原文鏈接：http://tecdat.cn/?p=20960

原文出處：拓端數(shù)據(jù)部落公眾號

為了說明層次聚類技術和k-均值，我使用了了城市溫度數(shù)據(jù)集，其中包括幾個城市的月平均氣溫。

我們有15個城市，每月進行一次觀測

boxplot(temp[,1:12],main="月平均溫度")

由于方差看起來相當穩(wěn)定，我們不會將這里的變量“標準化”，

> apply(月份,2,sd)

為了得到一個層次聚類分析，使用實例

hclust(dist , method = "ward")

另一種選擇是使用

1. 


2. > plot(h2)

在這里，我們用主成分分析將觀察結(jié)果可視化。我們這里還有一個自動選擇類的數(shù)目，這里是3個。我們可以得到組的描述

或直接

cutree(cah,3)

我們也可以自己可視化這些類，

1. PCA(X,scale.unit=FALSE)

2. plot( ?ind$coord[,1:2],col="white")

3. text( ind$coord[,1],acp$ind$coord[,2],

可以繪制出這些簇的中心點

> points(PT$Dim.1,PT$Dim.2,pch=19)

如果我們在這些中心周圍添加Voronoi集，我們看到的是中間的點，恰好是三個區(qū)域的交點

1. vormo(PT$Dim.1,PT$Dim.2)

2. plot(V,add=TRUE)

要可視化這些區(qū)域，請使用Voronoi圖，它又叫泰森多邊形或Dirichlet圖，它是由一組由連接兩鄰點直線的垂直平分線組成的連續(xù)多邊形組成。

1. p=function(x,y){

2. + ? which.min((PT$Dim.1-x)^2+(PT$Dim.2-y)^2)

3. image(vx,vy,z,col=c(rgb(1,0,0,.2),

實際上，這三組（和這三個區(qū)域）也是我們用k-均值算法得到的，

1. kmeans(coord[,1:2],3)

2. 


3. K-means clustering

4. with 3 clusters of sizes 3, 7, 5

由于我們有一些空間數(shù)據(jù)，我們可以在地圖上把它們可視化

points(Long,Lati,col=groups.3)

或者，為了可視化這些區(qū)域，使用

1. for(i in 1:3)

2. + Ellipse( Long[groups.3==i],

最受歡迎的見解

1.R語言k-Shape算法股票價格時間序列聚類

2.R語言中不同類型的聚類方法比較

3.R語言對用電負荷時間序列數(shù)據(jù)進行K-medoids聚類建模和GAM回歸

4.r語言鳶尾花iris數(shù)據(jù)集的層次聚類

5.Python Monte Carlo K-Means聚類實戰(zhàn)

6.用R進行網(wǎng)站評論文本挖掘聚類

7.用于NLP的Python：使用Keras的多標簽文本LSTM神經(jīng)網(wǎng)絡

8.R語言對MNIST數(shù)據(jù)集分析 探索手寫數(shù)字分類數(shù)據(jù)

9.R語言基于Keras的小數(shù)據(jù)集深度學習圖像分類