原文链接：http://tecdat.cn/?p=22838
问题：应用R中的鸢尾花数据集
(a)局部：k-means聚类
应用k-means聚类法将数据会聚成2组。
画一个图来显示聚类的状况
应用k-means聚类法将数据会聚成3组。
画一个图来显示聚类的状况
(b)局部：档次聚类
应用全连贯法对察看值进行聚类。
应用均匀和单连贯对观测值进行聚类。
绘制上述聚类办法的树状图。
问题01：应用R中建设的鸢尾花数据集。
(a)：k-means聚类
探讨和/或思考对数据进行标准化。
data.frame( "均匀"=apply(iris\[,1:4\], 2, mean "标准差"=apply(iris\[,1:4\], 2, sd)在这种状况下，咱们将标准化数据，因为花瓣的宽度比其余所有的测量值小得多。
应用k-means聚类法将数据会聚成2组
应用足够大的nstart，更容易失去对应最小RSS值的模型。
kmean(iris, nstart = 100)画一个图来显示聚类的状况
# 绘制数据plot(iris, y = Sepal.Length, x = Sepal.Width)为了更好地思考花瓣的长度和宽度，应用PCA首先升高维度会更适合。
# 创立模型PCA.mod<- PCA(x = iris)#把预测的组放在最初PCA$Pred <-Pred#绘制图表plot(PC, y = PC1, x = PC2, col = Pred)为了更好地解释PCA图，思考到主成分的方差。
## 看一下次要成分所解释的方差for (i in 1:nrow) { pca\[\["PC"\]\]\[i\] <- paste("PC", i)}plot(data = pca,x = 主成分, y = 方差比例, group = 1)数据中80%的方差是由前两个主成分解释的，所以这是一个相当好的数据可视化。
应用k-means聚类法将数据会聚成3组
在之前的主成分图中，聚类看起来非常明显，因为实际上咱们晓得应该有三个组，咱们能够执行三个聚类的模型。
kmean(input, centers = 3, nstart = 100)# 制作数据groupPred %>% print()画一个图来显示聚类的状况
# 绘制数据plot(萼片长度,萼片宽度, col =pred)PCA图
为了更好地思考花瓣的长度和宽度，应用PCA首先缩小维度是比拟适合的。
#创立模型prcomp(x = iris)#把预测的组放在最初PCADF$KMeans预测<- Pred#绘制图表plot(PCA, y = PC1, x = PC2,col = "预测\\n聚类", caption = "鸢尾花数据的前两个主成分，椭圆代表90%的失常置信度，应用K-means算法对2个类进行预测") +PCA双曲线图
萼片长度~萼片宽度图的拆散度很正当，为了抉择在X、Y上应用哪些变量，咱们能够应用双曲线图。
biplot(PCA)这个双曲线图显示，花瓣长度和萼片宽度能够解释数据中的大部分差别，更适合的图是：
plot(iris, col = KM预测)评估所有可能的组合。
iris %>% pivot_longer() %>% plot(col = KM预测, facet\_grid(name ~ ., scales = 'free\_y', space = 'free_y', ) +档次聚类
应用全连贯法对观测值进行聚类。
能够应用全连贯法对观测值进行聚类（留神对数据进行标准化）。
hclust(dst, method = 'complete')应用均匀和单连贯对察看后果进行聚类。
hclust(dst, method = 'average')hclust(dst, method = 'single')绘制预测图
当初模型曾经建设，通过指定所需的组数，对树状图切断进行划分。
# 数据iris$KMeans预测<- groupPred# 绘制数据plot(iris,col = KMeans预测))绘制上述聚类办法的树状图
对树状图着色。
type<- c("均匀", "全", "单")for (hc in models) plot(hc, cex = 0.3)
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