R语言-聚类与分类

一.聚类:

　一般步骤:

　　1.选择合适的变量

　　2.缩放数据

　　3.寻找异常点

　　4.计算距离

　　5.选择聚类算法

　　6.采用一种或多种聚类方法

　　7.确定类的数目

　　8.获得最终聚类的解决方案

　　9.结果可视化

　　10.解读类

　　11.验证结果

1.层次聚类分析

　　案例:采用flexclust的营养数据集作为参考

　　　　1.基于5种营养标准的27类鱼,禽,肉的相同点和不同点是什么

　　　　2.是否有一种办法把这些食物分成若干各类

　　　　1.1计算距离

 data(nutrient,package = 'flexclust')
 head(nutrient,4)
 d <- dist(nutrient)
 as.matrix(d)[1:4,1:4]

　　　　结论:观测的距离越大,异质性越大

　　　　1.2平均联动聚类

 row.names(nutrient) <- tolower(row.names(nutrient))
 nutrient.scaled <- scale(nutrient)
 d2 <- dist(nutrient.scaled)
 fit.average <- hclust(d2,method = 'average')
 plot(fit.average,hang=-1,cex=.8,main='Average Linkage Clustering')

　　　　结论:只能提供食物营养成分的相似性和相异性

　　　　1.3获取聚类的个数

 library('NbClust')
 devAskNewPage(ask = T)
 nc <- NbClust(nutrient.scaled, distance="euclidean",
               min.nc=2, max.nc=15, method="average")
 table(nc$Best.n[1,])
 barplot(table(nc$Best.n[1,]),
         xlab = 'Number of Clusters',ylab = 'Number of Criteria',
         main='Number of Clusters chosen by 26 criteria')

　　　　结论:分别有4个投票数最多的聚类(2,3,5,15),从中选择一个更适合的聚类数

　　　　1.4获取聚类的最终方案

 # 聚类分配情况
 clusters <- cutree(fit.average,k=5)
 table(clusters)
 # 描述聚类
 aggregate(nutrient,by=list(clusters=clusters),median)
 aggregate(as.data.frame(nutrient.scaled),by=list(clusters=clusters),median)
 plot(fit.average,hang=-1,cex=.8,main='Average Linkpage Clustering\n 5 Cluster Solution')
 rect.hclust(fit.average,k=5)

　　　　结论:

　　　　　　1.sardines canned形成自己的类,因为钙含量比较高

　　　　　　2.beef heart也是单独的类,富含蛋白质和铁

　　　　　　3.beef roast到pork simmered含有高能量和脂肪

　　　　　　4.clams raw到clams canned含有较高的维生素

　　　　　　5.mackerel canned到bluefish baked含有较低的铁

　　2.划分聚类分析

　　案例:采用rattle.data中的wine数据集进行分析

　　　　1.葡萄酒数据的K均值聚类

# 使用卵石图确定类的数量
wssplot <- function(data,nc=15,seed=1234){
  wss <- (nrow(data)-1) * sum(apply(data,2,var))
  for (i in 2:nc) {
    set.seed(seed)
    wss[i] <- sum(kmeans(data,centers = i)$withinss)
  }
  plot(1:nc,wss,type = 'b',xlab = 'Number of Clusters',ylab = 'Within groups sum of squares')
}

 data(wine,package = 'rattle.data')

 head(wine)
 df <- scale(wine[-1])
 wssplot(df)
 library(NbClust)
 set.seed(1234)
 # 确定聚类的数量
 nc <- NbClust(df, min.nc=2, max.nc=15, method="kmeans")
 table(nc$Best.n[1,])
 barplot(table(nc$Best.n[1,]),
         xlab="Numer of Clusters", ylab="Number of Criteria",
         main="Number of Clusters Chosen by 26 Criteria")
 set.seed(1234)
 # 进行k值聚类分析
 fit.km <- kmeans(df, 3, nstart=25)
 fit.km$size
 fit.km$centers
 aggregate(wine[-1], by=list(cluster=fit.km$cluster), mean)

