R Language
Hiërarchische clustering met hclust

Invoering

Opmerkingen

Voorbeeld 1 - Basisgebruik van hclust, weergave van dendrogram, plotclusters

De clusterbibliotheek bevat de ruspini-gegevens - een standaardset gegevens ter illustratie van clusteranalyse.

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

hclust verwacht een afstandsmatrix, niet de originele gegevens. We berekenen de boom met behulp van de standaardparameters en geven deze weer. De hang-parameter lijnt alle bladeren van de boom langs de basislijn uit.

    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)

Snijd de boom om vier clusters te geven en vul de gegevens opnieuw in waarbij de punten per cluster worden ingekleurd. k is het gewenste aantal clusters.

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

Deze clustering is een beetje vreemd. We kunnen een betere clustering krijgen door eerst de gegevens te schalen.

    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)

De standaardmaat voor het vergelijken van clusters is "voltooid". U kunt een andere meetwaarde opgeven met de methode parameter.

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

Voorbeeld 2 - hclust en uitbijters

Bij hiërarchische clustering verschijnen uitbijters vaak als éénpuntsclusters.

Genereer drie Gaussiaanse distributies om het effect van uitbijters te illustreren.

    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)

Bouw de clusterstructuur en deel deze in drie clusters.

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

hclust vond twee uitbijters en plaatste al het andere in één groot cluster. Om de "echte" clusters te krijgen, moet u mogelijk k hoger instellen.

    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)

Deze StackOverflow-post bevat enige richtlijnen voor het kiezen van het aantal clusters, maar let op dit gedrag bij hiërarchische clustering.