• 设为首页
  • 点击收藏
  • 手机版
    手机扫一扫访问
    迪恩网络手机版
  • 关注官方公众号
    微信扫一扫关注
    公众号

R语言-聚类与分类

原作者: [db:作者] 来自: [db:来源] 收藏 邀请

一.聚类:

 一般步骤:

  1.选择合适的变量

  2.缩放数据

  3.寻找异常点

  4.计算距离

  5.选择聚类算法

  6.采用一种或多种聚类方法

  7.确定类的数目

  8.获得最终聚类的解决方案

  9.结果可视化

  10.解读类

  11.验证结果

      1.层次聚类分析

  案例:采用flexclust的营养数据集作为参考

    1.基于5种营养标准的27类鱼,禽,肉的相同点和不同点是什么

    2.是否有一种办法把这些食物分成若干各类

    1.1计算距离

1 data(nutrient,package = \'flexclust\')
2 head(nutrient,4)
3 d <- dist(nutrient)
4 as.matrix(d)[1:4,1:4]

    结论:观测的距离越大,异质性越大

    1.2平均联动聚类

1 row.names(nutrient) <- tolower(row.names(nutrient))
2 nutrient.scaled <- scale(nutrient)
3 d2 <- dist(nutrient.scaled)
4 fit.average <- hclust(d2,method = \'average\')
5 plot(fit.average,hang=-1,cex=.8,main=\'Average Linkage Clustering\')

    结论:只能提供食物营养成分的相似性和相异性

    1.3获取聚类的个数

1 library(\'NbClust\')
2 devAskNewPage(ask = T)
3 nc <- NbClust(nutrient.scaled, distance="euclidean", 
4               min.nc=2, max.nc=15, method="average")
5 table(nc$Best.n[1,])
6 barplot(table(nc$Best.n[1,]),
7         xlab = \'Number of Clusters\',ylab = \'Number of Criteria\',
8         main=\'Number of Clusters chosen by 26 criteria\')

    结论:分别有4个投票数最多的聚类(2,3,5,15),从中选择一个更适合的聚类数

    1.4获取聚类的最终方案

1 # 聚类分配情况
2 clusters <- cutree(fit.average,k=5) 
3 table(clusters)
4 # 描述聚类
5 aggregate(nutrient,by=list(clusters=clusters),median)
6 aggregate(as.data.frame(nutrient.scaled),by=list(clusters=clusters),median)
7 plot(fit.average,hang=-1,cex=.8,main=\'Average Linkpage Clustering\n 5 Cluster Solution\')
8 rect.hclust(fit.average,k=5)

 

     结论:

      1.sardines canned形成自己的类,因为钙含量比较高

      2.beef heart也是单独的类,富含蛋白质和铁

      3.beef roast到pork simmered含有高能量和脂肪

      4.clams raw到clams canned含有较高的维生素

      5.mackerel canned到bluefish baked含有较低的铁

  2.划分聚类分析

  案例:采用rattle.data中的wine数据集进行分析

    1.葡萄酒数据的K均值聚类

# 使用卵石图确定类的数量
wssplot <- function(data,nc=15,seed=1234){
  wss <- (nrow(data)-1) * sum(apply(data,2,var))
  for (i in 2:nc) {
    set.seed(seed)
    wss[i] <- sum(kmeans(data,centers = i)$withinss)
  }
  plot(1:nc,wss,type = \'b\',xlab = \'Number of Clusters\',ylab = \'Within groups sum of squares\')
}
 1 data(wine,package = \'rattle.data\')
 2 
 3 head(wine)
 4 df <- scale(wine[-1])
 5 wssplot(df)
 6 library(NbClust)
 7 set.seed(1234)
 8 # 确定聚类的数量
 9 nc <- NbClust(df, min.nc=2, max.nc=15, method="kmeans")
10 table(nc$Best.n[1,])
11 barplot(table(nc$Best.n[1,]), 
12         xlab="Numer of Clusters", ylab="Number of Criteria",
13         main="Number of Clusters Chosen by 26 Criteria") 
14 set.seed(1234)
15 # 进行k值聚类分析
16 fit.km <- kmeans(df, 3, nstart=25) 
17 fit.km$size
18 fit.km$centers                                               
19 aggregate(wine[-1], by=list(cluster=fit.km$cluster), mean)