　　　　结论:分3个聚类对数据有很好的拟合

　　　　

# 使用兰德系数来量化类型变量和类之间的协议
ct.km <- table(wine$Type,fit.km$cluster)
library(flexclust)
randIndex(ct.km)

　　结论:拟合结果优秀

　　围绕中心点的分类:因为K均值聚类方法是基于均值的,所以对异常值较为敏感,更为稳健的方法是围绕中心点的划分,

　　　　　　　　　　 k均值聚类一般使用欧几里得距离,而PAM可以使用任意的距离来计算

 library(cluster)
 set.seed(1234)
 fit.pam <- pam(wine[-1],k=3,stand = T)
 fit.pam$medoids
 clusplot(fit.pam,main = 'Bivariate Cluster Plot')
 ct.pam <- table(wine$Type,fit.pam$clustering)
 randIndex(ct.pam)

　　

　　结论:调整后的兰德指数从之前的0.9下降到0.7

　　3.避免不存在的聚类

　　3.1查看数据集

 library(fMultivar)
 set.seed(1234)
 df <- rnorm2d(1000,rho=.5)
 df <- as.data.frame(df)
 plot(df,main='Bivariate Normal Distribution with rho=0.5')

　　结论:没有存在的类

　　3.2计算聚类的个数

library(NbClust)
nc <- NbClust(df,min.nc = 2,max.nc = 15,method = 'kmeans')
dev.new()
barplot(table(nc$Best.n[1,]),xlab="Numer of Clusters", ylab="Number of Criteria",
        main="Number of Clusters Chosen by 26 Criteria")

　　结论:一共可分为3各类

　　3.3聚类图像

 library(ggplot2)
 fit2 <- pam(df,k=2)
 df$clustering <- factor(fit2$clustering)
 ggplot(data = df,aes(x=V1,y=V2,color=clustering,shape=clustering))+
   geom_point()+
   ggtitle('Clustering of Bivariate Normal Data')

　

　　　　结论:对于二元数据的PAM聚类分析,提取出2类

　　3.4分析聚类

plot(nc$All.index[,4],type='o',ylab='ccc',xlab='Number of Clusters',col='blue')

　　　　结论:二元正态数据的CCC图,表明没有类存在,当CCC为负数并且对于两类或者是更多的类的递减

二.分类

　　使用机器学习来预测二分类结果

　　案例分析:使用乳腺癌数据作为测试,训练集建立逻辑回归,决策时,条件推断树,随机森林,支持向量机等分类模型,测试集用于评估各个模型的有效性

　　1.准备数据

loc <- "http://archive.ics.uci.edu/ml/machine-learning-databases/"
ds  <- "breast-cancer-wisconsin/breast-cancer-wisconsin.data"
url <- paste(loc, ds, sep="")

breast <- read.table(url, sep=",", header=FALSE, na.strings="?")
names(breast) <- c("ID", "clumpThickness", "sizeUniformity",
                   "shapeUniformity", "maginalAdhesion",
                   "singleEpithelialCellSize", "bareNuclei",
                   "blandChromatin", "normalNucleoli", "mitosis", "class")
df <- breast[-1]
df$class <-factor(df$class,levels = c(2,4),labels = c('begign','malignant'))
set.seed(1234)
train <- sample(nrow(df),0.7*nrow(df))
df.train <- df[train,]
df.validate <- df[-train,]
table(df.train$class)
table(df.validate$class)

　　2.逻辑回归

# 拟合逻辑回归
fit.logit <- glm(class~.,data=df.train,family = binomial())
prob <- predict(fit.logit,df.validate,type='response')
# 对训练集外的样本进行分类
logit.pred <- factor(prob>.5,levels = c(F,T),labels = c('benign','malignant'))
# 评估预测的准确性
logit.pref <- table(df.validate$class,logit.pred,dnn = c('Actual','Predicted'))
logit.pref

