หากคำถามของคุณอยู่how can I determine how many clusters are appropriate for a kmeans analysis of my data?
นี่คือตัวเลือกบางส่วน บทความวิกิพีเดียเกี่ยวกับการกำหนดตัวเลขของกลุ่มมีความคิดเห็นที่ดีของบางส่วนของวิธีการเหล่านี้
ก่อนอื่นข้อมูลที่สามารถทำซ้ำได้ (ข้อมูลใน Q นั้นไม่ชัดเจนสำหรับฉัน):
n = 100
g = 6
set.seed(g)
d <- data.frame(x = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i^2))),
y = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i^2))))
plot(d)
หนึ่ง มองหาโค้งหรือศอกในผลรวมของพล็อตหินกรวดข้อผิดพลาด (SSE) ดูhttp://www.statmethods.net/advstats/cluster.html & http://www.mattpeeples.net/kmeans.htmlสำหรับข้อมูลเพิ่มเติม ตำแหน่งของข้อศอกในพล็อตที่เกิดขึ้นแสดงให้เห็นถึงจำนวนที่เหมาะสมของกลุ่มสำหรับ kmeans:
mydata <- d
wss <- (nrow(mydata)-1)*sum(apply(mydata,2,var))
for (i in 2:15) wss[i] <- sum(kmeans(mydata,
centers=i)$withinss)
plot(1:15, wss, type="b", xlab="Number of Clusters",
ylab="Within groups sum of squares")
เราอาจสรุปได้ว่า 4 กลุ่มจะถูกระบุด้วยวิธีนี้:
สอง . คุณสามารถทำการแบ่งรอบ medoids เพื่อประเมินจำนวนกลุ่มโดยใช้pamk
ฟังก์ชันในแพ็คเกจ fpc
library(fpc)
pamk.best <- pamk(d)
cat("number of clusters estimated by optimum average silhouette width:", pamk.best$nc, "\n")
plot(pam(d, pamk.best$nc))
# we could also do:
library(fpc)
asw <- numeric(20)
for (k in 2:20)
asw[[k]] <- pam(d, k) $ silinfo $ avg.width
k.best <- which.max(asw)
cat("silhouette-optimal number of clusters:", k.best, "\n")
# still 4
สาม . เกณฑ์ของ Calinsky: อีกวิธีในการวิเคราะห์ว่ามีกี่คลัสเตอร์ที่เหมาะสมกับข้อมูล ในกรณีนี้เราลอง 1 ถึง 10 กลุ่ม
require(vegan)
fit <- cascadeKM(scale(d, center = TRUE, scale = TRUE), 1, 10, iter = 1000)
plot(fit, sortg = TRUE, grpmts.plot = TRUE)
calinski.best <- as.numeric(which.max(fit$results[2,]))
cat("Calinski criterion optimal number of clusters:", calinski.best, "\n")
# 5 clusters!
สี่ . กำหนดรูปแบบที่ดีที่สุดและจำนวนของกลุ่มตามเกณฑ์ข้อมูล Bayesian สำหรับความคาดหวัง - สูงสุดเริ่มต้นโดยการจัดกลุ่มแบบลำดับชั้นสำหรับรูปแบบผสมแบบเกาส์พารามิเตอร์
# See http://www.jstatsoft.org/v18/i06/paper
# http://www.stat.washington.edu/research/reports/2006/tr504.pdf
#
library(mclust)
# Run the function to see how many clusters
# it finds to be optimal, set it to search for
# at least 1 model and up 20.
d_clust <- Mclust(as.matrix(d), G=1:20)
m.best <- dim(d_clust$z)[2]
cat("model-based optimal number of clusters:", m.best, "\n")
# 4 clusters
plot(d_clust)
ห้า . การจัดกลุ่ม Affinity propagation (AP) ดูที่http://dx.doi.org/10.1126/science.1136800
library(apcluster)
d.apclus <- apcluster(negDistMat(r=2), d)
cat("affinity propogation optimal number of clusters:", length(d.apclus@clusters), "\n")
# 4
heatmap(d.apclus)
plot(d.apclus, d)
หก . สถิติช่องว่างสำหรับการประมาณจำนวนกลุ่ม ดูเพิ่มเติมรหัสบางอย่างสำหรับผลกราฟิกที่ดี ลอง 2-10 กลุ่มที่นี่:
library(cluster)
clusGap(d, kmeans, 10, B = 100, verbose = interactive())
Clustering k = 1,2,..., K.max (= 10): .. done
Bootstrapping, b = 1,2,..., B (= 100) [one "." per sample]:
.................................................. 50
.................................................. 100
Clustering Gap statistic ["clusGap"].
