共计 2454 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=16881
原文出处：拓端数据部落公众号
灰色关联剖析包含两个重要性能。
第一项性能：灰色关联度，与 correlation 系数类似，如果要评估某些单位，在应用此性能之前转置数据。第二个性能：灰色聚类，如档次聚类。
灰色关联度
灰色关联度有两种用法。该算法用于测量两个变量的相似性，就像 \`cor\` 一样。如果要评估某些单位，能够转置数据集。
* 一种是查看两个变量的相关性，数据类型如下：
| 参考 | v1 | v2 | v3 |
| ———– |||| —- | —- |
| 1.2 | 1.8 | 0.9 | 8.4 |
| 0.11 | 0.3 | 0.5 | 0.2 |
| 1.3 | 0.7 | 0.12 | 0.98 |
| 1.9 | 1.09 | 2.8 | 0.99 |
reference：参考变量，reference 和 v1 之间的灰色关联度 … 近似地测量 reference 和 v1 的类似度。
* 另一个是评估某些单位的好坏。
| 单位 | v1 | v2 | v3 |
| ———– |||| —- | —- |
| 江苏 | 1.8 | 0.9 | 8.4 |
| 浙江 | 0.3 | 0.5 | 0.2 |
| 安徽 0.7 | 0.12 | 0.98 |
| 福建 | 1.09 | 2.8 | 0.99 |
示例
| ## 生成数据 | |
| #' economyCompare = data.frame(refer, liaoning, shandong, jiangsu, zhejiang, fujian, guangdong) | |
| # | |
| # 异样管制 # | |
| if (any(is.na(df))) stop("'df' have NA") | |
| if (distingCoeff<0 | distingCoeff>1) stop("'distingCoeff' must be in range of \[0,1\]" ) | |
| diff = X #设置差学列矩阵空间 | |
| for (i in | |
| mx = max(diff) | |
| #计算关联系数# | |
| relations = (mi+distingCoeff\*mx) / (diff + distingCoeff\*mx) | |
| #计算关联度# | |
| # 临时简略解决, 等权 | |
| relDegree = rep(NA, nc) | |
| for (i in 1:nc) {relDegree\[i\] = mean(relations\[,i\]) # 等权 | |
| } | |
| #排序: 按关联度大到小# | |
| X_order = X\[order(relDegree, | |
| relDes = rep(NA, nc) #调配空间 关联关系形容(阐明谁和谁的关联度) | |
| X\_names = names(X\_o | |
| names(relationalDegree) = relDes | |
| if (cluster) { | |
| greyRelDegree = GRA(economyC | |
| # 失去差别率矩阵 # | |
| grey_diff = matrix(0 | |
| grey_diff\[i,j\] = abs(rel | |
| #失去间隔矩阵# | |
| grey_dist = matrix(0, nrow | |
| iff\[i,j\]+grey_diff\[j,i\] | |
| } | |
| } | |
| # 失去灰色相关系数矩阵 # | |
| grey\_dist\_max = max(grey_dist) | |
| grey_correl = matrix(0, nrow = nc, ncol = nc) | |
| for (i in 1:nc) {for (j in 1:nc) {grey\_correl\[i,j\] = 1 - grey\_dist\[i,j\] / grey\_dist\_max | |
| } | |
| } | |
| d = as.dist(1-grey_correl) # 失去无对角线的下三角矩阵(数值意义反向了, 值越小示意越相干) | |
| # 主对角线其实示意了各个对象的相近水平, 画图的时候, 相近的对象放在一起 | |
| hc = hclust(d, method = clusterMethod) # 零碎聚类 (分层聚类) 函数, single: 繁多连贯(最短距离法 / 最近邻) | |
| # hc$height, 是下面矩阵的对角元素升序 | |
| # hc$order, 档次树图上横轴个体序号 | |
| plot(hc,hang=-1) #hang: 设置标签悬挂地位 | |
| } | |
| #输入# | |
| if (cluster) { | |
| lst = list(relationalDegree=relationalDegree, | |
| return(lst) | |
| } | |
| ## 生成数据 | |
| rownames(economyCompare) = c("indGV", "indVA", "profit", "incomeTax") | |
| ## 灰色关联度 | |
| greyRelDegree = greya(economyCompare) | |
| greyRelDegree |
灰色关联度
灰色聚类，如档次聚类
| ## 灰色聚类 | |
| greya(economyCompare, cluster = T) |
最受欢迎的见解
1.R 语言 k -Shape 算法股票价格工夫序列聚类
2.R 语言中不同类型的聚类办法比拟
3.R 语言对用电负荷工夫序列数据进行 K -medoids 聚类建模和 GAM 回归
4.r 语言鸢尾花 iris 数据集的档次聚类
5.Python Monte Carlo K-Means 聚类实战
6. 用 R 进行网站评论文本开掘聚类
7. 用于 NLP 的 Python：应用 Keras 的多标签文本 LSTM 神经网络
8.R 语言对 MNIST 数据集剖析 摸索手写数字分类数据
9.R 语言基于 Keras 的小数据集深度学习图像分类
