使用距離矩陣和分層聚類查找聚類數目

Question

使用分層集群時，如何確定集群的最佳數量。 如果僅在測量成對距離（左手汀距離）時才有距離矩陣，如何找到最佳聚類數？ 我提到了其他文章，它們都使用k均值，是分層的，但不適用於字符串類型的數據，如下所示。 關於如何使用R查找簇數的任何建議？

 set.seed(1)
 rstr <- function(n,k){   # vector of n random char(k) strings
 sapply(1:n,function(i) {do.call(paste0,as.list(sample(letters,k,replace=T)))})
 }

str<- c(paste0("aa",rstr(10,3)),paste0("bb",rstr(10,3)),paste0("cc",rstr(10,3)))
# Levenshtein Distance
 d  <- adist(str)
 rownames(d) <- str
hc <- hclust(as.dist(d))

Answer 1

可以使用幾種統計數據。

例如，查看可以計算和繪制一系列此類統計信息的WeightedCluster軟件包。

為了說明這一點，您可以為每個可用統計信息獲得最佳的組數，如下所示：

library("WeightedCluster")
hcRange <- as.clustrange(hc, diss=as.dist(d), ncluster=6) 
summary(hcRange)
##      1. N groups   1.  stat
## PBC            3  0.8799136
## HG             3  1.0000000
## HGSD           3  0.9987651
## ASW            3  0.4136550
## ASWw           3  0.4722895
## CH             3  8.3605263
## R2             6  0.4734561
## CHsq           3 20.6538462
## R2sq           6  0.6735039
## HC             3  0.0000000

您還可以繪制所有計算出的解決方案的統計信息（此處顯示平均輪廓寬度，ASWw，Huber的Gamma，HG和Point雙向相關性）

plot(hcRange, stat = c("ASWw", "HG", "PBC"), lwd = 2)

更好的解決方案似乎是三組解決方案。