R Language
Clustering jerárquico con hclust

Introducción

Observaciones

Ejemplo 1 - Uso básico de hclust, visualización de dendrograma, agrupamientos de parcelas

La biblioteca de clústeres contiene los datos ruspini, un conjunto estándar de datos para ilustrar el análisis de clústeres.

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

hclust espera una matriz de distancia, no los datos originales. Calculamos el árbol utilizando los parámetros predeterminados y lo mostramos. El parámetro de colgar alinea todas las hojas del árbol a lo largo de la línea de base.

    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)

Corte el árbol para dar cuatro grupos y vuelva a trazar los datos coloreando los puntos por grupo. k es el número deseado de grupos.

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

Este agrupamiento es un poco extraño. Podemos obtener un mejor agrupamiento agrupando los datos primero.

    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)

La medida de disimilitud predeterminada para comparar clústeres es "completa". Puede especificar una medida diferente con el parámetro del método.

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

Ejemplo 2 - hclust y valores atípicos

Con la agrupación jerárquica, los valores atípicos a menudo aparecen como agrupaciones de un punto.

Genere tres distribuciones gaussianas para ilustrar el efecto de los valores atípicos.

    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)

Construye la estructura del cluster, divídelo en tres cluster.

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

hclust encontró dos valores atípicos y puso todo lo demás en un gran grupo. Para obtener los clústeres "reales", es posible que deba establecer k más alto.

    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)

Esta publicación de StackOverflow tiene algunas pautas sobre cómo elegir el número de clústeres, pero tenga en cuenta este comportamiento en el clúster jerárquico.