閱讀全文：http://tecdat.cn/?p=24198

《世界幸福報(bào)告》是可持續(xù)發(fā)展解決方案網(wǎng)絡(luò)的年度報(bào)告，該報(bào)告使用蓋洛普世界民意調(diào)查的調(diào)查結(jié)果研究了150多個(gè)國家/地區(qū)的生活質(zhì)量。報(bào)告的重點(diǎn)是幸福的社交環(huán)境 。

在本項(xiàng)目中，我將使用世界幸福報(bào)告中的數(shù)據(jù)來探索亞洲22個(gè)國家或地區(qū)，并通過查看每個(gè)國家的階梯得分，社會(huì)支持，健康的期望壽命，自由選擇生活，慷慨，對(duì)腐敗的看法以及人均GDP，來探索亞洲22個(gè)國家的相似和不同之處。我將使用兩種聚類方法，即k均值和層次聚類，以及輪廓分析來驗(yàn)證每種聚類方法。

將要分析的國家和地區(qū)是：

asia?<-?w?filer(gepl('Asia',?Rgion)

探索性數(shù)據(jù)分析

相關(guān)矩陣

pair(aia[,-c(1,2)],?sal=TUE,col,hst.ol)

• 階梯得分，社會(huì)支持，生活選擇的自由以及對(duì)腐敗的看法的分布是左偏的。

• 慷慨和人均GDP的分布是右偏的。

• 健康期望壽命的偏差大約是對(duì)稱的。

• 兩者之間存在很強(qiáng)的正相關(guān)關(guān)系：

• 階梯分?jǐn)?shù)和社會(huì)支持

• 健康期望壽命和人均GDP

• 之間存在強(qiáng)烈的負(fù)相關(guān)關(guān)系：

• 對(duì)腐敗的看法和人均GDP

• 之間存在中等正相關(guān)：

• 階梯得分和健康期望壽命

• 社會(huì)支持與健康期望壽命

• 人均GDP較高的國家往往對(duì)腐敗的看法較低，對(duì)健康的期望壽命，社會(huì)支持和階梯得分較高。

國家和地區(qū)比較

grd.rrnge( ??ggplt(sia,?es(rerder(x=fctor(國家名稱),?階梯得分,?FN=min),? ??????????????????????y=階梯得分,?fill=區(qū)域指標(biāo))))

• 東亞國家的階梯得分較高，期望壽命健康，人均GDP較高且慷慨度較低。

• 南亞國家的階梯得分，社會(huì)支持，健康的期望壽命和人均GDP往往較低。

• 東南亞國家往往有很高的自由度，可以選擇生活和慷慨解囊。

scterhst( ????aia,?x?=?"社會(huì)支持",?y?=?"階梯得分", ????clor?=?"區(qū)域指標(biāo)"????titl?=?"階梯得分與社會(huì)支持"??)

• 南亞的社會(huì)支持中位數(shù)，階梯得分和人均GDP最低。

• 東亞的社會(huì)支持中位數(shù)，階梯得分，人均GDP和健康的期望壽命最高。

• 東南亞的平均健康壽命中位數(shù)最低，對(duì)腐敗的中位數(shù)最高。

• 東南亞的人均GDP很高，期望壽命健康，對(duì)腐敗的看法也很低（新加坡）。

• 東亞有離群點(diǎn)樣本對(duì)政府的了解低（香港）。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言鳶尾花iris數(shù)據(jù)集的層次聚類分析

左右滑動(dòng)查看更多

01

02

03

04

聚類分析

這些國家會(huì)屬于不同的群體嗎？在本節(jié)中，我們將使用聚類（一種無監(jiān)督的學(xué)習(xí)方法，該方法基于相似性對(duì)對(duì)象進(jìn)行分組）來找到國家組，其中組內(nèi)的國家相似。我將使用兩種方法進(jìn)行聚類：分層聚類和K-Means聚類。首先，我們?nèi)绾巫R(shí)別這些群體？衡量對(duì)象之間相似性的一種方法是測(cè)量對(duì)象之間的數(shù)學(xué)距離。一種常見的距離度量是歐幾里得距離。

歐氏距離

我們將使用歐幾里得距離找到彼此最相似的國家，并將它們分組在一起。

aply(z,2,mean)?#?計(jì)算列的平均值aply(z,2,sd)?#?計(jì)算列的標(biāo)準(zhǔn)差scale(z,ceter=means,scae=sds)?#?標(biāo)準(zhǔn)化#?計(jì)算距離矩陣dsae?=?dit(nor)?#?計(jì)算歐幾里得的距離

