R语言基于温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化

 

 

为了说明层次聚类技术和k-均值，我使用了了城市温度数据集，其中包括几个城市的月平均气温。

我们有15个城市，每月进行一次观测

boxplot(temp[,1:12],main="月平均温度")

 

由于方差看起来相当稳定，我们不会将这里的变量“标准化”，

> apply(月份,2,sd)

为了得到一个层次聚类分析，使用实例

 hclust(dist , method = "ward")
 

另一种选择是使用

 
> plot(h2)

 

在这里，我们用主成分分析将观察结果可视化。我们这里还有一个自动选择类的数目，这里是3个。我们可以得到组的描述

或直接

 cutree(cah,3)

我们也可以自己可视化这些类，

 PCA(X,scale.unit=FALSE)
 plot(  ind$coord[,1:2],col="white")
 text( ind$coord[,1],acp$ind$coord[,2],
 

可以绘制出这些簇的中心点

 > points(PT$Dim.1,PT$Dim.2,pch=19)

如果我们在这些中心周围添加Voronoi集，我们看到的是中间的点，恰好是三个区域的交点

vormo(PT$Dim.1,PT$Dim.2)
plot(V,add=TRUE)

 

要可视化这些区域，请使用Voronoi图，它又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。

 p=function(x,y){
+   which.min((PT$Dim.1-x)^2+(PT$Dim.2-y)^2)
image(vx,vy,z,col=c(rgb(1,0,0,.2),

 

实际上，这三组（和这三个区域）也是我们用k-均值算法得到的，

kmeans(coord[,1:2],3)

K-means clustering 
with 3 clusters of sizes 3, 7, 5

由于我们有一些空间数据，我们可以在地图上把它们可视化

points(Long,Lati,col=groups.3)

 

或者，为了可视化这些区域，使用

 for(i in 1:3) 
+ Ellipse( Long[groups.3==i],

---

最受欢迎的见解

1.R语言k-Shape算法股票价格时间序列聚类

2.R语言中不同类型的聚类方法比较

3.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

4.r语言鸢尾花iris数据集的层次聚类

5.Python Monte Carlo K-Means聚类实战

6.用R进行网站评论文本挖掘聚类

7.用于NLP的Python：使用Keras的多标签文本LSTM神经网络

8.R语言对MNIST数据集分析 探索手写数字分类数据

9.R语言基于Keras的小数据集深度学习图像分类