【问题标题】：R cluster analysis and dendrogram with correlation matrixR聚类分析和具有相关矩阵的树状图
【发布时间】：2018-05-26 08:11:23
【问题描述】：

我必须对大量数据进行聚类分析。由于我有很多缺失值，我制作了一个相关矩阵。

corloads = cor(df1[,2:185], use = "pairwise.complete.obs")

现在我有问题如何继续。我阅读了很多文章和示例，但没有什么对我真正有用。我怎样才能知道有多少集群对我有好处？

我已经试过了：

dissimilarity = 1 - corloads
distance = as.dist(dissimilarity) 

plot(hclust(distance), main="Dissimilarity = 1 - Correlation", xlab="")

我有一个情节，但它非常混乱，我不知道如何阅读它以及如何继续。它看起来像这样：

知道如何改进它吗？我实际上能从中得到什么？

我还想创建一个 Screeplot。我读到会有一条曲线，您可以在其中看到有多少集群是正确的。

我也进行了聚类分析，选择了 2-20 个聚类，但结果太长了，我不知道如何处理，不知道看什么重要。

【问题讨论】：

您可以任意确定簇的数量。如何确定聚类的数量是非常有争议的，但一些分析可以帮助你。看看maptree 包中的kgs 函数。
我查了一下并读到它应该可以帮助您找到大量的集群。但我对这个主题完全陌生。作为集群和diss我必须输入什么？我的 corloads = cluster 和 diss = distance 吗？ kgs (cluster, diss, alpha=1, maxclust=NULL)

标签： r statistics cluster-computing analysis dendrogram

【解决方案1】：

要确定“最佳聚类数”，有几种方法可供使用，尽管这是一个有争议的主题。

kgs 有助于获得最佳集群数。

按照您的代码可以：

clus <- hclust(distance)
op_k <- kgs(clus, distance, maxclus = 20)
plot (names (op_k), op_k, xlab="# clusters", ylab="penalty")

所以根据kgs 函数的最佳聚类数是op_k 的最小值，如图所示。你可以得到它

min(op_k)

请注意，我将允许的最大集群数设置为 20。您可以将此参数设置为 NULL。

查看this页面了解更多方法。

希望对你有帮助。

编辑

要找到最佳的聚类数，您可以这样做

op_k[which(op_k == min(op_k))]

加号

另请参阅 post 以从 @Ben 找到完美的图形答案

编辑

op_k[which(op_k == min(op_k))]

仍然会受到惩罚。要找到最佳聚类数，请使用

as.integer(names(op_k[which(op_k == min(op_k))]))

【讨论】：

嗨，非常感谢！我现在有一个情节，但我想我不能在这里发布它？不知道如何。 min(op_k) 是 7.628466。这是否意味着 7 或 8 个集群？情节看起来有5个……前4个很高，第5个在底部很远，然后所有其他的都在逐步上升。
@Essi min(op_k) 的值只是kgs 计算的惩罚。簇的最佳数量是由该值指示的。我编辑了我的答案，以便您获得最佳数量的集群。

【解决方案2】：

我很高兴了解 kgs 函数。另一种选择是使用 dendextend 包中的 find_k 函数（它使用平均轮廓宽度）。但是考虑到 kgs 功能，我可能只是将它作为另一个选项添加到包中。还要注意 dendextend::color_branches 函数，用您最终选择的集群数量为您的树状图着色（您可以在此处查看更多信息：https://cran.r-project.org/web/packages/dendextend/vignettes/introduction.html#setting-a-dendrograms-branches）

【讨论】：

非常感谢！我会试试的！