|
https://blog.csdn.net/hfutxiaoguozhi/article/details/78831405 谱聚类 在上一讲当中，我们讲解了基于模型的聚类，也就是混合模型，实质上是首先拟合一个混合概率分布，再求条件概率，最终确定每一个点应当属于哪一类。在这一讲当中，我们谈一谈谱聚类，谱聚类和DBSCAN这种聚类方法一样，都是适用于那种奇形怪状的数据集，绝大多数都是人造数据集，比如下图： 像这种样子的数据，k-means或者一般基于距离的聚类算法都会无效。基于密度的聚类算法也不行，因为样本整体分布比较均匀，均匀的线条构成了各种图形，那么谱聚类就是适用这种情形。下面通过一个例子说明。 #清除变量空间 rm(list=ls()) #载入包 library("kernlab") #载入画图包 library("ggplot2") #引入数据 data(spirals) #将数据设置为数据框格式 df<-as.data.frame(spirals) #重新命名 names(df)<-c("x1","x2") #查看原始数据 ggplot(df,aes(x=x1,y=x2))+geom_point() 1 2 3 4 5 6 7 8 9 10 11 12 13 14 原始数据 下面我们进行谱聚类，为了观察到效果，我们拿k-means进行对比 #进行谱聚类 sc <- specc(spirals, centers=2) df1<-df #将类标签和原始数据融合 df1$class<-as.factor(sc@.Data) #进行可视化 ggplot(df1,aes(x=x1,y=x2,colour=class))+geom_point() #进行k-means聚类 set.seed(123) km_result <- kmeans(df, 2, nstart = 24) #k-means进行可视化展示 fviz_cluster(km_result, df, geom = "point", ellipse= FALSE, show.clust.cent = FALSE, palette = "jco", ggtheme = theme_classic()) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 k-means聚类效果图 根据上图可以看到，k-means的聚类效果不行，对于这种形状类的数据，k-means能力还是差一些。下面我们看看谱聚类的效果 可以看到，效果非常好 ———————————————— 版权声明：本文为CSDN博主「data_honey」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/hfutxiaoguozhi/java/article/details/78831405 |
|
|
