用聚类分析鸢尾花数据

Posted 2023-02-27

参考技术A 数据集用的是iris也就是一个记录鸢尾属植物品种的样本集，数据集中一共包含了150条记录，每个样本的包含它的萼片长度和宽度，花瓣的长度和宽度以及这个样本所属的具体品种。每个品种的样本量为50条。

因为要使用knn包进行聚类分析，则将列Species置为空，将此数据集作为测试数据集

第一种方法：层次聚类
层次聚类首先将每个样本单独作为一类，然后将不同类之间距离最近的进行合并，合并后重新计算类间距离。这个过程一直持续到将所有样本归为一类为止。

method表示计算哪种距离。method的取值有：
euclidean 欧几里德距离，就是平方再开方。
maximum 切比雪夫距离
manhattan 绝对值距离
canberra Lance 距离
minkowski 明科夫斯基距离，使用时要指定p值
binary 定性变量距离

从图中可以看到颜色越深表示样本间距离越近，大致上可以区分出三到四个区块，其样本之间比较接近。

然后使用hclust函数(d=dist,即样本间的距离矩阵，method为计算类间距离的方法),建立聚类模型，结果存clustemodel变量中，其中ward参数是将类间距离计算方法设置为离差平方和法。使用plot(clustemodel)可以绘制出聚类树图。如果我们希望将类别设为3类，可以使用cutree函数提取每个样本所属的类别。

最后我们来观察真实地类别和聚类之间的差别

发现virginica类错分了23个样本
最后我们计算3个组的中心点即实心圆，空心圆表示不同样本的位置

层次聚类的特点是：基于距离矩阵进行聚类，不需要原始数据，可用于不同形状的聚类，但它对于异常点非常敏感，对于数据规模较小的数据比较合适，否则计算量会很大，聚类后切分数组可根据业务知识，也可根据聚类树图的特点

第二种方法：K-means聚类
K均值聚类又称为动态聚类，它的计算方法较为简单，也不需要输入距离矩阵。首先要指定聚类的分类个数N，随机取N个样本作为初始类的中心，计算各样本与类中心的距离并进行归类，所有样本划分完成后重新计算类中心，重复这个过程直到类中心不再变化。

在R中使用kmeans函数进行K均值聚类，centers参数用来设置分类个数，nstart参数用来设置取随机初始中心的次数，其默认值为1，但取较多的次数可以改善聚类效果。clustemodel1$cluster可以用来提取每个样本所属的类别。

使用K均值聚类时需要注意，只有在类的平均值被定义的情况下才能使用，还要求事先给出分类个数。一种方法是先用层次聚类以决定个数，再用K均值聚类加以改进。或者以轮廓系数来判断分类个数。改善聚类的方法还包括对原始数据进行变换，如对数据进行降维后再实施聚类。