全面了解R语言中的k-means如何聚类？
下面将在iris数据集上演示k-means聚类的过程。
先从iris数据集中移除Species属性，然后再对数据集iris调用函数kmeans，并将聚类结果存储在变kmeans.result中。
在下面的代码中，簇的数目设置为3。
iris2 <- iris
iris2$Species <- NULL
(kmeans.result <- kmeans(iris2, 3))
将聚类结果与类标号(Species)进行比较，查看相似的对象是否被划分到同一个簇中。
table(iris$Species, kmeans.result$cluster)
从上面的聚类结果可以看出，setosa类与其他的两个类很容易就划分开了，而versicolor类与virginica类之间存在小范围的重叠。
k-means聚类的结果图
然后，绘制所有的簇以及簇中心，如图所示。
注意，数据集有4个维度，而绘图只使用了前两个维度的数据。
图中所示的一些靠近绿色中心(用星号标记)的黑点实际上在4维空间中更靠近黑色中心。
要注意，多次运行得到的k-means聚类结果可能不同，这是因为初始的簇中心是随机选择的。
plot(iris2[c("Sepal.Length", "Sepal.Width")], col = kmeans.result$cluster)
# plot cluster centers
先从iris数据集中移除Species属性，然后再对数据集iris调用函数kmeans，并将聚类结果存储在变kmeans.result中。
在下面的代码中，簇的数目设置为3。
iris2 <- iris
iris2$Species <- NULL
(kmeans.result <- kmeans(iris2, 3))
将聚类结果与类标号(Species)进行比较，查看相似的对象是否被划分到同一个簇中。
table(iris$Species, kmeans.result$cluster)
从上面的聚类结果可以看出，setosa类与其他的两个类很容易就划分开了，而versicolor类与virginica类之间存在小范围的重叠。
k-means聚类的结果图
然后，绘制所有的簇以及簇中心，如图所示。
注意，数据集有4个维度，而绘图只使用了前两个维度的数据。
图中所示的一些靠近绿色中心(用星号标记)的黑点实际上在4维空间中更靠近黑色中心。
要注意，多次运行得到的k-means聚类结果可能不同，这是因为初始的簇中心是随机选择的。
plot(iris2[c("Sepal.Length", "Sepal.Width")], col = kmeans.result$cluster)
# plot cluster centers
points(kmeans.result$centers[,c("Sepal.Length", "Sepal.Width")], col = 1:3, pch = 8, cex=2)