歐幾里得距離矩陣為：

• 似乎國家2（新加坡）和國家22（阿富汗）彼此最不相似。

• 15國（中國）和11國（越南）彼此最相似。

我們?nèi)绾芜x擇最佳聚類數(shù)？

肘法

for?(i?in?2:20)?ws<-?sum(kmens(nr,?cetrs=i)$wthns)

我們的目標(biāo)是減少聚類內(nèi)部的變異性，以便將相似的對(duì)象分組在一起，并增加聚類之間的變異性，以使相異的對(duì)象相距甚遠(yuǎn)。WSS（在組平方和內(nèi)），它在聚類變化內(nèi)進(jìn)行度量，

在WSS圖中，聚類數(shù)位于x軸上，而WSS位于y軸上。高的WSS值意味著聚類中的變化很大，反之亦然。我們看到，在1、2和3個(gè)聚類之后，WSS的下降很大。但是，在4個(gè)聚類之后，WSS的下降很小。因此，聚類的最佳數(shù)目為k = 4（曲線的彎頭）。

K均值聚類

k均值算法如下所示：

• 為每個(gè)觀測(cè)值隨機(jī)分配一個(gè)從1到K的數(shù)字，這些數(shù)字用作觀測(cè)值的初始聚類分配。

• 迭代直到聚類分配停止更改：

（a）對(duì)于K個(gè)聚類中的每一個(gè)，計(jì)算聚類質(zhì)心。

（b）將每個(gè)觀測(cè)值分配給質(zhì)心最接近的聚類（使用歐幾里得距離定義）。

聚類成員和結(jié)果

k均值聚類的結(jié)果是：

#聚類成員asa$Cuter?<-?c$luser

聚類圖在散點(diǎn)圖中繪制k均值聚類和前兩個(gè)主成分（維度1和2）。

clstr(lstdaa?=?nr,?cluter?=?cluser,col=ola),?theme?=?hme_lsic())?+? ??title("K-Means聚類圖")

• 聚類之間沒有重疊。

• 聚類2與其他聚類之間存在很多分隔。

• 聚類1、3和4之間的間隔較小。

• 前兩個(gè)組成部分解釋了點(diǎn)變異的70％。

• 聚類1有2個(gè)國家，其聚類平方和之內(nèi)很?。ㄔ诰垲愖儺愋詢?nèi)）。

• 聚類2有1個(gè)國家。

• 具有14個(gè)國家/地區(qū)的第3組在類內(nèi)變異性中最高。

• 聚類4有5個(gè)國家，在聚類變異性中排名第二。

• 聚類平方和與平方和之比為61.6％，非常合適。

這四個(gè)聚類的標(biāo)準(zhǔn)平均值是：

long?<-?melt(t(agreate(nor,?)plot(long,roup?=?cluster)+point(se=3)

自由選擇生活，社會(huì)支持和階梯得分之間的差異很大。這些變量似乎對(duì)聚類形成貢獻(xiàn)最大。

回想一下，聚類成員資格為：

第1類：印度尼西亞，緬甸

第2類：阿富汗

第3類：菲律賓，泰國，巴基斯坦，蒙古，馬來西亞，越南，馬爾代夫，尼泊爾，中國，老撾，柬埔寨，孟加拉國，斯里蘭卡，印度

第4類：中國臺(tái)灣地區(qū)，新加坡，韓國，日本，中國香港特別行政區(qū)

相對(duì)于其他聚類：

聚類1的特點(diǎn)是

• 很高：慷慨

• 高：自由選擇生活

• 一般：人均GDP，對(duì)腐敗的看法，慷慨，健康的期望壽命，社會(huì)支持，階梯得分

聚類2的特點(diǎn)是

• 高：對(duì)腐敗的看法

• 低：人均國內(nèi)生產(chǎn)總值，慷慨

• 非常低：自由選擇生活，健康的期望壽命，社會(huì)支持，階梯得分

聚類3的特點(diǎn)是

• 高：自由選擇生活

• 一般：人均GDP，對(duì)腐敗的看法，慷慨，健康的期望壽命，社會(huì)支持，階梯得分

聚類4的特點(diǎn)是

• 很高：人均GDP，期望壽命健康

• 高：社會(huì)支持，階梯得分

• 一般：自由選擇生活

• 低：慷慨

• 極低：對(duì)腐敗的看法

輪廓圖

我們使用輪廓圖來查看每個(gè)國家在其聚類中的狀況。輪廓寬度衡量一個(gè)聚類中每個(gè)觀測(cè)值相對(duì)于其他聚類的接近程度。較高的輪廓寬度表示該觀測(cè)值很好地聚類，而接近0的值表示該觀測(cè)值在兩個(gè)聚類之間匹配，而負(fù)值表示該觀測(cè)值在錯(cuò)誤的聚類中。

