对“NCI60”（癌细胞系微阵列）数据使用聚类方法
目的是找出观察结果是否聚类为不同类型的癌症。
K_means 和层次聚类的比较。
可下载资源
#数据信息 dim(nata)
nci.labs\[1:4\]
table(ncibs)
ncbs
scale # 标准化变量（均值零和标准差一）。
全链接、平均链接和单链接之间的比较。
plot(hclust,ylab = "",cex=".5",col="blue") #使用全链接对观察结果进行层次聚类。
plot(hclust,cex=".5",col="blue") #使用平均链接对观察进行层次聚类。
par(mfrow=c(1,1)) plot(hclust,col="blue") #使用单链接对观察进行层次聚类。
观察结果
单链接聚类倾向于产生拖尾的聚类：非常大的聚类，单个观测值一个接一个地附在其中。
另一方面，全链接和平均链接往往会产生更加平衡和有吸引力的聚类。
由于这个原因，全链接和平均链接比单链接层次聚类更受欢迎。单一癌症类型中的细胞系确实倾向于聚在一起，尽管聚类并不完美。
随时关注您喜欢的主题
table(hrs,ncbs)
我们可以看到一个清晰的模式，即所有白血病细胞系都属于聚类 3，其中乳腺癌细胞分布在三个不同的聚类中。
plot(hcu) abline
参数 h=139 在高度 139 处绘制一条水平线。这是 4 个不同聚类的划分结果。
out
kout=kmea table
我们看到，获得层次聚类和 K-means 聚类的四个聚类产生了不同的结果。K-means 聚类中的簇 2 与层次聚类中的簇 3 相同。另一方面，其他集群不同。
结论
层次聚类在 NCI60 数据集中能比 K-means聚类得到更好的聚类。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
【视频讲解】Python深度神经网络DNNs-K-Means（K-均值）聚类方法在MNIST等数据可视化对比分析
Python量子计算聚类Q-means（量子k-means）算法分析电路数据实现可视化
TensorFlow深度学习框架改进K-means聚类、SOM自组织映射神经网络算法及上海招生政策影响分析研究
Python回归、聚类、相关分析上海公租房租金满意度影响因素数据可视化
