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。
R语言层次聚类、多维缩放MDS分类RNA测序（RNA-seq）乳腺发育基因数据可视化|附数据代码
SPSS大学生网络购物行为研究：因子分析、主成分、聚类、交叉表和卡方检验
R语言聚类分析、因子分析、主成分分析PCA农村农业相关经济指标数据可视化
R语言、WEKA关联规则、决策树、聚类、回归分析工业企业创新情况影响因素数据
