1. 數據預處理，
2. 為衡量數據點間的相似度定義一個距離函數，
3. 聚類或分組，
4. 評估輸出。
數據預處理包括選擇數量，類型和特徵的標度，它依靠特徵選擇和特徵抽取，特徵選擇選擇重要的特徵，特徵抽取把輸入的特徵轉化為一個新的顯著特徵，它們經常被用來獲取一個合適的特徵集來為避免「維數災」進行聚類，數據預處理還包括將孤立點移出數據，孤立點是不依附於一般數據行為或模型的數據，因此孤立點經常會導致有偏差的聚類結果，因此為了得到正確的聚類，我們必須將它們剔除。
既然相類似性是定義一個類的基礎，那麼不同數據之間在同一個特徵空間相似度的衡量對於聚類步驟是很重要的，由於特徵類型和特徵標度的多樣性，距離度量必須謹慎，它經常依賴於應用，例如，通常通過定義在特徵空間的距離度量來評估不同對象的相異性，很多距離度都應用在一些不同的領域，一個簡單的距離度量，如Euclidean距離，經常被用作反映不同數據間的相異性，一些有關相似性的度量，例如PMC和SMC，能夠被用來特徵化不同數據的概念相似性，在圖像聚類上，子圖圖像的誤差更正能夠被用來衡量兩個圖形的相似性。
將數據對象分到不同的類中是一個很重要的步驟，數據基於不同的方法被分到不同的類中，劃分方法和層次方法是聚類分析的兩個主要方法，劃分方法一般從初始劃分和最優化一個聚類標准開始。Crisp Clustering，它的每一個數據都屬於單獨的類；Fuzzy Clustering，它的每個數據可能在任何一個類中，Crisp Clustering和Fuzzy Clusterin是劃分方法的兩個主要技術，劃分方法聚類是基於某個標准產生一個嵌套的劃分系列，它可以度量不同類之間的相似性或一個類的可分離性用來合並和分裂類，其他的聚類方法還包括基於密度的聚類，基於模型的聚類，基於網格的聚類。
評估聚類結果的質量是另一個重要的階段，聚類是一個無管理的程序，也沒有客觀的標准來評價聚類結果，它是通過一個類有效索引來評價，一般來說，幾何性質，包括類間的分離和類內部的耦合，一般都用來評價聚類結果的質量，類有效索引在決定類的數目時經常扮演了一個重要角色，類有效索引的最佳值被期望從真實的類數目中獲取，一個通常的決定類數目的方法是選擇一個特定的類有效索引的最佳值，這個索引能否真實的得出類的數目是判斷該索引是否有效的標准，很多已經存在的標准對於相互分離的類數據集合都能得出很好的結果，但是對於復雜的數據集，卻通常行不通，例如，對於交疊類的集合。
② 用什麼軟體做r型聚類分析
用GeoExpl吧，處理成圖一體，也比較方便！
③ 如何利用R軟體進行聚類分析
運用聚類分析法主要做好分析表達數據：
1、通過一系列的檢測將待測的一組基因的變異標准化，然後成對比較線性協方差。
2、通過把用最緊密關聯的譜來放基因進行樣本聚類，例如用簡單的層級聚類（hierarchical clustering）方法。這種聚類亦可擴展到每個實驗樣本，利用一組基因總的線性相關進行聚類。
3、多維等級分析（multidimensional scaling analysis,MDS）是一種在二維Euclidean 「距離」中顯示實驗樣本相關的大約程度。
4、K-means方法聚類，通過重復再分配類成員來使「類」內分散度最小化的方法。
聚類分析法是理想的多變數統計技術，主要有分層聚類法和迭代聚類法。聚類通過把目標數據放入少數相對同源的組或「類」（cluster）里。
④ R軟體中如何進行群落聚類分析
群落按照物種相似形組成進行聚類分析，可以用樹狀圖較好的表現物種的組成關系。受到很多植被學家的重視。這里以R軟體實現聚類分析為例。 如果按照物種組成的相似性做聚類分析，那麼可以用Jaccard指數（經過轉換的）。Jaccard指數只考慮物種在兩個樣方間是否重復出現，蓋度在分析的過程中並不起什麼作用。但是如果對喬木和灌木進行分析，就可以考慮個體的數量，計算樣方物種組成的相似性的時候用Bray-Curtis指數。Jaccard指數和Bray-Curtis指數在眾多生態學相關的程序包中都是可以計算的。下面說一下在R軟體中，結合vegan程序包，對草本樣方的物種組成進行聚類分析。 下面是在R中的具體操作過程：#第一步#是矩陣的整理，建議先整理一下各樣地的名錄，成如下格式，再用R整理成物種矩陣。
⑤ R語言聚類分析
常見的8種。。。常見的系統聚類好像剛好有8種方法，single，complete，median，centroid，average，mcquitty，ward，和flexible-beta，hclust可以做前7種，最後一種不是很清楚。不知道你說的8種是不是指這個。其他聚類方法還有kmeans（動態聚類），fanny（模糊聚類）等，具體可以參考《統計建模與R軟體》《應用多元統計分析》，或者直接網路。。。
⑥ 如何利用r語言代碼進行聚類分析
#讀入數據
