在 k-means 和层次聚类中使用表的混淆矩阵
Posted
技术标签:
【中文标题】在 k-means 和层次聚类中使用表的混淆矩阵【英文标题】:Confusion matrix using table in k-means and hierarchical clustering 【发布时间】:2021-11-27 00:38:56 【问题描述】:我在计算混淆矩阵时遇到了一些问题。我通过多元正态分布创建了三组点:
library('MASS')
library('ggplot2')
library('reshape2')
library("ClusterR")
library("cluster")
library("dplyr")
library ("factoextra")
library("dendextend")
library("circlize")
mu1<-c(1,1)
mu2<-c(1,-9)
mu3<-c(-7,-2)
sigma1<-matrix(c(1,1,1,2), nrow=2, ncol=2, byrow = TRUE)
sigma2<-matrix(c(1,-1,-1,2), nrow=2, ncol=2, byrow = TRUE)
sigma3<-matrix(c(2,0.5,0.5,0.3), nrow=2, ncol=2, byrow = TRUE)
simulation1<-mvrnorm(100,mu1,sigma1)
simulation2<-mvrnorm(100,mu2,sigma2)
simulation3<-mvrnorm(100,mu3,sigma3)
X<-rbind(simulation1,simulation2,simulation3)
colnames(X)<-c("x","y")
X<-data.frame(X)
我还使用 k 均值聚类和具有 k 个初始中心 (k=3) 的层次聚类构建了聚类:
//k-means clustering
k<-3
B<-kmeans(X, centers = k, nstart = 10)
x_cluster = data.frame(X, group=factor(B$cluster))
ggplot(x_cluster, aes(x, y, color = group)) + geom_point()
//hierarchical clustering
single<-hclust(dist(X), method = "single")
clusters2<-cutree(single, k = 3)
fviz_cluster(list (data = X, cluster=clusters2))
如何在这两种情况下使用表格计算完整数据集(X)的混淆矩阵?
【问题讨论】:
您只需将table()
与原始组ID 和集群ID 一起使用。您的样本数据集不包含标识每行来自哪个组的变量,例如Grp <- rep(1:3, each=100)
。然后将其与分析中的集群标识一起使用。这不是一个真正的混淆矩阵,您实际上在分析中使用组标识作为因变量,例如判别分析。这里的分配可能是完美的,但您原来的第 1 组可以是聚类分析中的第 2 组或第 3 组。
@dcarlson 你能举个例子吗?
请修剪您的代码,以便更容易找到您的问题。请按照以下指南创建minimal reproducible example。
@dcarlson 非常感谢您的帮助!!!
【参考方案1】:
使用您的数据,在您创建 sigma1
之前插入 set.seed(42)
,以便我们有一个可重现的示例。然后在你创建X
之后:
X.df <- data.frame(Grp=rep(1:3, each=100), x=X[, 1], y=X[, 2])
k <- 3
B <- kmeans(X, centers = k, nstart = 10)
table(X.df$Grp, B$cluster)
#
# 1 2 3
# 1 1 0 99
# 2 0 100 0
# 3 100 0 0
原始组 1 被标识为组 3,其中一个样本分配到组 1。原始组 2 分配到组 2,原始组 3 分配到组 1。组编号无关。分类是完美的,每行/列包含单个单元格中的所有值。在这种情况下,只有 1 个样本被放错了位置。
single <- hclust(dist(X), method = "single")
clusters2 <- cutree(single, k = 3)
table(X.df$Grp, clusters2)
# clusters2
# 1 2 3
# 1 99 1 0
# 2 0 0 100
# 3 0 100 0
结果相同,但簇数不同。原始组 1 中的一个样本被分配到与组 3 样本相同的组。要比较这些结果:
table(Kmeans=B$cluster, Hierarch=clusters2)
# Hierarch
# Kmeans 1 2 3
# 1 0 101 0
# 2 0 0 100
# 3 99 0 0
请注意,每一行/列仅包含一个非零单元格。尽管聚类名称不同,这两个聚类分析彼此一致。
D <- lda(Grp~x + y, X.df)
table(X.df$Grp, predict(D)$class)
#
# 1 2 3
# 1 99 0 1
# 2 0 100 0
# 3 0 0 100
线性判别分析尝试在给定x
和y
的值的情况下预测样本数量。因此,簇数不是任意的,正确的预测都落在表的对角线上。这就是通常所说的混淆矩阵。
【讨论】:
以上是关于在 k-means 和层次聚类中使用表的混淆矩阵的主要内容,如果未能解决你的问题,请参考以下文章