. Hierachical Clustering）
划分聚类 (eg. K-means Clustering)

层次聚类和划分聚类的区别在于是否提前指定了类别数量k，一般层次聚类用于找出最优的分类数目k，而划分聚类用于将观测值划分为给定k个类别

16.1 聚类分析一般步骤

挑选变量：挑选出用于聚类算法的特征（变量）。比如：通过皮尔斯相关系数剔除相关性高的变量
标准化数据：将特征的值标准化为均值为0，方差为1的变量，在R中，可以使用scale()函数来标准化数据
处理异常值：层次聚类对异常值比较敏感，异常值有可能会改变最终的聚类方案，因此，使用层次聚类算法时去除异常值是必要的。在R中，可以使用outliers包中的函数moveliers()来去除异常单变量离群点
计算距离：聚类算法的原理是通过距离来对不同的样本进行分类，因此距离的计算尤为重要。一般选择欧式距离或者曼哈顿距离
选择聚类算法：若样本量较小，且不确定分类的数量k，则可以使用层次聚类；若已经根据业务得出了明确的分类数量k，可使用划分聚类; 也可使用层次聚类得出最优分类数目k后，再使用划分聚类进行划分(two-step clustering)
验证最终分类结果是否显著
分类结果的描述和可视化

16.2 距离(distance)

聚类分析使用距离来反映两个样本的相似性

两个样本之间的距离公式可以定义为：

当s为2时，公式为欧式距离(Euclidean Distance)，当s为1时，公式为曼哈顿距离。一般常用欧式距离

在R中，可以使用dist(x,method='')来计算数据框或矩阵所有行之间的距离(两两样本之间的距离)

# 营养数据集
data(nutrient, package="flexclust") 
head(nutrient,5)
distance <- dist(nutrient)
as.matrix(distance)[1:5,1:5] # 使用as.matrix转为矩阵更容易观察结果

两个观测值之间的距离越大，则其异质性越大

16.3 层次聚类(Hierachical Clustering)

层次聚类算法的原理是根据样本之间的距离，每次都把距离最近的两个样本合成新的一类，直到所有样本都被合成单个类为止。

Hierachical clustering的算法步骤如下

定义每个观测值为一类【即一开始，一个观测值就是单独一类】

计算每一类和其他各类之间的距离

把距离最短的两类合成一类

重复2，3步，直到所有类都合成一个类为止

16.3.1 实现Hierachical Clustering

在R中，Hierachical Clustering可以使用hclust(data,method='')来实现

nutrient.scaled <- scale(nutrient)
d <- dist(nutrient.scaled)
fit.average <- hclust(d, method="average") 
plot(fit.average, hang=-1, cex=.8, main="Hierachical Clustering")  # 绘制dendrogram,hang命令展示观测值的标签

dendrogram从下网上看，可以直观的看出每次迭代后，哪些类被合成了一类

如何看出最优的分类个数呢？NbClust包提供了NbClust()方法来确定层次聚类分析的最佳分类个数，返回26种方法下推荐的聚类分类个数

install.packages('NbClust')
library('NbClust')
nc <- NbClust(nutrient.scaled, distance="euclidean",min.nc=2, max.nc=15, method="average") 
table(nc$Best.nc[1,])  # 选出不同计算方法下的分类数目频数
barplot(table(nc$Best.nc[1,]),xlab='# of clustering',ylab='# of criteria',main='# of Clusters Chosen by 26 criteria')

使用table(nc$Best.nc[1,])可以查看26种计算标准下所推荐的不同类别数量的频数分布，从barplot可以看出，2、3、5、15都可以作为所分的类别数量

16.3.2 手肘原则

NbClust包给出的结果下，2、3、5、15 的频数相同，那么此时我们要用哪个数作为我们的k呢？这时我们可以使用SSE+手肘原则来选择最优的k
$\begin{align} \\& SSE = \sum_{i=1}^{k} \sum_{p \in C_{i}} (p - \mu_{i})^2 \\& Ci \quad代表第i个簇 \\& p \ \ \quad代表第i个簇内的样本值 \\& \mu \ \quad 代表第i个簇的质心 \end{align}$