    结论:分3个聚类对数据有很好的拟合

     

# 使用兰德系数来量化类型变量和类之间的协议
ct.km <- table(wine$Type,fit.km$cluster)
library(flexclust)
randIndex(ct.km)

  结论:拟合结果优秀

  围绕中心点的分类:因为K均值聚类方法是基于均值的,所以对异常值较为敏感,更为稳健的方法是围绕中心点的划分,

           k均值聚类一般使用欧几里得距离,而PAM可以使用任意的距离来计算

1 library(cluster)
2 set.seed(1234)
3 fit.pam <- pam(wine[-1],k=3,stand = T)
4 fit.pam$medoids
5 clusplot(fit.pam,main = \'Bivariate Cluster Plot\')
6 ct.pam <- table(wine$Type,fit.pam$clustering)
7 randIndex(ct.pam)

  

  结论:调整后的兰德指数从之前的0.9下降到0.7

  3.避免不存在的聚类

  3.1查看数据集

1 library(fMultivar)
2 set.seed(1234)
3 df <- rnorm2d(1000,rho=.5)
4 df <- as.data.frame(df)
5 plot(df,main=\'Bivariate Normal Distribution with rho=0.5\')

  结论:没有存在的类

  3.2计算聚类的个数

library(NbClust)
nc <- NbClust(df,min.nc = 2,max.nc = 15,method = \'kmeans\')
dev.new()
barplot(table(nc$Best.n[1,]),xlab="Numer of Clusters", ylab="Number of Criteria",
        main="Number of Clusters Chosen by 26 Criteria")

  结论:一共可分为3各类

  3.3聚类图像

1 library(ggplot2)
2 fit2 <- pam(df,k=2)
3 df$clustering <- factor(fit2$clustering)
4 ggplot(data = df,aes(x=V1,y=V2,color=clustering,shape=clustering))+
5   geom_point()+
6   ggtitle(\'Clustering of Bivariate Normal Data\')

 

    结论:对于二元数据的PAM聚类分析,提取出2类

  3.4分析聚类

plot(nc$All.index[,4],type=\'o\',ylab=\'ccc\',xlab=\'Number of Clusters\',col=\'blue\')

    结论:二元正态数据的CCC图,表明没有类存在,当CCC为负数并且对于两类或者是更多的类的递减

二.分类

  使用机器学习来预测二分类结果

  案例分析:使用乳腺癌数据作为测试,训练集建立逻辑回归,决策时,条件推断树,随机森林,支持向量机等分类模型,测试集用于评估各个模型的有效性

  1.准备数据

loc <- "http://archive.ics.uci.edu/ml/machine-learning-databases/"
ds  <- "breast-cancer-wisconsin/breast-cancer-wisconsin.data"
url <- paste(loc, ds, sep="")

breast <- read.table(url, sep=",", header=FALSE, na.strings="?")
names(breast) <- c("ID", "clumpThickness", "sizeUniformity",
                   "shapeUniformity", "maginalAdhesion", 
                   "singleEpithelialCellSize", "bareNuclei", 
                   "blandChromatin", "normalNucleoli", "mitosis", "class")
df <- breast[-1]
df$class <-factor(df$class,levels = c(2,4),labels = c(\'begign\',\'malignant\'))
set.seed(1234)
train <- sample(nrow(df),0.7*nrow(df))
df.train <- df[train,]
df.validate <- df[-train,]
table(df.train$class)
table(df.validate$class)

  2.逻辑回归

# 拟合逻辑回归
fit.logit <- glm(class~.,data=df.train,family = binomial())
prob <- predict(fit.logit,df.validate,type=\'response\')
# 对训练集外的样本进行分类
logit.pred <- factor(prob>.5,levels = c(F,T),labels = c(\'benign\',\'malignant\'))
# 评估预测的准确性
logit.pref <- table(df.validate$class,logit.pred,dnn = c(\'Actual\',\'Predicted\'))
logit.pref

  结论:正确分类的模型是97%

  3.决策树

library(rpart)
set.seed(1234)
# 生成树
dtree <- rpart(class~.,data = df.train,method = \'class\',parms = list(split=\'information\'))
plotcp(dtree)
# 剪枝
dtree.pruned <- prune(dtree,cp=.0125)
library(rpart.plot)
prp(dtree.pruned,type = 2,extra = 104,fallen.leaves = T,main=\'decision tree\')
# 对训练集外的样本单元分类
dtree.pred <- predict(dtree.pruned,df.validate,type=\'class\')
dtree.pref <- table(df.validate$class,dtree.pred,dnn = c(\'Actual\',\'Predict\'))
dtree.pref

