### 聚类分析与R语言实现
聚类分析是一种无监督学习方法，旨在将数据对象分组为若干“簇”（Cluster），使簇内对象相似度高、簇间相似度低。R语言凭借丰富的统计工具和扩展包，成为聚类分析的热门工具之一。本文将介绍R中常用的聚类方法、实现步骤及实践案例。
#### 一、R中常用的聚类方法
##### 1. 层次聚类（Hierarchical Clustering）
层次聚类通过“合并”或“分裂”逐步构建簇结构，分为**凝聚式**（从单个样本开始合并）和**分裂式**（从全体样本开始分裂）。R中`stats`包的`hclust()`函数是凝聚式层次聚类的核心工具，支持单链、完全链、平均链等多种距离合并规则。
示例代码（以鸢尾花数据集为例，暂移除类别标签）：
“`r
# 加载数据并预处理（移除类别列，标准化数据）
data(iris)
iris_data <- scale(iris[, -5]) # 标准化前4列特征（去除第5列类别）
# 计算样本间欧氏距离矩阵
dist_mat <- dist(iris_data, method = "euclidean")
# 层次聚类（完全链合并规则）
hc <- hclust(dist_mat, method = "complete")
# 可视化聚类树（树状图）
plot(hc, main = "层次聚类树状图（鸢尾花数据）",
xlab = "样本索引", ylab = "距离")
# 切割树状图得到3个簇（与鸢尾花真实类别数一致）
clusters_hc <- cutree(hc, k = 3)
```
##### 2. K均值聚类（K-Means Clustering）
K均值通过迭代优化簇中心（质心）和样本分配，要求预先指定簇数`k`。R中`stats`包的`kmeans()`函数是经典实现，默认使用Lloyd算法，`nstart`参数可增加初始质心的尝试次数以避免局部最优。
示例代码（基于鸢尾花数据）：
```r
set.seed(123) # 固定随机种子确保结果可复现
# K均值聚类（k=3，nstart=20增加初始质心尝试）
km <- kmeans(iris_data, centers = 3, nstart = 20)
# 查看聚类结果：样本簇标签、簇中心
km$cluster # 每个样本的簇标签
km$centers # 3个簇的质心（标准化后）
```
##### 3. 密度聚类（DBSCAN）
当数据存在噪声或非球形簇时，K均值和层次聚类效果有限。`cluster`包的`dbscan()`函数实现了**基于密度的空间聚类**（DBSCAN），通过“核心点”“边界点”“噪声点”识别簇，无需预先指定簇数。
示例代码（需先安装`cluster`包）：
```r
install.packages("cluster")
library(cluster)
# DBSCAN聚类（eps=0.5为邻域半径，minPts=5为核心点最小样本数）
db <- dbscan(iris_data, eps = 0.5, minPts = 5)
db$cluster # 簇标签（0表示噪声点）
```
#### 二、聚类结果评估
聚类是无监督任务，需通过**内部指标**评估效果，常见指标包括：
- **轮廓系数（Silhouette Coefficient）**：值越接近1表示簇内相似度高、簇间区分度好；接近-1则表示样本分配不合理。
- **簇内/间距离**：簇内距离越小、簇间距离越大，聚类质量越高。
示例（评估K均值聚类结果）：
```r
# 计算轮廓系数（需距离矩阵）
library(cluster)
sil_km <- silhouette(km$cluster, dist(iris_data))
# 可视化轮廓图
plot(sil_km, main = "K均值聚类轮廓图（k=3）")
```
#### 三、实践案例：鸢尾花数据聚类分析
1. **数据准备**：加载鸢尾花数据，移除类别列并标准化特征（`scale()`）。
2. **K均值聚类**：尝试`k=3`（与真实类别数一致），观察簇与真实类别的匹配度。
3. **层次聚类**：通过树状图和轮廓系数验证簇合理性。
4. **可视化对比**：用`factoextra`包的`fviz_cluster()`可视化簇分布（需先安装`factoextra`）。
```r
# 安装并加载factoextra
install.packages("factoextra")
library(factoextra)
# K均值聚类可视化（基于前2个主成分降维）
fviz_cluster(km, data = iris_data,
main = "K均值聚类结果（k=3）",
geom = "point", ellipse.type = "convex")
# 层次聚类可视化（切割树状图得到3簇）
clusters_hc <- cutree(hc, k = 3)
fviz_cluster(list(data = iris_data, cluster = clusters_hc),
main = "层次聚类结果（k=3）")
```
#### 四、扩展工具与包
- **`cluster`包**：提供`pam()`（K-medoids，对离群点更鲁棒）、`agnes()`（层次聚类增强版）、`diana()`（分裂式层次聚类）等函数。
- **`fpc`包**：支持密度聚类（如DBSCAN）、聚类有效性评估等。
- **`NbClust`包**：自动选择最优簇数（通过多种指标评估`k`的合理性）。
### 总结
R语言为聚类分析提供了从基础到进阶的完整工具链：`hclust()`和`kmeans()`满足传统聚类需求，`cluster`和`fpc`包扩展了复杂场景的方法，`factoextra`等包则简化了可视化流程。在实践中，需结合数据特点（如分布、噪声、维度）选择方法，并通过轮廓系数、簇内/间距离等指标验证聚类质量。
（注：文中代码可直接在R环境中运行，需确保安装相关包（如`cluster`、`factoextra`）。）
本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。