R學習之-R層次聚類方法（tm包）

1、距離計算 

##  method for class 'TermDocumentMatrix' dissimilarity(x, y = NULL, method)


##  method for class 'PlainTextDocument' dissimilarity(x, y = NULL, method)

參數說明：

   x：文檔-詞矩陣或者文本文檔；

   y：文本文檔，僅當x是文本文檔時y才是文本文檔；

   method：距離計算方法，所有的method均來自於proxy包，proxy包的文檔在這里。

 

 method的種類主要有：

 

（1）jaccard：jaccard系數（默認方法），又叫做Jaccard相似性系數，用來比較樣本集中的相似性和分散性的一個概率。

 

   Jaccard = 樣本集交集個數 / 樣本集合集個數；

 

（2）Matching：Simple Matching Coefficient，SMC（簡單匹配系數）。該度量同等地對出現和不出現計數。

 

        如下圖所示.其中,q 表示向量中對應位置都為 1 的元素個數;t 表示向量中對應位置都為 0 的元素個數;s 表示向量 i 某
個位置為 1,而在向量 j 的對應位置為 0 的元素個數;r 表示在向量 i 某個位置為 0,而在向量 j 的對應位置為 1 的
元素個數.來自（http://www.jos.org.cn/1000-9825/17/79.pdf）

 

 

（3）dice：Dice's coefficient 類似於jaccard系數，但是在分子上加權，Dice系數S為

（4）affinity：

Affinity between the two items i and j is defined by Aggarwal et al. (2002) as

A(i,j) = sup({i,j})/(sup({i}) + sup({j}) - sup({i,j})),

where sup(.) is the support measure. This means that affinity is the Jaccard similarity between items.

（ 暫時還沒搞明白）

（5） cosine：余弦相似度，計算兩個向量間的余弦夾角

（6）pearson： pearson Correlation Coefficient皮爾遜相關系數，見：http://zh.wikipedia.org/zh-cn/%E7%9B%B8%E5%85%B3

例子：

data("crude")
tdm <- TermDocumentMatrix(crude)
dissimilarity(tdm, method = "cosine") #計算距離的方法為cosine(余弦夾角)方法
dissimilarity(crude[[1]], crude[[2]], method = "eJaccard") #dJaccard方法

 

2、層次聚類 

hclust(d, method = "complete", members=NULL)

參數說明：

    d：聚類的矩陣

    method：聚類的方法

        （1）ward：方法簡述：基於方差分析思想，如果分類合理，則同類樣品間離差平方和應當較小，類與類間離差平方和應當較大。

                         特點：實際應用中分類效果較好，應用較廣；要求樣品間的距離必須是歐氏距離。

        （2）single：最短距離法，計算兩類觀測間最近一對的距離；

        （3）complete：最長距離法，計算兩類觀測間最遠一對的距離；

        （4）average：平均距離法，測量兩類每對觀測間的平均距離；

        （5）mcquitty：McQuitty相似分析法，（待補充）

        （6）median：中間距離法，

        （7）centroid：重心法，兩類間的距離定義為兩類重心之間的距離，對樣品分類而言，每一類中心就是屬於該類樣品的均值。

                             特點：該距離隨聚類地進行不斷縮小。該法的譜系樹狀圖很難跟蹤，且符號改變頻繁，計算較煩。

 

          上述部分內容來自於：http://blog.csdn.net/yillc/article/details/6746509

3、圖形展示

plot(x, labels = NULL, hang = 0.1,
     axes = TRUE, frame.plot = FALSE, ann = TRUE,
     main = "Cluster Dendrogram",
     sub = NULL, xlab = NULL, ylab = "Height", ...)

plclust(tree, hang = 0.1, unit = FALSE, level = FALSE, hmin = 0,
        square = TRUE, labels = NULL, plot. = TRUE,
        axes = TRUE, frame.plot = FALSE, ann = TRUE,
        main = "", sub = NULL, xlab = NULL, ylab = "Height")