全文鏈接：http:///?p=32007本文以iris數(shù)據(jù)和模擬數(shù)據(jù)為例,，幫助客戶了比較R語言Kmeans聚類算法,、PAM聚類算法、 DBSCAN聚類算法,、 AGNES聚類算法,、 FDP聚類算法、 PSO粒子群聚類算法在 iris數(shù)據(jù)結果可視化分析中的優(yōu)缺點（點擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)）,。 結果：聚類算法的聚類結果在直觀上無明顯差異,，但在應用上有不同的側重點。在 研究中,，不能僅僅依靠傳統(tǒng)的統(tǒng)計方法來進行聚類分析,，而應該采用多種數(shù)據(jù)挖掘手段相結合，綜合利用各種方法的優(yōu)勢,，分析不同的數(shù)據(jù)集,，從中找到適合自己研究需要的聚類分析方法。 查看數(shù)據(jù)head(y)
## y 1 y 2 y 3 y 4 y 5 y 6 y 7
## [1,] 2.386422 1.528006 2.013216 1.522790 2.530115 2.127977 2.654109
## [2,] 1.740713 2.013977 2.322683 1.956941 1.799946 2.298104 2.146921
## [3,] 2.072196 2.129213 2.087725 2.146289 2.213800 2.459264 2.319424
## [4,] 2.418096 1.852121 1.668246 2.418176 2.513029 2.048056 1.996828
## [5,] 1.485875 2.072700 1.921772 1.645422 1.655471 1.840675 2.368683
## [6,] 2.111412 1.868223 2.022289 2.310057 1.716986 2.031257 2.069675
## y 8 y 9 y 10
## [1,] 1.964454 2.050723 1.755493
## [2,] 2.255674 1.836552 2.432906
## [3,] 1.859537 1.527330 2.227598
## [4,] 1.460083 2.033105 1.743962
## [5,] 2.364364 2.123679 1.741008
## [6,] 2.211410 2.073793 1.424886
Kmeans算法聚類k均值聚類算法（k-means clustering algorithm）是一種迭代求解的聚類分析算法,，其步驟是,，預將數(shù)據(jù)分為K組,，則隨機選取K個對象作為初始的聚類中心，然后計算每個對象與各個種子聚類中心之間的距離,，把每個對象分配給距離它最近的聚類中心,。聚類數(shù)為2，將數(shù)據(jù)聚成2個類別： 查看模型結果
summary(cl)
## Length Class Mode
## cluster 2000 -none- numeric
## centers 20 -none- numeric
## totss 1 -none- numeric
## withinss 2 -none- numeric
## tot.withinss 1 -none- numeric
## betweenss 1 -none- numeric
## size 2 -none- numeric
## iter 1 -none- numeric
## ifault 1 -none- numeric
pch1=rep("1",1000)#類標號
pch2=rep("2",1000)
PAM算法聚類pam聚類算法 PAM (Partitioning Around Medoids) 聚類算法屬于基于質心的聚類算法,它是K-Medoids算法的一種變體,。 
DBSCAN算法聚類DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪聲的基于密度的聚類方法)是一種很典型的密度聚類算法,。 ds<-dbscan(y
其中黑色的2代表分類錯誤的第2個類別,，因此可以看到該數(shù)據(jù)集中dbscan的分類結果最好。 iris數(shù)據(jù)Iris數(shù)據(jù)集是常用的分類實驗數(shù)據(jù)集,，由Fisher, 1936收集整理,。Iris也稱鳶尾花卉數(shù)據(jù)集,，是一類多重變量分析的數(shù)據(jù)集,。數(shù)據(jù)集包含150個數(shù)據(jù)樣本，分為3類,，每類50個數(shù)據(jù),，每個數(shù)據(jù)包含4個屬性?？赏ㄟ^花萼長度,，花萼寬度，花瓣長度,，花瓣寬度4個屬性預測鳶尾花卉屬于（Setosa,，Versicolour，Virginica）三個種類中的哪一類,。 #查看數(shù)據(jù)
head(y)
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
Kmeans算法聚類聚類數(shù)為3,，將數(shù)據(jù)聚成3個類別 plot(y[,1:2],col= (cl$cluster
DBSCAN算法聚類ds<-dbscan(y[,1:4]
結果比較圖plot(y,col=cl$cluste
AGNES算法“算法是凝聚的層次聚類方法。AGNES最初將每個對象作為一個簇,，然后這些簇根據(jù)某些準則被一步一步地合并,。例如，在簇A中的一個對象和簇B中的一個對象之間的距離是所有屬于不同簇的對象之間最小的,，AB可能被合并,。 agn1 <- agnes(votes
pres <- apcluster(neg
## create two Gaussian clouds
## APResult object
##
## Number of samples = 150
## Number of iterations = 138
## Input preference = -31.0249
## Sum of similarities = -45.0528
## Sum of preferences = -124.0996
## Net similarity = -169.1524
## Number of clusters = 4
##
## Exemplars:
## 8 64 81 103
## Clusters:
## Cluster 1, exemplar 8:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
## 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
## 50
## Cluster 2, exemplar 64:
## 51 52 53 55 56 57 59 62 64 66 67 69 71 72 73 74 75 76 77 78 79 84 85
plot(apres, x)
PSO 粒子群聚類算法“PSO是粒子群優(yōu)化算法(——Particle Swarm Optimization)的英文縮寫,是一種基于種群的隨機優(yōu)化技術,由Eberhart和Kennedy于1995年提出。粒子群算法模仿昆蟲,、獸群,、鳥群和魚群等的群集行為,這些群體按照一種合作的方式尋找食物,群體中的每個成員通過學習它自身的經(jīng)驗和其他成員的經(jīng)驗來不斷改變其搜索模式。 myPSO <- function(x, k, w) {
#創(chuàng)建隨機質心
centroid_acak <- sample(c(1:length(x[,1])), k, replace = FALSE)
centroid <- x[centroid_acak,1:length(x)]
#計算歐幾里得距離
hitung_jarak <- function(x){
sqrt(
for(i in 1:length(x)) {
euclidean <- ((x[i] - centro
FDP 聚類算法針對密度峰值算法 FDP在找到聚類中心后,，分配其余數(shù)據(jù)時存在的漏洞,，提出了基于密度聚類算法 DBSCAN的改進方法,。具體做法是求出聚類中心后利用DBSCAN 算法將其余數(shù)據(jù)分配到正確的類別中，保證了在分配其余數(shù)據(jù)時考慮到數(shù)據(jù)和數(shù)據(jù)之間的關聯(lián)性,而不是直接簡單的將所有數(shù)據(jù)分配到離得最近的那個中心所在的類別中,。所提算法和原始FDP算法相比,，可處理非凸數(shù)據(jù)、能得到更好的聚類結果,。 fdp<-function(X,G,p=rep(FALSE){
if(is.null(TstX)==TRUE) TstX<-X
n<-nrow(TstX)
belong<-matrix(
plot(iris,col=cl
|
