Kmeans聚类识别R中的知识

Question

我是 R 和集群世界的新手。我正在使用购物数据集从中提取特征，以识别有意义的东西。

到目前为止，我已经学会了如何合并文件、删除 na.、计算误差平方和、计算平均值、按组汇总、进行 K 表示聚类并绘制结果 X、Y。

但是，我对如何查看这些结果或确定什么是有用的集群感到非常困惑？我是在重复某些事情还是错过了某些事情？我也对绘制 X Y 变量感到困惑。

以下是我的代码，也许我的代码可能是错误的。能否请你帮忙。任何帮助都会很棒。

# Read file
mydata = read.csv(file.choose(), TRUE)

#view the file
View(mydata)

#create new data set
mydata.features = mydata

mydata.features <- na.omit(mydata.features)

wss <- (nrow(mydata.features)-1)*sum(apply(mydata.features,2,var))
for (i in 2:20) wss[i] <- sum(kmeans(mydata.features, centers=i)$withinss)
plot(1:20, wss, type="b", xlab="Number of Clusters", ylab="Within groups sum of squares")

# K-Means Cluster Analysis
fit <- kmeans(mydata.features, 3) 
# get cluster means 
aggregate(mydata.features,by=list(fit$cluster),FUN=mean)
# append cluster assignment
mydata.features <- data.frame(mydata.features, fit$cluster)

results <- kmeans(mydata.features, 3)

plot(mydata[c("DAY","WEEK_NO")], col= results$cluster

样本数据变量，以下是我数据集中的所有变量，其购物数据集收集了 2 年以上

PRODUCT_ID - 唯一标识每个产品 home_key - 唯一标识每个家庭 BASKET_ID - 唯一标识购买场合 DAY - 交易发生的日期 QUANTITY - 旅行期间购买的产品数量 SALES_VALUE - 零售商从销售中获得的美元金额 STORE_ID - 标识唯一商店 RETAIL_DISC - 由于制造优惠券而应用的折扣 TRANS_TIME - 交易发生的时间 WEEK_NO - 交易发生的周数 1-102 制造商 - 将同一制造商的产品链接在一起的代码 部门 - 将相似的产品组合在一起 BRAND - 表示私人或国家标签乐队 COMMODITY_DESC - 在较低级别将相似产品组合在一起 SUB_COMMODITY_DESC - 在最低级别将相似产品组合在一起

Answer 1

样本数据

我整理了一些示例数据，以便更好地帮助您：

#generate sample data
sampledata <- matrix(data=rnorm(200,0,1),50,4)

#add ID to data
sampledata <-cbind(sampledata, 1:50)

#show data:
head(sampledata)
            [,1]       [,2]       [,3]       [,4] [,5]
[1,]  0.72859559 -2.2864943 -0.5408501  0.1564730    1
[2,]  0.34852943  0.3100891  0.6007349 -0.5985266    2
[3,] -0.04605026  0.5067896 -0.2911211 -1.1617171    3
[4,] -1.88358617  1.3739440 -0.5655383  0.9518367    4
[5,]  0.35528650 -1.7482304 -0.3871520 -0.7837712    5
[6,]  0.38057682  0.1465488 -0.6006462  1.3827544    6

我有一个包含数据点的矩阵。每个数据点有 4 个变量（第 1 - 4 列）和一个 id（第 5 列）。

应用 K-means

之后我应用 k-means 函数（但仅适用于 1:4 列，因为对 id 进行聚类没有多大意义）：

#kmeans (4 centers)
result <- kmeans(sampledata[,1:4], 4)

分析输出

如果我想查看哪个数据点属于我可以键入的集群：

result$cluster

结果将是例如：

[1] 4 3 2 2 1 2 4 4 3 3 3 3 2 1 4 4 4 2 4 4 4 1 1 1 3 3 3 3 1 3 2 2 4 4 2 4 2 3 1 2 2 2 1 2 1 1 4 1 1 1

这意味着数据点 1 属于集群 4。第二个数据点属于集群 3，以此类推... 如果我想检索集群 1 中的所有数据点，我可以执行以下操作：

sampledata[result$cluster==1,]

这将输出一个矩阵，在最后一列中包含所有值和数据点 ID：

            [,1]         [,2]       [,3]        [,4] [,5]
 [1,]  0.3552865 -1.748230422 -0.3871520 -0.78377121    5
 [2,]  0.5806156  0.479576142  1.1314052  1.60730796   14
 [3,]  1.1871472  1.280881477 -1.7227361 -0.89045074   22
 [4,]  0.8482060  0.726470349  0.6851352 -0.78526581   23
 [5,] -0.5324139 -1.745802580  0.6779943  0.99915708   24
 [6,]  0.2472263 -0.006298136 -0.1457003 -0.44789364   29
 [7,]  0.1412812 -0.247076976  0.9181507 -0.58570904   39
 [8,]  0.1859786 -1.768692166  0.5681229 -0.80618157   43
 [9,] -1.1577178 -0.179886998  1.5183880  0.40014071   45
[10,]  1.0667566 -1.602875994  0.6010581 -0.49514049   46
[11,]  0.2464646  1.226129859 -1.3628096 -0.37666716   48
[12,]  1.2660358  0.282688323  0.7650636  0.23442255   49
[13,] -0.2499337  0.855327072  0.2290221  0.03492807   50

如果我想知道集群 1 中有多少数据点，我可以输入：

sum(result$cluster==1)

这将返回 13，并且对应于上面矩阵中的行数。

最后是一些绘图：

首先，让我们绘制数据。由于您有一个多维数据框，并且您只能在标准图中绘制两个维度，因此您必须这样做。选择要绘制的变量，例如 var 2 和 3（第 2 列和第 3 列）。这对应于：

sampledata[,2:3]

要绘制这些数据，只需编写：

plot(sampledata[,2:3], col=result$cluster ,main="Affiliation of observations") 

使用参数 col（这代表颜色）通过键入 col= result$cluster 为数据点提供与它们的集群从属相对应的颜色

如果您还想查看图中的聚类中心，请添加以下行：

+ points(result$centers, col=1:4, pch="x", cex=3)

绘图现在应该如下所示（变量 2 与变量 3）：

（点是数据点，X 是聚类中心）

Answer 2

我对 k-means 函数并不是很熟悉，如果没有任何样本数据，它很难提供帮助。然而，这可能会有所帮助：

kmeans 返回一个“kmeans”类的对象，它有一个 print 和一个 fit 方法。它是一个至少包含以下组件的列表：

• cluster：一个整数向量（从 1:k 开始），表示每个点被分配到的集群。
• centers：聚类中心矩阵。
• totss：平方和。
• withinss： 簇内平方和的向量，每个簇一个分量。
• tot.withinss： 簇内总平方和，即 sum(withinss)。
• betweenss： 簇间平方和，即 totss-tot.withinss。
• size：每个簇中的点数。
• iter：（外部）迭代次数。
• ifault： 整数：可能存在算法问题的指标 – 供专家使用。

更多here.

您可以像这样访问这些组件： IE。如果你想看看集群：

results$cluster

或了解有关中心的更多详细信息：

results$centers