使用R语言进行K-means聚类并分析结果

我们将分别描述，首先第一个参数是 x，它是kmeans的输入数据。只要是矩阵的数值数据就可以了。首先，我们使用R语言自带的数据集iris数据（点击查看）。

data(iris)
head(iris)

我们可以看到数据集格式如下：

第二个参数是中心点选择 centers，它是中心点选择，可以有两种参数，第一种直接写一个数值，表示聚成几类，这种情况下它会自动随机选择初始中心点，R语言会选择数据集中的随机行作为初试中心点。还有一种方式是可以选择输入一个起始的中心点，那么kmeans就会根据选择的中心点开始聚类迭代。

第三个参数是迭代次数 iter.max，即迭代次数，不写的话默认是10次。否则就是最大迭代次数。

第四个参数是算法选择 algorithm，输入值是缩写的字符，算法有"Hartigan-Wong", "Lloyd", "Forgy","MacQueen"四种，注意Lloyd和Forgy是同一种算法的不同称谓。

剩下的参数没什么意义，暂时不说了。接下来我们看一下实际案例及结果。代码如下：

#载入数据
data(iris)

#选择第1列到第4列数据进行聚类，因为第5列是该数据集的类标签
km <- kmeans(iris[,1:4], 3)

#对结果的可视化
plot(iris[c("Sepal.Length", "Sepal.Width")], col = km$cluster, pch = as.integer(iris$Species))
points(km$centers[,c("Sepal.Length", "Sepal.Width")], col = 1:3, pch = 8, cex=2)

#输出kmeans结果，我们分析一下
km

我们分析一下结果，第一行表示各个类别下数据点的数量分别是96、21和33个。然后是聚类的均值，即聚类的中心点。然后是聚类向量，表明每个数据点所属的类别。Within cluster sum of squares by cluster表示每个簇内部的距离平方和，表示该簇的紧密程度。between_SS / total_SS这一项表示组间距离的平方和占整体距离平方和的结果。一般的，组内距离要求尽可能小，组间距离尽可能大，因此这个值越接近1越好。最后的Available components表示运行结果返回的对象包含的组成部分。可以使用 km$cluster形式打印出来查看结果。

关于R语言中KMeans评价的说明

在R语言的KMeans中内置了一个评价指标，是组间平方和与总的距离平方和的商：即上文中提到的between_SS / total_SS（这里的ss是sum of squares的缩写）。这里说明一下相关的计算方法。

总的距离平方和是指所有的数据与均值之间的差值，然后计算平方和：

\text{total\_ss} = \sum_{x_i} (x_i - \mu)^2

而组间平方和则是总的距离平方和减去组内距离平方和，所以这里先计算组内距离平方和，这是指每个簇内部的距离平方和，然后求总和：

\text{within\_ss} = \sum_k\sum_{x_i \in c_k}(x_i - \mu_k)^2

最终：

\text{between\_ss} = \text{total\_ss} - \text{within\_ss}

这个指标的计算可以使用python，见使用Python的sklearn包做kmeans聚类分析

热门博客

• 1Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）
• 2回归模型中的交互项简介（Interactions in Regression）
• 3贝塔分布（Beta Distribution）简介及其应用
• 4矩母函数简介（Moment-generating function）
• 5普通最小二乘法（Ordinary Least Squares，OLS）的详细推导过程
• 6使用R语言进行K-means聚类并分析结果
• 7深度学习技巧之Early Stopping（早停法）
• 8手把手教你本地部署清华大学的ChatGLM-6B模型——Windows+6GB显卡本地部署