 

   结论:验证的准确率96%

  4.条件推断树

library(party)
library(partykit)
fit.tree <- ctree(class~.,data=df.train)
plot(fit.tree,main=\'Condition Inference Tree\')
ctree.pred <- predict(fit.tree,df.validate,type=\'response\')
ctree.pref <- table(df.validate$class,ctree.pred,dnn = c(\'Actual\',\'Predicted\'))
ctree.pref

  结论:验证的准确率97%

  5.随机森林

library(randomForest)
set.seed(1234)
# 生成森林
fit.forest <- randomForest(class~.,data=df.train,na.action=na.roughfix,importance=T)
importance(fit.forest,type=2)
forest.pred <- predict(fit.forest,df.validate)
# 对训练集外的样本点分类
forest.pref <- table(df.validate$class,forest.pred,dnn = c(\'Actual\',\'Predicted\'))
forest.pref

  结论:验证准确率在98%

  6.支持向量机

library(e1071)
set.seed(1234)
fit.svm <- svm(class~.,data=df.train)
svm.pred <- predict(fit.svm,na.omit(df.validate))
svm.pref <- table(na.omit(df.validate)$class,svm.pred,dnn = c(\'Actual\',\'Predicted\'))
svm.pref

  结论:验证准确率在96%

  7.带有RBF内核的支持向量机

set.seed(1234)
# 通过调整gamma和c来拟合模型
tuned <- tune.svm(class~.,data=df.train,gamma = 10^(-6:1),cost = 10^(-10:10))
tuned
fit.svm <- svm(class~.,data=df.train,gamma=.01,cost=1)
svm.pred <- predict(fit.svm,na.omit(df.validate))
svm.pref <- table(na.omit(df.validate)$class,svm.pred,dnn = c(\'Actual\',\'Predicted\'))
svm.pref

  结论验证的成功率有97%

  8.编写函数选择预测效果最好的解

performance <- function(table,n=2){
  if(!all(dim(table) == c(2,2))){
    stop(\'Must be a 2 * 2 table\')
  }
  tn = table[1,1]
  fp = table[1,2]
  fn = table[2,1]
  tp = table[2,2]
  sensitivity = tp/(tp+fn)
  specificity = tn/(tn+fp)
  ppp = tp/(tp+fp)
  npp = tn/(tn+fn)
  hitrate = (tp+tn)/(tp+tn+fn+fp)
  result <- paste("Sensitivity = ", round(sensitivity, n) ,
                  "\nSpecificity = ", round(specificity, n),
                  "\nPositive Predictive Value = ", round(ppp, n),
                  "\nNegative Predictive Value = ", round(npp, n),
                  "\nAccuracy = ", round(hitrate, n), "\n", sep="")
  cat(result)
}
performance(logit.pref)
performance(dtree.pref)
performance(ctree.pref)
performance(forest.pref)
performance(svm.pref)

  结论:从以上的分类器中,本案例随机森林的拟合度最优

三.使用rattle进行数据挖掘

  案例:预测糖尿病

library(rattle)
rattle()

  结论:设定好这些变量点击执行

  选择model选项卡,然后选择条件推断树作为预测模型,点击Draw生成图片

  通过Evalute选项卡来评估模型

  结论:只有35%的病人被成功鉴别,我们可以试试随机森林和支持向量机的匹配度是否更高

 


鲜花

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

专题导读
上一篇:
6、R语言绘制带errorbar的柱状图发布时间:2022-07-18
下一篇:
R语言及开发环境安装:notepad++和 NppToR发布时间:2022-07-18
热门推荐
热门话题
阅读排行榜

扫描微信二维码

查看手机版网站

随时了解更新最新资讯

139-2527-9053

在线客服(服务时间 9:00~18:00)

在线QQ客服
地址:深圳市南山区西丽大学城创智工业园
电邮:jeky_zhao#qq.com
移动电话:139-2527-9053

Powered by 互联科技 X3.4© 2001-2213 极客世界.|Sitemap