　　结论:正确分类的模型是97%

　　3.决策树

library(rpart)
set.seed(1234)
# 生成树
dtree <- rpart(class~.,data = df.train,method = 'class',parms = list(split='information'))
plotcp(dtree)
# 剪枝
dtree.pruned <- prune(dtree,cp=.0125)
library(rpart.plot)
prp(dtree.pruned,type = 2,extra = 104,fallen.leaves = T,main='decision tree')
# 对训练集外的样本单元分类
dtree.pred <- predict(dtree.pruned,df.validate,type='class')
dtree.pref <- table(df.validate$class,dtree.pred,dnn = c('Actual','Predict'))
dtree.pref

　　结论:验证的准确率96%

　　4.条件推断树

library(party)
library(partykit)
fit.tree <- ctree(class~.,data=df.train)
plot(fit.tree,main='Condition Inference Tree')
ctree.pred <- predict(fit.tree,df.validate,type='response')
ctree.pref <- table(df.validate$class,ctree.pred,dnn = c('Actual','Predicted'))
ctree.pref

　　结论:验证的准确率97%

　　5.随机森林

library(randomForest)
set.seed(1234)
# 生成森林
fit.forest <- randomForest(class~.,data=df.train,na.action=na.roughfix,importance=T)
importance(fit.forest,type=2)
forest.pred <- predict(fit.forest,df.validate)
# 对训练集外的样本点分类
forest.pref <- table(df.validate$class,forest.pred,dnn = c('Actual','Predicted'))
forest.pref

　　结论:验证准确率在98%

　　6.支持向量机

library(e1071)
set.seed(1234)
fit.svm <- svm(class~.,data=df.train)
svm.pred <- predict(fit.svm,na.omit(df.validate))
svm.pref <- table(na.omit(df.validate)$class,svm.pred,dnn = c('Actual','Predicted'))
svm.pref

　　结论:验证准确率在96%

　　7.带有RBF内核的支持向量机

set.seed(1234)
# 通过调整gamma和c来拟合模型
tuned <- tune.svm(class~.,data=df.train,gamma = 10^(-6:1),cost = 10^(-10:10))
tuned
fit.svm <- svm(class~.,data=df.train,gamma=.01,cost=1)
svm.pred <- predict(fit.svm,na.omit(df.validate))
svm.pref <- table(na.omit(df.validate)$class,svm.pred,dnn = c('Actual','Predicted'))
svm.pref

　　结论验证的成功率有97%

　　8.编写函数选择预测效果最好的解

performance <- function(table,n=2){
  if(!all(dim(table) == c(2,2))){
    stop('Must be a 2 * 2 table')
  }
  tn = table[1,1]
  fp = table[1,2]
  fn = table[2,1]
  tp = table[2,2]
  sensitivity = tp/(tp+fn)
  specificity = tn/(tn+fp)
  ppp = tp/(tp+fp)
  npp = tn/(tn+fn)
  hitrate = (tp+tn)/(tp+tn+fn+fp)
  result <- paste("Sensitivity = ", round(sensitivity, n) ,
                  "\nSpecificity = ", round(specificity, n),
                  "\nPositive Predictive Value = ", round(ppp, n),
                  "\nNegative Predictive Value = ", round(npp, n),
                  "\nAccuracy = ", round(hitrate, n), "\n", sep="")
  cat(result)
}

performance(logit.pref)
performance(dtree.pref)
performance(ctree.pref)
performance(forest.pref)
performance(svm.pref)

　　结论:从以上的分类器中,本案例随机森林的拟合度最优

三.使用rattle进行数据挖掘

　　案例:预测糖尿病

library(rattle)
rattle()

　　结论:设定好这些变量点击执行

　　选择model选项卡,然后选择条件推断树作为预测模型,点击Draw生成图片

　　通过Evalute选项卡来评估模型

　　结论:只有35%的病人被成功鉴别,我们可以试试随机森林和支持向量机的匹配度是否更高