china <- read.table("F:\\2008年我國其中31個省、市和自治區的農村居民家庭平均每人全年消費性支出.txt",header=TRUE)
distance <- dist(china) #計算距離
china.hc <- hclust(distance) #聚類分析,最長距離法
plot(china.hc, hang = -1) #繪畫系譜圖
re <- rect.hclust(china.hc, k = 5) #分為5類
re
for (i in 1:5) {
print(paste("第",i,"類"))
print(china[re[[i]],]$地區)
⑦ R軟體中如何進行群落聚類分析
群落按照物種相似形組成進行聚類分析，可以用樹狀圖較好的表現物種的組成關系。受到很多植被學家的重視。這里以R軟體實現聚類分析為例。 如果按照物種組成的相似性做聚類分析，那麼可以用Jaccard指數（經過轉換的）。Jaccard指數只考慮物種在兩個樣方間是否重復出現，蓋度在分析的過程中並不起什麼作用。但是如果對喬木和灌木進行分析，就可以考慮個體的數量，計算樣方物種組成的相似性的時候用Bray-Curtis指數。Jaccard指數和Bray-Curtis指數在眾多生態學相關的程序包中都是可以計算的。下面說一下在R軟體中，結合vegan程序包，對草本樣方的物種組成進行聚類分析。 下面是在R中的具體操作過程：#第一步#是矩陣的整理，建議先整理一下各樣地的名錄，成如下格式，再用R整理成物種矩陣。
⑧ R語言學習筆記之聚類分析
R語言學習筆記之聚類分析
使用k-means聚類所需的包：
factoextra
cluster#載入包
library(factoextra)
library(cluster)l
#數據准備
使用內置的R數據集USArrests
#load the dataset
data("USArrests")
#remove any missing value (i.e, NA values for not available)
#That might be present in the data
USArrests <- na.omit(USArrests)#view the first 6 rows of the data
head(USArrests, n=6)
在此數據集中，列是變數，行是觀測值
在聚類之前我們可以先進行一些必要的數據檢查即數據描述性統計，如平均值、標准差等
desc_stats <- data.frame( Min=apply(USArrests, 2, min),#minimum
Med=apply(USArrests, 2, median),#median
Mean=apply(USArrests, 2, mean),#mean
SD=apply(USArrests, 2, sd),#Standard deviation
Max=apply(USArrests, 2, max)#maximum
)
desc_stats <- round(desc_stats, 1)#保留小數點後一位head(desc_stats)
變數有很大的方差及均值時需進行標准化
df <- scale(USArrests)
#數據集群性評估
使用get_clust_tendency()計算Hopkins統計量
res <- get_clust_tendency(df, 40, graph = TRUE)
res$hopkins_stat
## [1] 0.3440875
#Visualize the dissimilarity matrix
res$plot
Hopkins統計量的值<0.5，表明數據是高度可聚合的。另外，從圖中也可以看出數據可聚合。
#估計聚合簇數
由於k均值聚類需要指定要生成的聚類數量，因此我們將使用函數clusGap()來計算用於估計最優聚類數。函數fviz_gap_stat()用於可視化。
set.seed(123)
## Compute the gap statistic
gap_stat <- clusGap(df, FUN = kmeans, nstart = 25, K.max = 10, B = 500)
# Plot the result
fviz_gap_stat(gap_stat)
圖中顯示最佳為聚成四類（k=4）
#進行聚類
set.seed(123)
km.res <- kmeans(df, 4, nstart = 25)
head(km.res$cluster, 20)
# Visualize clusters using factoextra
fviz_cluster(km.res, USArrests)
#檢查cluster silhouette圖
