第十篇：K均值聚类(KMeans)

前言

本文讲解如何使用R语言进行 KMeans 均值聚类分析，并以一个关于人口出生率死亡率的实例演示具体分析步骤。

聚类分析总体流程

1. 载入并了解数据集；
2. 调用聚类函数进行聚类；
3. 查看聚类结果描述；
4. 将聚类结果图形化展示；
5. 选择最优center并最终确定聚类方案；
6. 图形化展示不同方案效果并提交分析报表。

人口出生/死亡率聚类分析 - K均值聚类

1. 载入并了解数据集

1.1 从网上下载一份txt格式的关于人口出生率统计的数据(countries.txt)。其内容大致如下：

       1.2 载入数据集countries.txt：

       1.3 查看相关文件信息，如维度，文件具体内容：

       1.4 给数据集行列改名，并查看改名后的结果：

       1.5 画出所有样本点：

       2. 调用聚类函数进行聚类

kmeans 函数的原型为：kmeans (x, centers, iter.max=10, nstart=1, alogorithm=c("Hartigan-Wong", "Lloyd", "For-gy", "MacQueen"))。

这里解释下函数 kmeans 中的几个形参：

- x：进行聚类分析的数据集；
- centers：簇个数；
- iter.max：最大迭代次数；
- nstart：选择随机中心点的次数 (选择结果最优的那次随机质心)；
- alogorithm：具体实现算法。默认为Hartigan-Wong。

       3. 查看聚类结果

结果内容从上至下分别为：

- 每个簇的样本数；
       - 每个簇的质心；
       - 每个样本的聚类结果；
       - 本次聚类的相关统计信息：包含组内平方和，总平方和，组间平方和，以及组间平方和/总平方和。显然它越大越好；
       - 最下面的那部分是指聚类结果数据集fit_km1中的各个变量(也即上面的那些信息，如fit_km1$size就等于3)。

4. 将聚类结果图形化展示

5. 选择最优center并最终确定聚类方案

很显然，当k超过了8之后，聚类的结果波动就不大了。

可做图形象化的展示此现象：

6. 用 k=8 进行聚类，然后看看和中国属于一类的国家有哪些。

小结

除了 k 的大小，还可以通过调整迭代次数、选择中心点次数、重新实现算法等方式实现最优聚类。

另外，本文所讲的只是最为经典的KMeans聚类，更多更好玩的聚类算法，请查阅相关论文或相关R语言包的说明文档。