plt(soette((cluser),?diace),? ?????mn?=?"輪廓系數(shù)圖")

• 大多數(shù)國家似乎都非常好。

• 第3組中的國家4（泰國）和第4組中的國家5（韓國）的輪廓寬度非常低。

層次聚類

分層聚類將組映射到稱為樹狀圖的層次結(jié)構(gòu)中。分層聚類算法如下所示：

• 從n個(gè)觀察值和所有成對(duì)不相似性的度量（例如歐幾里得距離）開始。將每個(gè)觀察值視為自己的聚類。

（a）檢查i個(gè)聚類之間所有成對(duì)的聚類間差異，并找出最相似的一對(duì)聚類。加入這兩個(gè)聚類。這兩個(gè)簇之間的差異表明它們?cè)跇錉顖D中的高度。

（b）計(jì)算其余聚類之間的新的成對(duì)聚類間差異。對(duì)于分層聚類，我們?cè)诰垲愔g使用距離函數(shù)，稱為鏈接函數(shù)。不同類型的鏈接：

• 完全（最大聚類間差異）：計(jì)算聚類1中的觀測(cè)值與聚類2中的觀測(cè)值之間的所有成對(duì)差異，并記錄這些差異中最大的一個(gè)。

plt(aslus.c,laes=國家名稱,min='全鏈接?k=4',?hang=-1) rct.clut(whasi.hclusc,?k=4)

• 平均值（均值聚類間差異）：計(jì)算聚類1中的觀測(cè)值與聚類2中的觀測(cè)值之間的所有成對(duì)差異，并記錄這些差異的平均值。

全鏈接

下面的樹狀圖顯示了使用全鏈接的聚類層次結(jié)構(gòu)。

custr(ist(dta?=?or,?cuse?=?mer.a),?ghe?=?teelsic))?+ ??title("全鏈接?lusterPlot")

• 聚類1有16個(gè)國家。

• 聚類2有2個(gè)國家。

• 聚類3有3個(gè)國家。

• 聚類4有1個(gè)國家。

• 聚類4和其他聚類之間有很多間隔。

• 聚類1、2和3之間的間隔較小。

• 聚類1中的變異性似乎很大。

輪廓圖

plot(sloett(curee(asiahluc,?4),?di),? ?????col ?????min?=?"全鏈接?輪廓系數(shù)圖")

大多數(shù)國家似乎都非常好。

• 16國（老撾）似乎是第1組的異常值。

• 21國（印度）似乎是第3組的異常值。

平均鏈接

下面的樹狀圖顯示了使用平均鏈接的聚類層次。

plt(s.hut.,abls=國家名稱,min='平均鏈接?k=4',?hag=-1) rec(hsth_asa.lus.a,?k=?boder)

• 聚類1有4個(gè)國家。

• 聚類2有1個(gè)國家。

• 聚類3有16個(gè)國家。

• 聚類4有1個(gè)國家。

• 使用平均鏈接的聚類之間的變異性似乎大于全鏈接的變異性。

custr(ist(dta?=?or,?cuse?=?mer.a),?ghe?=?teelsic))?+ ??title("平均鏈接?lusterPlot")

輪廓圖

plt(sltte(ctee(sia.lust,?4),?istce),? ?????cl=cl[:5],? ?????min?=?"平均鏈接?輪廓系數(shù)圖")

• 大多數(shù)國家似乎都非常好。

• 第1組中的8地區(qū)（香港）的輪廓寬度非常小。

討論

k均值，全鏈接和平均鏈接的平均輪廓寬度分別為0.26、0.23和0.27。在全鏈接中，聚類之間的距離小于k均值和平均鏈接之間的距離，并且兩個(gè)國家不太適合它們的聚類。因此，k均值和平均鏈接方法似乎比全鏈接具有更好的擬合度。比較k均值，全鏈接和平均鏈接，所有方法都與阿富汗匹配，成為其自己的聚類。但是，每種方法的聚類成員資格有所不同。例如，在k均值和全鏈接中，印度尼西亞和緬甸與大多數(shù)南亞和東南亞國家不在同一聚類中，而印度尼西亞和緬甸與在平均鏈接中的國家在同一聚類中。

