當前位置: 首頁>>代碼示例 >>用法及示例精選 >>正文

R fanny 模糊分析聚類


R語言 fanny 位於 cluster 包(package)。

說明

將數據的模糊聚類計算為 k 聚類。

用法

fanny(x, k, diss = inherits(x, "dist"), memb.exp = 2,
      metric = c("euclidean", "manhattan", "SqEuclidean"),
      stand = FALSE, iniMem.p = NULL, cluster.only = FALSE,
      keep.diss = !diss && !cluster.only && n < 100,
      keep.data = !diss && !cluster.only,
      maxit = 500, tol = 1e-15, trace.lev = 0)

參數

x

數據矩陣或 DataFrame ，或相異矩陣，具體取決於 diss 參數的值。

對於矩陣或 DataFrame ，每行對應一個觀察值，每列對應一個變量。所有變量都必須是數字。允許缺失值 (NA)。

在相異矩陣的情況下， x 通常是 daisy 或 dist 的輸出。長度為 n*(n-1)/2 的向量也是允許的(其中 n 是觀測值的數量)，並且將以與上述函數的輸出相同的方式進行解釋。不允許存在缺失值 (NA)。

k

給出所需簇數的整數。需要 ，其中 是觀測值數量。

diss

邏輯標誌：如果為 TRUE(dist 或 dissimilarity 對象的默認值)，則假定 x 是相異矩陣。如果為 FALSE，則 x 被視為變量觀察值矩陣。

memb.exp

number 嚴格大於 1，指定擬合標準中使用的隸屬指數；請參閱下麵的“詳細信息”。默認值：2，以前是在 FANNY 內部硬連線的。

metric

字符串，指定用於計算觀測值之間差異的度量。選項有"euclidean"(默認)，"manhattan"， 和"SqEuclidean"。歐幾裏德距離是差值的平方根，曼哈頓距離是絕對差值之和，並且"SqEuclidean"， 這平方歐氏距離是差值的平方和。使用最後一個選項相當於(但速度稍慢)計算所謂的“模糊C-means”。
如果x已經是相異矩陣，那麽這個參數將被忽略。

stand

邏輯性；如果為真，則在計算差異之前對 x 中的測量值進行標準化。通過減去變量的平均值並除以變量的平均絕對偏差，對每個變量(列)的測量值進行標準化。如果x已經是相異矩陣，則該參數將被忽略。

iniMem.p

數值 矩陣或NULL(默認)；可用於指定起始membership矩陣，即非負數矩陣，每行總和為一。

cluster.only

邏輯性；如果為 true，則不會計算並返回任何輪廓信息，請參閱詳細信息。

keep.diss , keep.data

邏輯指示是否應將差異和/或輸入數據x保留在結果中。將它們設置為 FALSE 可以得到更小的結果，因此也可以節省內存分配時間。

maxit , tol

FANNY 算法的最大迭代次數和默認收斂容差(擬合標準的相對收斂)。默認值 maxit = 500 和 tol = 1e-15 過去是在算法內部硬連線的。

trace.lev

指定 C-internal 算法期間打印診斷的跟蹤級別的整數。默認 0 不打印任何內容；值越高，打印的內容就越多。

細節

在模糊聚類中，每個觀察值都是各個聚類上的“spread out”。用 表示觀察 到聚類 的成員資格。

隸屬度是非負的，對於固定觀察 i，它們的總和為 1。特定方法 fanny 源自 Kaufman 和 Rousseeuw (1990) 的第 4 章(請參閱 daisy 中的參考文獻)，並已由 Martin Maechler 擴展為允許用戶指定 memb.exp 、 iniMem.p 、 maxit 、 tol 等。

Fanny 的目標是最小化目標函數

其中 是觀測值的數量， 是簇的數量， 是隸屬度指數memb.exp和 是觀察值之間的差異 和 .
注意 給出越來越清晰的聚類，而 導致完全模糊。 K&R;(1990), p.191 指出，值太接近 1 會導致收斂緩慢。進一步注意，即使是默認值， 可能導致完全模糊，即隸屬度 。在這種情況下，會發出警告信號，建議用戶選擇較小的memb.exp( )。

與其他模糊聚類方法相比，fanny 具有以下特點： (a) 它還接受相異矩陣； (b) 它對 spherical cluster 假設更加穩健； (c) 它提供了一種新穎的圖形顯示，即輪廓圖(參見plot.partition)。

值

代表聚類的 "fanny" 類的對象。有關詳細信息，請參閱fanny.object。

例子

## generate 10+15 objects in two clusters, plus 3 objects lying
## between those clusters.
x <- rbind(cbind(rnorm(10, 0, 0.5), rnorm(10, 0, 0.5)),
           cbind(rnorm(15, 5, 0.5), rnorm(15, 5, 0.5)),
           cbind(rnorm( 3,3.2,0.5), rnorm( 3,3.2,0.5)))
fannyx <- fanny(x, 2)
## Note that observations 26:28 are "fuzzy" (closer to # 2):
fannyx
summary(fannyx)
plot(fannyx)

(fan.x.15 <- fanny(x, 2, memb.exp = 1.5)) # 'crispier' for obs. 26:28
(fanny(x, 2, memb.exp = 3))               # more fuzzy in general

data(ruspini)
f4 <- fanny(ruspini, 4)
stopifnot(rle(f4$clustering)$lengths == c(20,23,17,15))
plot(f4, which = 1)
## Plot similar to Figure 6 in Stryuf et al (1996)
plot(fanny(ruspini, 5))

也可以看看

agnes 用於背景和參考； fanny.object、partition.object、plot.partition、daisy、dist。

相關用法


注：本文由純淨天空篩選整理自R-devel大神的英文原創作品 Fuzzy Analysis Clustering。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。