随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。并且，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数

library(factoextra)
#设置随机种子，保证试验结果复现  
set.seed(123)  
#确定最佳聚类个数，使用within sum of square 
fviz_nbclust(nutrient.scaled,hcut,method="wss") +geom_vline(xintercept = 5, linetype = 2,color='red')+labs(subtitle = "Elbow method")
# wss stands for within sum of square

当多分一类并不能给模型带来更好的效果时（SSE下降幅度很小），便停止分类。因此根据上图的转折点，可以发现，从2-3和4-5都能带来模型的提升，但是从5-6模型的提升很少，因此5应该为我们最终使用的k

16.3.2 分类结果的描述

确定了分类次数k后，我们需要使用确定的k再次进行分类(此处k=5)，然后对不同类别的特征进行描述

在R中，可以使用cutree(fit,k='')来对结果按指定的k进行重新分类

然后使用聚合函数aggregate(data.frame,by=list(),func)来对结果进行展示，并按照聚合函数结果描述不同类的特征

clusters <- cutree(fit.average,k=5)  # 把dendrogram分成5类
table(clusters)  # 不同类别中的样本数
aggregate(nutrient, by=list(cluster=clusters), median)  # 描述不同类
# 重新绘制dendrogram
plot(fit.average, hang=-1, cex=.8, main="5 Cluster Solution") # hang=-1展示标签
rect.hclust(fit.average, k=5)

Hierachical Clustering的缺点在于，一旦一个样本值被分配给一个类，那么后续的迭代中就不能再将它剔除，而划分聚类分析则可以克服这个缺点

16.4 划分聚类

划分聚类算法最常用的算法是k-means算法，

16.4.1 k-means

K-means算法的基本步骤如下：

指定k个质心，一般是算法随机指定【k为分类数目】(如图：cc1和cc2为指定的质心)

计算每个样本点到质心的距离，每个样本都被分配到距离其最近的质心所在的类

根据所计算的距离，ABC被分配到cc1，DEFG被分配到cc2

根据所在类的所有的样本值，重新计算该类的质心的位置【即重新计算cc1和cc2的位置，cc1 >> cc1' ; cc2>> cc2'】

根据计算出的新质心，重复第2，3步，直到达到最大迭代次数，或质心位置变化小于指定阈值且各类样本不在变化

最后ABCE被分配到cc1'所在的类，DGF被分配到cc2'所在的类

K-means在R语言中 kmeans(data,centers=)来完成k-means算法， data参数表示数据集， centers参数表示要分类的数目k

根据业务或项目要求，如果有明确的分类数目k，可以直接使用k-means算法；而如果没有明确的分类数目k，一般会使用two-steps clustering，即先使用Hierachical-clustering和SSE找出最优分类数目k后，再使用找出的k进行k-means分类

data(wine, package="rattle")  # 葡萄酒数据
head(wine)
df <- scale(wine[-1])  # standardize
set.seed(1234)
fviz_nbclust(df,kmeans,method="wss") +geom_vline(xintercept = 3, linetype = 2,color='red')+labs(subtitle = "Elbow method")

根据手肘原则，k=3为最佳的分类数目。确定分类数目后，使用k_means对指定的k进行分类，并使用聚合函数aggregate对分类结果进行描述

16.4.2 分类结果的描述

set.seed(1234) 
fit.kmeans<-kmeans(df,3)
fit.kmeans$size  # 查看各类的样本数
fit.kmeans$centers  # 查看质心的值
aggregate(wine[-1], by=list(cluster=fit.kmeans$cluster), mean)  # 聚合函数描述

# 结果的部分可视化
plot(df[,c('Alcohol','Malic')],col=fit.kmeans$cluster)
points(fit.kmeans$centers[,c('Alcohol','Malic')],col='purple',pch=8)

一般使用聚类算法，都会使用two-step clustering，由于聚类算法属于无监督学习，所以并没有唯一的分类答案，需要根据具体业务和项目来灵活应用

参考
[1] Kabacoff, Robert. R 语言实战. Ren min you dian chu ban she, 2016.
[2] https://blog.csdn.net/Anna_datahummingbird/article/details/79912348