摘要：
模型聚类 mclust::Mclust RWeka::Cobweb mclust::Mclust EM算法也称为期望最大化算法，在是使用该算法聚类时，将数据集看作一个有隐形变量的概率模型，并实现模型最优化，即获取与数据本身性质最契合的聚类方式为目的，通过‘反复估计’模型参数找出最优解，同时给出相应的 阅读全文
posted @ 2017-08-17 23:38 天戈朱 阅读(3408) 评论(0) 推荐(1) 编辑
摘要：
网格聚类算法 optpart::clique optpart::clique CLIQUE（Clustering In QUEst)是一种简单的基于网格的聚类方法，用于发现子空间中基于密度的簇。CLIQUE把每个维划分成不重叠的区间，从而把数据对象的整个嵌入空间划分成单元。它使用一个密度阈值识别稠密 阅读全文
posted @ 2017-08-17 23:37 天戈朱 阅读(1333) 评论(1) 推荐(1) 编辑
摘要：
密度聚类 fpc::dbscan fpc::dbscan DBSCAN核心思想：如果一个点，在距它Eps的范围内有不少于MinPts个点，则该点就是核心点。核心和它Eps范围内的邻居形成一个簇。在一个簇内如果出现多个点都是核心点，则以这些核心点为中心的簇要合并。其中要注意参数eps的设置，如果eps 阅读全文
posted @ 2017-08-12 03:04 天戈朱 阅读(880) 评论(0) 推荐(0) 编辑
摘要：
层次聚类 stats::hclust stats::dist R使用dist()函数来计算距离，Usage: dist(x, method = "euclidean", diag = FALSE, upper = FALSE, p = 2) x: 是样本矩阵或者数据框 method: 表示计算哪种距 阅读全文
posted @ 2017-08-11 01:12 天戈朱 阅读(3326) 评论(0) 推荐(0) 编辑
摘要：
K-medodis与K-means比较相似，但是K-medoids和K-means是有区别的，不一样的地方在于中心点的选取，在K-means中，我们将中心点取为当前cluster中所有数据点的平均值，在 K-medoids算法中，我们将从当前cluster 中选取这样一个点——它到其他所有（当前cl 阅读全文
posted @ 2017-08-09 23:24 天戈朱 阅读(2105) 评论(0) 推荐(0) 编辑
摘要：
数据分析应用是真正能够直接解决企业问题的，是显露在外可以直接观察的部分，但是在这之下有很大部分支撑数据分析应用的就是数据管理技术。数据分析应用需要一整套的处理和加工过程，数据就是原材料，需要把数据有序地存储和管理起来。然后是数据的整理、清洗、集成，这个过程主要由数据工程师（DataEngineer） 阅读全文
posted @ 2017-08-09 23:24 天戈朱 阅读(475) 评论(0) 推荐(0) 编辑
摘要：
##检查数据的维度 dim(iris) ##显示数据集的内部结构 str(iris) ##显示数据集的属性 attributes(iris) ##显示数据集中每个变量的分布情况 summary(iris) ##显示iris数据集列Species中各个值出现频次 table(iris$Species) 阅读全文
posted @ 2017-08-08 06:03 天戈朱 阅读(479) 评论(0) 推荐(0) 编辑
摘要：
基于划分方法聚类算法R包： K-均值聚类（K-means） stats::kmeans()、fpc::kmeansruns() K-中心点聚类（K-Medoids） cluster::pam() 、fpc::pamk() 层次聚类 stats::hclust()、BIRCH、CURE 密度聚类 fp 阅读全文
posted @ 2017-08-08 06:03 天戈朱 阅读(1272) 评论(0) 推荐(0) 编辑
摘要：
聚类分析是一种重要的人类行为，早在孩提时代，一个人就通过不断改进下意识中的聚类模式来学会如何区分猫狗、动物植物。目前在许多领域都得到了广泛的研究和成功的应用，如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等。 聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或 阅读全文
posted @ 2017-08-08 06:00 天戈朱 阅读(1619) 评论(0) 推荐(0) 编辑