R语言确定聚类的最佳簇数：3种聚类优化方法|附代码数据

原文链接：http://tecdat.cn/?p=7275

最近我们被客户要求撰写关于聚类的研究报告，包括一些图形和统计输出。

确定数据集中最佳的簇数是分区聚类（例如k均值聚类）中的一个基本问题，它要求用户指定要生成的簇数k。

一个简单且流行的解决方案包括检查使用分层聚类生成的树状图，以查看其是否暗示特定数量的聚类。不幸的是，这种方法也是主观的。

 我们将介绍用于确定k均值，k medoids（PAM）和层次聚类的最佳聚类数的不同方法。

这些方法包括直接方法和统计测试方法：

1. 直接方法：包括优化准则，例如簇内平方和或平均轮廓之和。相应的方法分别称为弯头方法和轮廓方法。
2. 统计检验方法：包括将证据与无效假设进行比较。**

除了肘部，轮廓和间隙统计方法外，还有三十多种其他指标和方法已经发布，用于识别最佳簇数。我们将提供用于计算所有这30个索引的R代码，以便使用“多数规则”确定最佳聚类数。

对于以下每种方法：

• 我们将描述基本思想和算法
• 我们将提供易于使用的R代码，并提供许多示例，用于确定最佳簇数并可视化输出。

 

---

点击标题查阅往期内容

R语言文本挖掘：kmeans聚类分析上海玛雅水公园景区五一假期评论词云可视化

左右滑动查看更多

01

02

03

04

肘法

回想一下，诸如k-均值聚类之类的分区方法背后的基本思想是定义聚类，以使总集群内变化[或总集群内平方和（WSS）]最小化。总的WSS衡量了群集的紧凑性，我们希望它尽可能小。

Elbow方法将总WSS视为群集数量的函数：应该选择多个群集，以便添加另一个群集不会改善总WSS。

最佳群集数可以定义如下：

1. 针对k的不同值计算聚类算法（例如，k均值聚类）。例如，通过将k从1个群集更改为10个群集。
2. 对于每个k，计算群集内的总平方和（wss）。
3. 根据聚类数k绘制wss曲线。
4. 曲线中拐点（膝盖）的位置通常被视为适当簇数的指标。

 

平均轮廓法

 

平均轮廓法计算不同k值的观测值的平均轮廓。聚类的最佳数目k是在k的可能值范围内最大化平均轮廓的数目（Kaufman和Rousseeuw 1990）。

 

差距统计法

 该方法可以应用于任何聚类方法。

间隙统计量将k的不同值在集群内部变化中的总和与数据空引用分布下的期望值进行比较。最佳聚类的估计将是使差距统计最大化的值（即，产生最大差距统计的值）。 

 

资料准备

我们将使用USArrests数据作为演示数据集。我们首先将数据标准化以使变量具有可比性。

r


head(df)
##            Murder Assault UrbanPop     Rape
## Alabama    1.2426   0.783   -0.521 -0.00342
## Alaska     0.5079   1.107   -1.212  2.48420
## Arizona    0.0716   1.479    0.999  1.04288
## Arkansas   0.2323   0.231   -1.074 -0.18492
## California 0.2783   1.263    1.759  2.06782
## Colorado   0.0257   0.399    0.861  1.86497

  Silhouhette和Gap统计方法

简化格式如下：****

下面的R代码确定k均值聚类的最佳聚类数：

r

# Elbow method
fviz_nbclust(df, kmeans, method = "wss") +
    geom_vline(xintercept = 4, linetype = 2)+
  labs(subtitle = "Elbow method")

# Silhouette method

# Gap statistic

## Clustering k = 1,2,..., K.max (= 10): .. done
## Bootstrapping, b = 1,2,..., B (= 50)  [one "." per sample]:
## .................................................. 50

 

 

---

点击标题查阅往期内容

PYTHON链家租房数据分析：岭回归、LASSO、随机森林、XGBOOST、KERAS神经网络、KMEANS聚类、地理可视化

左右滑动查看更多

01

02

03

04

•  

根据这些观察，有可能将k = 4定义为数据中的最佳簇数。

30个索引，用于选择最佳数目的群集

数据：矩阵

• diss：要使用的相异矩阵。默认情况下，diss = NULL，但是如果将其替换为差异矩阵，则距离应为“ NULL”
• distance：用于计算差异矩阵的距离度量。可能的值包括“ euclidean”，“ manhattan”或“ NULL”。
• min.nc，max.nc：分别为最小和最大簇数
• 要为kmeans 计算NbClust（），请使用method =“ kmeans”。
• 要计算用于层次聚类的NbClust（），方法应为c（“ ward.D”，“ ward.D2”，“ single”，“ complete”，“ average”）之一。

下面的R代码为k均值计算 **：

 

## Among all indices: 
## ===================
## * 2 proposed  0 as the best number of clusters
## * 10 proposed  2 as the best number of clusters
## * 2 proposed  3 as the best number of clusters
## * 8 proposed  4 as the best number of clusters
## * 1 proposed  5 as the best number of clusters
## * 1 proposed  8 as the best number of clusters
## * 2 proposed  10 as the best number of clusters
## 
## Conclusion
## =========================
## * According to the majority rule, the best number of clusters is  2 .

 

根据多数规则，最佳群集数为2。

 

---

点击文末 “阅读原文”

获取全文完整代码数据资料。

本文选自《R语言确定聚类的最佳簇数：3种聚类优化方法》。

点击标题查阅往期内容

PYTHON链家租房数据分析：岭回归、LASSO、随机森林、XGBOOST、KERAS神经网络、KMEANS聚类、地理可视化\
【视频】复杂网络分析CNA简介与R语言对婚礼数据聚类社区检测和可视化|数据分享\
数据分享|R语言分析上海空气质量指数数据：kmean聚类、层次聚类、时间序列分析：arima模型、指数平滑法\
R语言文本挖掘：kmeans聚类分析上海玛雅水公园景区五一假期评论词云可视化\
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类\
K-means和层次聚类分析癌细胞系微阵列数据和树状图可视化比较\
KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数\
PYTHON实现谱聚类算法和改变聚类簇数结果可视化比较\
有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据\
R语言多维数据层次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据\
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化\
Python Monte Carlo K-Means聚类实战研究\
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类\
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归\
R语言谱聚类、K-MEANS聚类分析非线性环状数据比较\
R语言实现k-means聚类优化的分层抽样(Stratified Sampling)分析各市镇的人口\
R语言聚类有效性：确定最优聚类数分析IRIS鸢尾花数据和可视化Python、R对小说进行文本挖掘和层次聚类可视化分析案例\
R语言k-means聚类、层次聚类、主成分（PCA）降维及可视化分析鸢尾花iris数据集\
R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间\
R语言用温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化\
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类\
R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析\
R语言复杂网络分析：聚类（社区检测）和可视化\
R语言中的划分聚类模型\
基于模型的聚类和R语言中的高斯混合模型\
r语言聚类分析：k-means和层次聚类\
SAS用K-Means 聚类最优k值的选取和分析\
用R语言进行网站评论文本挖掘聚类\
基于LDA主题模型聚类的商品评论文本挖掘\
R语言鸢尾花iris数据集的层次聚类分析\
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归\
R语言聚类算法的应用实例