划分聚类分析

K 均值聚类

最常见的划分方法是K均值聚类分析。从概念上讲，K均值算法如下：

• 选择K个中心点（随机选择K行）；
• 把每个数据点分配到离它最近的中心点；
• 重新计算每类中的点到该类中心点距离的平均值（也就说，得到长度为p的均值向量，这
  里的p是变量的个数）；
• 分配每个数据到它最近的中心点；
• 重复步骤(3)和步骤(4)直到所有的观测值不再被分配或是达到最大的迭代次数（R把10次
  作为默认迭代次数）。

K均值聚类能处理比层次聚类更大的数据集。由于K均值聚类在开始要随机选择k个中心点，在每次调用函数时可能获得不同的方案。使用
set.seed() 函数可以保证结果是可复制的。此外，聚类方法对初始中心值的选择也很敏感。
kmeans() 函数有一个 nstart 选项尝试多种初始配置并输出最好的一个。

同样是聚类分析，上一次介绍的是层次聚类分法，这种方法输出的聚类树状图是其最大的优点，但是层次分析法的缺点就在于适合的样本数比较小，大概在150个左右。所以，当我们面临更大的数据时，划分聚类法就是更好的选择，虽然没有树状聚类图，却而代之的是圈型的聚类图。

• 代码：

setwd("E:\\Rwork")
library(rattle)
wine <- read.csv("wine.csv")
head(wine)
df <- wine[,-1]#或者wine$Type <- NULL
head(df)
df.scaled <- scale(df)
library(NbClust)
set.seed(1234)
devAskNewPage(ask = TRUE)#按回车输出图形
nc <- NbClust(df.scaled,min.nc = 2,max.nc = 15,method="kmeans")
table(nc$Best.n[1,])
*******************************************************************
* Among all indices:
* 4 proposed 2 as the best number of clusters
* 15 proposed 3 as the best number of clusters
* 1 proposed 10 as the best number of clusters
* 1 proposed 12 as the best number of clusters
* 1 proposed 14 as the best number of clusters
* 1 proposed 15 as the best number of clusters ***** Conclusion *****                            * According to the majority rule, the best number of clusters is  3 ******************************************************************* barplot(table(nc$Best.n[1,]),xlab="Number of Clusters", ylab="Number of Criteria",main="Number of Clusters Chosen by 26 Criteria")

• NbClust 包中的26种指标中有15种建议使用类别数为3的聚类方案

set.seed(1234)
fit.km<- kmeans(df.scaled,3,nstart = 25)#nstart=25默认推荐值
fit.km$size #查看具体分类数量
fit.km$centers#查看具体中心点
aggregate(df,by=list(culster=fit.km$cluster),mean)
ct.km<-table(wine$Type, fit.km$cluster)  #查看分类概括
ct.km1  2  31 59  0  02  3 65  33  0  0 48

• 用 flexclust 包中的兰德指数（Rand index）来量化类型变量和类之间的协议：

library(flexclust)
randIndex(ct.km)#-1是完全不同意，1是完全同意ARI
0.897495 library(cluster)
par(mfrow=c(1,1),no.readonly = FALSE)#NbCluster将图形改为(1,2)的形式，这里将其改回(1,1)的形式
clusplot(df.scaled,fit.km$cluster,color = TRUE,shade = T,labels = 2,lines = 1)#输出聚类图

围绕中心点的划分

因为K均值聚类方法是基于均值的，所以它对异常值是敏感的。一个更稳健的方法是围绕中心点的划分（PAM）。与其用质心（变量均值向量）表示类，不如用一个最有代表性的观测值来表示（称为中心点）。K均值聚类一般使用欧几里得距离，而PAM可以使用任意的距离来计算。因此，PAM可以容纳混合数据类型，并且不仅限于连续变量。
PAM算法如下：

• 随机选择K个观测值（每个都称为中心点）；
• 计算观测值到各个中心的距离/相异性；
• 把每个观测值分配到最近的中心点；
• 计算每个中心点到每个观测值的距离的总和（总成本）；
• 选择一个该类中不是中心的点，并和中心点互换；
• 重新把每个点分配到距它最近的中心点；
• 再次计算总成本；
• 如果总成本比步骤(4)计算的总成本少，把新的点作为中心点；
• 重复步骤(5)～(8)直到中心点不再改变。

参数详解：可以使用 cluster 包中的 pam() 函数使用基于中心点的划分方法。格式是 pam(x, k,metric="euclidean", stand=FALSE) ，这里的 x 表示数据矩阵或数据框， k 表示聚类的个数，metric 表示使用的相似性/相异性的度量，而 stand 是一个逻辑值，表示是否有变量应该在计算该指标之前。

> library(cluster)
> set.seed(1234)
> fit.pam <- pam(wine[-1], k=3, stand=TRUE)
> fit.pam$medoids> clusplot(fit.pam, main="Bivariate Cluster Plot")

• 该数据中PAM法不如k-means法

ct.pam <- table(wine$Type, fit.pam$clustering)
> randIndex(ct.pam)ARI
0.6994957