原文链接：http://tecdat.cn/?p=22838
最近咱们被客户要求撰写对于鸢尾花iris数据集的钻研报告，包含一些图形和统计输入。
本练习问题包含：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。
应用R中的鸢尾花数据集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。
向下滑动查看后果▼
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)向下滑动查看后果▼
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$Pred <-Pred#绘制图表plot(PC, y = PC1, x = PC2, col = Pred)为了更好地解释PCA图，思考到主成分的方差。
## 看一下次要成分所解释的方差for (i in 1:nrow) { pca[["PC"]][i] <- paste("PC", i)}plot(data = pca,x = 主成分, y = 方差比例, group = 1)数据中80%的方差是由前两个主成分解释的，所以这是一个相当好的数据可视化。
向下滑动查看后果▼
应用k-means聚类法将数据会聚成3组
在之前的主成分图中，聚类看起来非常明显，因为实际上咱们晓得应该有三个组，咱们能够执行三个聚类的模型。
kmean(input, centers = 3, nstart = 100)# 制作数据groupPred %>% print()向下滑动查看后果▼
画一个图来显示聚类的状况
# 绘制数据plot(萼片长度,萼片宽度, col =pred)向下滑动查看后果▼
PCA图
为了更好地思考花瓣的长度和宽度，应用PCA首先缩小维度是比拟适合的。
#创立模型prcomp(x = iris)#把预测的组放在最初PCADF$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") +向下滑动查看后果▼
点击题目查阅往期内容
R语言鸢尾花iris数据集的档次聚类分析
左右滑动查看更多
01
02
03
04
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', ) +向下滑动查看后果▼
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')向下滑动查看后果▼
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')向下滑动查看后果▼
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))向下滑动查看后果▼
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)向下滑动查看后果▼
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R语言k-means聚类、档次聚类、主成分（PCA）降维及可视化剖析鸢尾花iris数据集》。
点击题目查阅往期内容
SPSS用K均值聚类KMEANS、决策树、逻辑回归和T测验钻研通勤出行交通形式抉择的影响因素考察数据分析
数据分享|R语言主成分PCA、因子分析、聚类对地区经济钻研剖析重庆市经济指标
数据分享|R语言用主成分PCA、 逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化
R语言逻辑回归logistic模型剖析泰坦尼克titanic数据集预测生还状况R语言是否对二分连续变量执行逻辑回归
R语言用lme4多层次（混合效应）狭义线性模型（GLM），逻辑回归剖析教育留级考察数据
R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化剖析
R语言基于Bagging分类的逻辑回归(Logistic Regression)、决策树、森林剖析心脏病患者
R语言逻辑回归（Logistic回归）模型分类预测病人冠心病危险
R语言用部分加权回归(Lowess)对logistic逻辑回归诊断和残差剖析R语言用主成分PCA、 逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化
R语言用线性模型进行臭氧预测：加权泊松回归，一般最小二乘，加权负二项式模型，多重插补缺失值R语言Bootstrap的岭回归和自适应LASSO回归可视化
R语言中回归和分类模型抉择的性能指标
R语言多元工夫序列滚动预测：ARIMA、回归、ARIMAX模型剖析
R语言用lme4多层次（混合效应）狭义线性模型（GLM），逻辑回归剖析教育留级考察数据
R语言计量经济学：虚构变量(哑变量)在线性回归模型中的利用
R语言 线性混合效应模型实战案例
R语言混合效应逻辑回归（mixed effects logistic）模型剖析肺癌数据
R语言如何用潜类别混合效应模型（LCMM）剖析抑郁症状
R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研
R语言建设和可视化混合效应模型mixed effect model
R语言LME4混合效应模型钻研老师的受欢迎水平
R语言 线性混合效应模型实战案例
R语言用Rshiny摸索lme4狭义线性混合模型（GLMM）和线性混合模型（LMM）
R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题
基于R语言的lmer混合线性回归模型
R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
R语言分层线性模型案例
R语言用WinBUGS 软件对学术能力测验（SAT）建设分层模型
应用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
SPSS中的多层（等级）线性模型Multilevel linear models钻研整容手术数据
用SPSS预计HLM多层（档次）线性模型模型R语言高维数据的主成分pca、 t-SNE算法降维与可视化剖析案例报告
R语言惩办logistic逻辑回归（LASSO,岭回归）高维变量抉择的分类模型案例
R语言有RStan的多维验证性因子分析（CFA）
主成分剖析(PCA)原理及R语言实现及剖析实例
R语言无监督学习：PCA主成分剖析可视化
R语言应用Metropolis- Hasting抽样算法进行逻辑回归
R语言多元Logistic逻辑回归 利用案例
R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归利用剖析
R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
R语言基于树的办法：决策树，随机森林，Bagging，加强树
spss modeler用决策树神经网络预测ST的股票
R语言中自编基尼系数的CART回归决策树的实现
python在Scikit-learn中用决策树和随机森林预测NBA获胜者
matlab应用分位数随机森林（QRF）回归树检测异样值
基于随机森林、svm、CNN机器学习的风控欺诈辨认模型
R语言惩办logistic逻辑回归（LASSO,岭回归）高维变量抉择的分类模型案例
R语言用规范最小二乘OLS，狭义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分