聚类算法概述
2021-01-15 本文已影响0人
Neural_PDE
| 聚类算法 | 软件包 | 主要函数 |
|---|---|---|
| K-means | stats | kmeans() |
| K-Medoids | cluster | pam() |
| 系谱聚类(HC) | stats | hclust(), cutree(), rect.hclust() |
| 密度聚类(DBSCAN) | fpc | dbscan() |
| 期望最大化聚类(EM) | mclust | Mclust(), clustBIC(), mclust2Dplot(), densityMclust() |
#计算最佳k(方法1)
fit = cascadeKM(data,3,10,iter=10,criterion="calinski")
calinski.best = as.numeric(which.max(fit$results[2,]))
print(paste("the best k is: ",calinski.best))
plot(fit, sortg = TRUE, grpmts.plot = TRUE)
dev.off()
#计算最佳k(方法2)
library(mclust)
dataset <- scale(df2)
m_clust <- Mclust(as.matrix(dataset), G=1:20) #聚类数目从1一直试到20
summary(m_clust)
plot(m_clust, "BIC")
#计算最佳k(方法3)
library(NbClust)
set.seed(1234) #因为method选择的是kmeans，所以如果不设定种子，每次跑得结果可能不同
nb_clust <- NbClust(dataset, distance = "euclidean",
min.nc=2, max.nc=15, method = "kmeans",
index = "alllong", alphaBeale = 0.1)
barplot(table(nb_clust$Best.nc[1,]),xlab = "聚类数",ylab = "支持指标数")