Recall that the silhouette measures (SiSi) how similar an object ii is to the the other objects in its own cluster versus those in the neighbor cluster. SiSi values range from 1 to - 1:
A value of SiSi close to 1 indicates that the object is well clustered. In the other words, the object ii is similar to the other objects in its group.
A value of SiSi close to -1 indicates that the object is poorly clustered, and that assignment to some other cluster would probably improve the overall results.
sil <- silhouette(km.res$cluster, dist(df))
rownames(sil) <- rownames(USArrests)
head(sil[, 1:3])
#Visualize
fviz_silhouette(sil)
圖中可以看出有負值，可以通過函數silhouette()確定是哪個觀測值
neg_sil_index <- which(sil[, "sil_width"] < 0)
sil[neg_sil_index, , drop = FALSE]
## cluster neighbor sil_width
## Missouri 3 2 -0.07318144
#eclust():增強的聚類分析
與其他聚類分析包相比，eclust()有以下優點：
簡化了聚類分析的工作流程
可以用於計算層次聚類和分區聚類
eclust()自動計算最佳聚類簇數。
自動提供Silhouette plot
可以結合ggplot2繪制優美的圖形
#使用eclust()的K均值聚類
# Compute k-means
res.km <- eclust(df, "kmeans")
# Gap statistic plot
fviz_gap_stat(res.km$gap_stat)
# Silhouette plotfviz_silhouette(res.km)
## cluster size ave.sil.width
## 1 1 13 0.31
## 2 2 29 0.38
## 3 3 8 0.39
#使用eclust（）的層次聚類
# Enhanced hierarchical clustering
res.hc <- eclust(df, "hclust") # compute hclust
fviz_dend(res.hc, rect = TRUE) # dendrogam
#下面的R代碼生成Silhouette plot和分層聚類散點圖。
fviz_silhouette(res.hc) # silhouette plot
## cluster size ave.sil.width
## 1 1 19 0.26
## 2 2 19 0.28
## 3 3 12 0.43
fviz_cluster(res.hc) # scatter plot
#Infos
This analysis has been performed using R software (R version 3.3.2)
⑨ 統計：R語言進行聚類分析的問題
問題1：代碼如下
#b為新建立的0矩陣，a為原始數據矩陣，讀取文件test.txt的數據
a<- as.matrix(read.table("test.txt"))
b<- matrix(0,nrow=ncol(a),ncol = ncol(a))
for(n in i : nrow(a))
{
for(i in 1 :ncol(a))
{
if(a[n,i] == 1)
{
for( j in 1 :ncol(a))
{
if(a[n,j] == 1 && i!= j)
{
b[i,j] = b[i,j]+1
}
}
}
}
}
#結束
新矩陣是b
問題2：
k <- 3 #設定聚類數
a<- read.table("test.txt"))#讀入數據
cl <- hclust(dist(a),method="single") #設定聚類方法
memb <- cutree(cl, k=k) #分割聚類數
memb是類別標記
至於聚類分析圖，我不知道什麼意思。