轮廓系数越大，表示簇内实例之间紧凑，簇间距离大，这正是聚类的标准概念。
- 簇内的样本应该尽可能相似。
- 不同簇之间应该尽可能不相似。
目的：鸢尾花数据进行kmeans聚类，最佳聚类个数是多少？
plot(iris[,1:4], col=iris$Species)
1. 标准化很重要
假设已经知道最佳是3类，
- 使用原始数据做kmeans，和原始标签不一致的很多。
- 如果做了标准化，kmeans的分类结果和原始标签一模一样。
(1). raw dat (错了好多)
dat=iris[, 1:4]
rownames(dat) = paste0("obs", 1:nrow(dat))
dat[1:3,]
km_model <- kmeans( dat, centers = 3)
# 获取分类结果
predictions <- km_model$cluster
table(predictions)
dat$origin=iris$Species
dat$pred=predictions
table(dat$origin, dat$pred)
# 1 2 3
#setosa 0 0 50
#versicolor 48 2 0
#virginica 14 36 0
plot(dat$Sepal.Length, dat$Sepal.Width, col=dat$origin, pch=19)
plot(dat$Sepal.Length, dat$Sepal.Width, col=dat$pred, pch=19)
(2). normalized dat (几乎全对)
dat=iris[, 1:4]
rownames(dat) = paste0("obs", 1:nrow(dat))
dat[1:3,]
dat=apply(dat, 1, function(x){
x/sum(x) * 1e4
}) |> t() |> as.data.frame()
head(dat)
# 行作为观测值
km_model <- kmeans( dat, centers = 3)
# 获取分类结果
predictions <- km_model$cluster
table(predictions)
dat$origin=iris$Species
dat$pred=predictions
table(dat$origin, dat$pred)
# 1 2 3
#setosa 50 0 0
#versicolor 0 45 5
#virginica 0 0 50
2. 最佳分类数
(0) 预处理
dat=iris[, 1:4]
rownames(dat) = paste0("obs", 1:nrow(dat))
dat[1:3,]
dat=apply(dat, 1, function(x){
x/sum(x) * 1e4
}) |> t() |> as.data.frame()
head(dat)
(1) factoextra - silhouette: n=2
library(factoextra)
tmp = factoextra::fviz_nbclust( dat, kmeans, method = "silhouette")
#str(tmp)
tmp #图
# fviz_nbclust(dat, kmeans, method = "silhouette", k.max = 20)
(2) 碎石图: n=2
# 在一个循环中进行15次的kmeans聚类分析
{
totalwSS=vector(mode = "numeric", 15)
for (i in 1:15){
t1= kmeans(dat, i)
totalwSS[i] <- t1$tot.withinss
}
# 聚类碎石图 - 使用plot函数绘制total_wss与no-of-clusters的数值。
plot(x=1:15, # x= 类数量, 1 to 15
totalwSS, #每个类的total_wss值
col="navy", lwd=2,
type="b" # 绘制两点，并将它们连接起来
)
}
(3) silhouette 画图: n=2?
逐个画:
# 逐个画轮廓系数
library(cluster)
dis = dist(dat) #行之间的距离
#
n=3
kclu <- kmeans(dat, centers = 3, nstart=25)
kclu.sil=sortSilhouette( silhouette(kclu$cluster, dist = dis) )
plot(kclu.sil,
col =1:n, #c("red", "orange", "blue"),
main="")
#
n=4
#library(cluster)
#dis = dist(dat) #行之间的距离
kclu <- kmeans(dat, centers = n, nstart=25)
kclu.sil=sortSilhouette( silhouette(kclu$cluster, dist = dis) )
plot(kclu.sil,
col =1:n, # c("red", "orange", "blue"),
main="")
#
#
n=8
#library(cluster)
#dis = dist(dat) #行之间的距离
kclu <- kmeans(dat, centers = n, nstart=25)
kclu.sil=sortSilhouette( silhouette(kclu$cluster, dist = dis) )
plot(kclu.sil,
col =1:n, # c("red", "orange", "blue"),
main="")
#
批量计算：
silhouette_score <- function(k){
km <- kmeans(dat, centers = k, nstart=25)
ss <- silhouette(km$cluster, dist(dat))
mean(ss[, 3])
}
k <- 2:15
avg_sil <- sapply(k, silhouette_score)
plot(k, avg_sil,
type='b',
xlab='Number of clusters', ylab='Average Silhouette Scores',
frame=FALSE)
最大是2，其次是3类。
根据本文图1，忽略颜色，只看数值分布，确实最佳是2类。
用标准化后的数据呢？
plot(dat, col=iris$Species, main="Normalized data")
plot(dat,main="Normalized data")
结论不变：如果忽略颜色，依旧是很清晰的2类。
(4) pam 是一种更稳定的 kmeans
Partitioning Around Medoids:
Partitioning (clustering) of the data into k clusters "around medoids", a more robust version of K-means.
# 最佳分类数：
Ks=sapply(2:15, function(i){
summary(silhouette(pam(dat, k=i)))$avg.width
})
plot(2:15,Ks,xlab="k",ylab="av. silhouette",type="b", pch=19)
效果：
t1=pam(dat, k=3)
> table(t1$clustering, iris$Species)
setosa versicolor virginica
1 50 0 0
2 0 44 0
3 0 6 50
还是有几个错的。
End