R中的聚类分析：确定最佳聚类数

作为R的新手，我不太确定如何选择最佳数目的聚类来进行k均值分析。在绘制了以下数据的子集之后，多少个簇才合适？如何执行聚类dendro分析？

n = 1000
kk = 10    
x1 = runif(kk)
y1 = runif(kk)
z1 = runif(kk)    
x4 = sample(x1,length(x1))
y4 = sample(y1,length(y1)) 
randObs <- function()
{
  ix = sample( 1:length(x4), 1 )
  iy = sample( 1:length(y4), 1 )
  rx = rnorm( 1, x4[ix], runif(1)/8 )
  ry = rnorm( 1, y4[ix], runif(1)/8 )
  return( c(rx,ry) )
}  
x = c()
y = c()
for ( k in 1:n )
{
  rPair  =  randObs()
  x  =  c( x, rPair[1] )
  y  =  c( y, rPair[2] )
}
z <- rnorm(n)
d <- data.frame( x, y, z )

如果您的问题是how can I determine how many clusters are appropriate for a kmeans analysis of my data?，那么这里有一些选择。在维基百科条目上确定集群的数目有一些方法好好检讨。

首先，一些可重现的数据（Q中的数据对我来说尚不清楚）：

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)

一。在平方误差总和（SSE）碎石图上查找弯曲或弯头。有关更多信息，请参见http://www.statmethods.net/advstats/cluster.html和http://www.mattpeeples.net/kmeans.html。弯头在结果图中的位置表明适合kmeans的簇数：

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")

我们可以得出结论，此方法将指示4个群集：

二。您可以使用pamkfpc软件包中的函数对类固醇进行分区以估计簇数。

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

三。Calinsky准则：诊断有多少簇适合数据的另一种方法。在这种情况下，我们尝试1至10组。

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!

四。根据贝叶斯信息准则确定最佳模型和聚类数，以实现期望最大化，并通过分层聚类对参数化的高斯混合模型进行初始化

# 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)

五。相似性传播（AP）群集，请参见http://dx.doi.org/10.1126/science.11​​36800

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)

六。估计簇数的差距统计。另请参见一些代码，以获得漂亮的图形输出。在这里尝试2-10个集群：

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

以下是Edwin Chen实施差值统计的输出：

七。您可能还会发现使用聚类图浏览数据以可视化聚类分配很有用，请参阅http://www.r-statistics.com/2010/06/clustergram-visualization-and-diagnostics-for-cluster-analysis-r-代码/了解更多详情。

八。所述NbClust包提供了30个索引，以确定在数据集的簇的数目。

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!

如果您的问题是how can I produce a dendrogram to visualize the results of my cluster analysis，那么您应该从以下这些开始：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/并在此处查看更多奇特的方法：http : //cran.r-project.org/ web / views / Cluster.html

这里有一些例子：

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

对于高维数据，该pvclust库还可以通过多尺度自举重采样为分层聚类计算p值。这是文档中的示例（不会像我的示例中那样处理低维数据）：

library(pvclust)
library(MASS)
data(Boston)
boston.pv <- pvclust(Boston)
plot(boston.pv)

有什么帮助吗？

很难添加过于详尽的答案。尽管我觉得我们应该identify在这里提及，尤其是因为@Ben显示了很多树状图示例。

d_dist <- dist(as.matrix(d))   # find distance matrix 
plot(hclust(d_dist)) 
clusters <- identify(hclust(d_dist))

identify使您可以从树状图交互地选择聚类，并将选择存储到列表中。按Esc键退出交互模式并返回R控制台。请注意，该列表包含索引，而不包含行名（与相对cutree）。

为了确定最佳的k聚类方法。我通常使用Elbow并行处理方法来避免浪费时间。这段代码可以像这样采样：

肘法

elbow.k <- function(mydata){
dist.obj <- dist(mydata)
hclust.obj <- hclust(dist.obj)
css.obj <- css.hclust(dist.obj,hclust.obj)
elbow.obj <- elbow.batch(css.obj)
k <- elbow.obj$k
return(k)
}

