R Language
Hierarchisches Clustering mit hclust

Einführung

Bemerkungen

Beispiel 1 - Grundlegende Verwendung von hclust, Anzeige des Dendrogramms, Plotcluster

Die Clusterbibliothek enthält die Ruspini-Daten - einen Standarddatensatz zur Veranschaulichung der Clusteranalyse.

    library(cluster)                ## to get the ruspini data
    plot(ruspini, asp=1, pch=20)    ## take a look at the data

hclust erwartet eine Entfernungsmatrix, nicht die Originaldaten. Wir berechnen den Baum anhand der Standardparameter und zeigen ihn an. Mit dem Hang-Parameter werden alle Blätter des Baums entlang der Grundlinie ausgerichtet.

    ruspini_hc_defaults <- hclust(dist(ruspini))
    dend <- as.dendrogram(ruspini_hc_defaults)
    if(!require(dendextend)) install.packages("dendextend"); library(dendextend)
    dend <- color_branches(dend, k = 4) 
    plot(dend)

Schneiden Sie die Baumstruktur aus, um vier Cluster zu erhalten, und ordnen Sie die Daten neu zu, indem Sie die Punkte nach Cluster färben. k ist die gewünschte Anzahl von Clustern.

    rhc_def_4 = cutree(ruspini_hc_defaults,k=4)
    plot(ruspini, pch=20, asp=1, col=rhc_def_4)

Dieses Clustering ist etwas seltsam. Wir können ein besseres Clustering erzielen, indem wir zuerst die Daten skalieren.

    scaled_ruspini_hc_defaults = hclust(dist(scale(ruspini)))
    srhc_def_4 = cutree(scaled_ruspini_hc_defaults,4)
    plot(ruspini, pch=20, asp=1, col=srhc_def_4)

Das Standard-Unähnlichkeitsmaß für den Vergleich von Clustern ist "complete". Sie können mit dem Methodenparameter eine andere Kennzahl angeben.

    ruspini_hc_single = hclust(dist(ruspini), method="single")

Beispiel 2 - hclust und Ausreißer

Beim hierarchischen Clustering werden Ausreißer häufig als Einpunkt-Cluster angezeigt.

Generieren Sie drei Gaußsche Verteilungen, um die Auswirkungen von Ausreißern zu veranschaulichen.

    set.seed(656)
    x = c(rnorm(150, 0, 1), rnorm(150,9,1), rnorm(150,4.5,1))
    y = c(rnorm(150, 0, 1), rnorm(150,0,1), rnorm(150,5,1))
    XYdf = data.frame(x,y)
    plot(XYdf, pch=20)

Erstellen Sie die Clusterstruktur, und teilen Sie sie in drei Cluster auf.

    XY_sing = hclust(dist(XYdf), method="single")
    XYs3 = cutree(XY_sing,k=3)
    table(XYs3)
    XYs3
      1   2   3 
    448   1   1 

hclust hat zwei Ausreißer gefunden und alles andere in einem großen Cluster zusammengefasst. Um die "echten" Cluster zu erhalten, müssen Sie möglicherweise k höher setzen.

    XYs6 = cutree(XY_sing,k=6)
    table(XYs6)
    XYs6
      1   2   3   4   5   6 
    148 150   1 149   1   1 
    plot(XYdf, pch=20, col=XYs6)

Dieser StackOverflow-Beitrag enthält einige Anweisungen zum Auswählen der Anzahl von Clustern. Beachten Sie jedoch dieses Verhalten beim hierarchischen Clustering.