
204
|
第
7
章
pct_var <- data.frame(pct_var = 0,
num_clusters=2:14)
totalss <- kmeans(df, centers=14, nstart=50, iter.max = 100)$totss
for(i in 2:14){
pct_var[i-1, 'pct_var'] <- kmeans(df, centers=i, nstart=50, iter.max = 100)
$betweenss/totalss
}
要评估应保留的类数,最重要的检验也许是:类是否可复用于新的数据?类是否可解释?
类反映了数据的一般特性,还是仅仅反映了特定的实例?这在某种程度上可以使用交叉验
证进行评估,参见
4.2.3
节。
一般来说,并不存在能可靠地指导所生成的类数的单一规则。
对于确定类数,存在多种更正式的方法,这些方法均基于统计学或信息理
论。例如,罗伯特
•
蒂希雷尼、冈瑟
•
瓦尔特(
Guenther Walther
)和特雷弗
•
哈斯蒂基于统计理论提出了一种“间隙”(
gap
)统计量,用来识别肘部。但
是对于大多数的应用而言,可能没有必要甚至不适合应用这些理论方法。
本节要点
•
所需的类数
K
由用户决定。
•
K
-Means
算法通过迭代地将记录分配给最近的类均值,直到类的分配情况不再发生
改变,实现了类的生成。
•
通常,出于实际的考虑决定了
K
的选择。在统计学上不存在最优的类数。
7.3
层次聚类
除
K
-Means
以外,
层次聚类
(
hierarchical clustering ...