平行运行弯头

no_cores <- detectCores()
    cl<-makeCluster(no_cores)
    clusterEvalQ(cl, library(GMD))
    clusterExport(cl, list("data.clustering", "data.convert", "elbow.k", "clustering.kmeans"))
 start.time <- Sys.time()
 elbow.k.handle(data.clustering))
 k.clusters <- parSapply(cl, 1, function(x) elbow.k(data.clustering))
    end.time <- Sys.time()
    cat('Time to find k using Elbow method is',(end.time - start.time),'seconds with k value:', k.clusters)

它运作良好。

Ben的精彩回答。但是，令我惊讶的是，这里建议使用“亲和传播（AP）”方法只是为了找到k均值方法的聚类数，通常在此方法中AP可以更好地对数据进行聚类。请在此处查看支持此方法的科学论文：

Frey，Brendan J.和Delbert Dueck。“通过在数据点之间传递消息进行集群。” 科学315.5814（2007）：972-976。

因此，如果您不偏向于k均值，我建议直接使用AP，它将在不需要知道簇数的情况下对数据进行聚类：

library(apcluster)
apclus = apcluster(negDistMat(r=2), data)
show(apclus)

如果负欧氏距离不合适，则可以使用同一软件包中提供的另一种相似性度量。例如，对于基于Spearman相关性的相似性，这是您需要的：

sim = corSimMat(data, method="spearman")
apclus = apcluster(s=sim)

请注意，为简化起见，仅提供了AP软件包中用于相似性的那些功能。实际上，R中的apcluster（）函数将接受任何相关矩阵。使用corSimMat（）之前可以通过以下操作完成：

sim = cor(data, method="spearman")

要么

sim = cor(t(data), method="spearman")

取决于要在矩阵（行或列）上进行聚类的对象。

这些方法很棒，但是当试图为更大的数据集找到k时，这些方法在R中可能会很慢。

我发现一个很好的解决方案是“ RWeka”软件包，该软件包有效地实现了X-Means算法-K-Means的扩展版本，可以更好地扩展并为您确定最佳的群集数量。

首先，您需要确保系统上已安装Weka，并通过Weka的软件包管理器工具安装了XMeans。

library(RWeka)

# Print a list of available options for the X-Means algorithm
WOW("XMeans")

# Create a Weka_control object which will specify our parameters
weka_ctrl <- Weka_control(
    I = 1000,                          # max no. of overall iterations
    M = 1000,                          # max no. of iterations in the kMeans loop
    L = 20,                            # min no. of clusters
    H = 150,                           # max no. of clusters
    D = "weka.core.EuclideanDistance", # distance metric Euclidean
    C = 0.4,                           # cutoff factor ???
    S = 12                             # random number seed (for reproducibility)
)

# Run the algorithm on your data, d
x_means <- XMeans(d, control = weka_ctrl)

# Assign cluster IDs to original data set
d$xmeans.cluster <- x_means$class_ids

一个简单的解决方案是库factoextra。您可以更改聚类方法和用于计算最佳组数的方法。例如，如果您想知道k-的最佳簇数，则表示：

数据：mtcars

library(factoextra)   
fviz_nbclust(mtcars, kmeans, method = "wss") +
      geom_vline(xintercept = 3, linetype = 2)+
      labs(subtitle = "Elbow method")

最后，我们得到如下图：

答案很好。如果您想给其他聚类方法一个机会，可以使用分层聚类并查看数据如何拆分。

> set.seed(2)
> x=matrix(rnorm(50*2), ncol=2)
> hc.complete = hclust(dist(x), method="complete")
> plot(hc.complete)

根据需要的类数，可以将树状图剪切为：

> cutree(hc.complete,k = 2)
 [1] 1 1 1 2 1 1 1 1 1 1 1 1 1 2 1 2 1 1 1 1 1 2 1 1 1
[26] 2 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 2 1 1 1 1 1 1 1 2

如果键入，?cutree您将看到定义。如果您的数据集具有三个类别，则将为cutree(hc.complete, k = 3)。等效为cutree(hc.complete,k = 2)是cutree(hc.complete,h = 4.9)。