2小时学懂【多元统计分析】——聚类分析（R语言）

聚类分析是一种无监督学习方法，用于将相似的观测值（或对象）分组到集群中。下面我将展示如何使用几种常见的聚类方法：K-均值（K-means）、层次聚类（Hierarchical Clustering）和DBSCAN。

1. K-均值聚类（K-means Clustering）

K-均值是一种迭代的聚类算法，它将数据划分为K个预定义的集群。

# 加载需要的包
library(cluster)

# 假设我们有一些二维数据
set.seed(123) # 设置随机种子以便结果可复现
data <- rbind(matrix(rnorm(2 * 50), ncol = 2),
              matrix(rnorm(2 * 50, mean = 3), ncol = 2))

# 使用kmeans函数进行K-均值聚类，设置k=2
kmeans_result <- kmeans(data, centers = 2)

# 输出聚类结果
print(kmeans_result)

# 可视化聚类结果
plot(data, col = kmeans_result$cluster)
points(kmeans_result$centers, col = 1:2, pch = 8, cex = 2) # 画出聚类中心

解释：首先，我们生成了一些二维数据，然后使用kmeans函数进行聚类。centers参数指定了我们想要的集群数量。最后，我们使用plot函数和points函数来可视化数据和聚类中心。

2. 层次聚类（Hierarchical Clustering）

层次聚类通过构建一个层次结构（树状图）来展示数据之间的聚类关系。

# 加