K-means和分層聚類都產(chǎn)生了相當(dāng)好的聚類結(jié)果。在使用大型數(shù)據(jù)集和解釋聚類結(jié)果時(shí)，K-means有一個(gè)優(yōu)勢(shì)。K-means的缺點(diǎn)是它需要在開始時(shí)指定數(shù)字?jǐn)?shù)據(jù)和聚類的數(shù)量。另外，由于初始聚類分配在開始時(shí)是隨機(jī)的，當(dāng)你再次運(yùn)行該算法時(shí)，聚類結(jié)果是不同的。另一方面，分層聚類對(duì)數(shù)字和分類數(shù)據(jù)都有效，不需要先指定聚類的數(shù)量，而且每次運(yùn)行算法都會(huì)得到相同的結(jié)果。它還能產(chǎn)生樹狀圖，這對(duì)幫助你理解數(shù)據(jù)的結(jié)構(gòu)和挑選聚類的數(shù)量很有用。然而，一些缺點(diǎn)是，對(duì)于大數(shù)據(jù)來說，它沒有k-means那么有效，而且從樹狀圖中確定聚類的數(shù)量變得很困難。

本文摘選?《?R語言KMEANS均值聚類和層次聚類：亞洲國家地區(qū)生活幸福質(zhì)量異同可視化分析和選擇最佳聚類數(shù)?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

PYTHON實(shí)現(xiàn)譜聚類算法和改變聚類簇?cái)?shù)結(jié)果可視化比較
有限混合模型聚類FMM、廣義線性回歸模型GLM混合應(yīng)用分析威士忌市場(chǎng)和研究專利申請(qǐng)數(shù)據(jù)
R語言多維數(shù)據(jù)層次聚類散點(diǎn)圖矩陣、配對(duì)圖、平行坐標(biāo)圖、樹狀圖可視化城市宏觀經(jīng)濟(jì)指標(biāo)數(shù)據(jù)
r語言有限正態(tài)混合模型EM算法的分層聚類、分類和密度估計(jì)及可視化
Python Monte Carlo K-Means聚類實(shí)戰(zhàn)研究
R語言k-Shape時(shí)間序列聚類方法對(duì)股票價(jià)格時(shí)間序列聚類
R語言對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類建模和GAM回歸
R語言譜聚類、K-MEANS聚類分析非線性環(huán)狀數(shù)據(jù)比較
R語言實(shí)現(xiàn)k-means聚類優(yōu)化的分層抽樣(Stratified Sampling)分析各市鎮(zhèn)的人口
R語言聚類有效性：確定最優(yōu)聚類數(shù)分析IRIS鳶尾花數(shù)據(jù)和可視化Python、R對(duì)小說進(jìn)行文本挖掘和層次聚類可視化分析案例
R語言k-means聚類、層次聚類、主成分（PCA）降維及可視化分析鳶尾花iris數(shù)據(jù)集
R語言有限混合模型(FMM,finite mixture model)EM算法聚類分析間歇泉噴發(fā)時(shí)間
R語言用溫度對(duì)城市層次聚類、kmean聚類、主成分分析和Voronoi圖可視化
R語言k-Shape時(shí)間序列聚類方法對(duì)股票價(jià)格時(shí)間序列聚類
R語言中的SOM(自組織映射神經(jīng)網(wǎng)絡(luò))對(duì)NBA球員聚類分析
R語言復(fù)雜網(wǎng)絡(luò)分析：聚類（社區(qū)檢測(cè)）和可視化
R語言中的劃分聚類模型
基于模型的聚類和R語言中的高斯混合模型
r語言聚類分析：k-means和層次聚類
SAS用K-Means 聚類最優(yōu)k值的選取和分析
用R語言進(jìn)行網(wǎng)站評(píng)論文本挖掘聚類
基于LDA主題模型聚類的商品評(píng)論文本挖掘
R語言鳶尾花iris數(shù)據(jù)集的層次聚類分析
R語言對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類建模和GAM回歸
R語言聚類算法的應(yīng)用實(shí)例