B=100 simulated reference sets, k = 1..10
--> Number of clusters (method 'firstSEmax', SE.factor=1): 4
logW E.logW gap SE.sim
[1,] 5.991701 5.970454 -0.0212471 0.04388506
[2,] 5.152666 5.367256 0.2145907 0.04057451
[3,] 4.557779 5.069601 0.5118225 0.03215540
[4,] 3.928959 4.880453 0.9514943 0.04630399
[5,] 3.789319 4.766903 0.9775842 0.04826191
[6,] 3.747539 4.670100 0.9225607 0.03898850
[7,] 3.582373 4.590136 1.0077628 0.04892236
[8,] 3.528791 4.509247 0.9804556 0.04701930
[9,] 3.442481 4.433200 0.9907197 0.04935647
[10,] 3.445291 4.369232 0.9239414 0.05055486
นี่คือผลลัพธ์จากการใช้ Edwin Chen เกี่ยวกับสถิติช่องว่าง:
เจ็ด คุณอาจพบว่ามีประโยชน์ในการสำรวจข้อมูลของคุณด้วย clustergrams เพื่อให้เห็นภาพการกำหนดคลัสเตอร์ดูที่http://www.r-statistics.com/2010/06/clustergram-visualization-and-diagnostics-for-cluster-analysis-r- รหัส /รายละเอียดเพิ่มเติม
แปด แพคเกจ NbClustให้ 30 ดัชนีการกำหนดจำนวนของกลุ่มในชุดข้อมูล
library(NbClust)
nb <- NbClust(d, diss=NULL, distance = "euclidean",
method = "kmeans", min.nc=2, max.nc=15,
index = "alllong", alphaBeale = 0.1)
hist(nb$Best.nc[1,], breaks = max(na.omit(nb$Best.nc[1,])))
# Looks like 3 is the most frequently determined number of clusters
# and curiously, four clusters is not in the output at all!
หากคำถามของคุณคือhow can I produce a dendrogram to visualize the results of my cluster analysis
คุณควรเริ่มต้นด้วยสิ่งเหล่านี้:
http://www.statmethods.net/advstats/cluster.html
http://www.r-tutor.com/gpu-computing/clustering/hierarchical-cluster-analysis
http://gastonsanchez.wordpress.com/2012/10/03/7-ways-to-plot-dendrograms-in-r/และดูวิธีการแปลกใหม่เพิ่มเติมได้ที่นี่: http://cran.r-project.org/ เว็บ / views / Cluster.html
นี่คือตัวอย่างบางส่วน:
d_dist <- dist(as.matrix(d)) # find distance matrix
plot(hclust(d_dist)) # apply hirarchical clustering and plot
# a Bayesian clustering method, good for high-dimension data, more details:
# http://vahid.probstat.ca/paper/2012-bclust.pdf
install.packages("bclust")
library(bclust)
x <- as.matrix(d)
d.bclus <- bclust(x, transformed.par = c(0, -50, log(16), 0, 0, 0))
viplot(imp(d.bclus)$var); plot(d.bclus); ditplot(d.bclus)
dptplot(d.bclus, scale = 20, horizbar.plot = TRUE,varimp = imp(d.bclus)$var, horizbar.distance = 0, dendrogram.lwd = 2)
# I just include the dendrogram here
นอกจากนี้สำหรับข้อมูลมิติสูงคือpvclust
ไลบรารีที่คำนวณค่า p สำหรับการจัดกลุ่มแบบลำดับชั้นผ่าน resampling bootstrap แบบหลายส่วน นี่คือตัวอย่างจากเอกสาร (จะไม่ทำงานกับข้อมูลมิติต่ำเช่นในตัวอย่างของฉัน):
library(pvclust)
library(MASS)
data(Boston)
boston.pv <- pvclust(Boston)
plot(boston.pv)
มีสิ่งใดบ้างที่ช่วยได้บ้าง
fpc
แพ็คเกจ มันเป็นความจริงจากนั้นคุณต้องตั้งค่าพารามิเตอร์สองตัว ... แต่ฉันพบว่าfpc::dbscan
มันจะทำงานได้ค่อนข้างดีโดยการกำหนดกลุ่มจำนวนที่ดีโดยอัตโนมัติ ยิ่งไปกว่านั้นมันสามารถส่งออกคลัสเตอร์เดียวได้หากเป็นข้อมูลที่บอกคุณ - วิธีการบางอย่างใน @Benz คำตอบที่ยอดเยี่ยมจะไม่ช่วยให้คุณทราบได้ว่า k = 1 ดีที่สุดจริง ๆ หรือไม่