画一个图来显示聚类的情况

# 绘制数据
plot(iris, y = Sepal.Length, x = Sepal.Width)

为了更好地解释PCA图，考虑到主成分的方差。

## 看一下主要成分所解释的方差

for (i in 1:nrow) {
  pca\[\["PC"\]\]\[i\] <- paste("PC", i)
}

plot(data = pca,x = 主成分, y = 方差比例, group = 1)

数据中80%的方差是由前两个主成分解释的，所以这是一个相当好的数据可视化。

 使用k-means聚类法将数据集聚成3组

在之前的主成分图中，聚类看起来非常明显，因为实际上我们知道应该有三个组，我们可以执行三个聚类的模型。

PCA图

为了更好地考虑花瓣的长度和宽度，使用PCA首先减少维度是比较合适的。

#创建模型
prcomp(x = iris)

#把预测的组放在最后
PCADF$KMeans预测<- Pred

#绘制图表
plot(PCA, y = PC1, x = PC2,col = "预测\\n聚类", caption = "鸢尾花数据的前两个主成分，椭圆代表90%的正常置信度，使用K-means算法对2个类进行预测") +

PCA双曲线图

biplot(PCA)

这个双曲线图显示，花瓣长度和萼片宽度可以解释数据中的大部分差异，更合适的图是：

plot(iris, col = KM预测)

层次聚类

使用全连接法对观测值进行聚类。

可以使用全连接法对观测值进行聚类（注意对数据进行标准化）。

hclust(dst, method = 'complete')

使用平均和单连接对观察结果进行聚类。

 hclust(dst, method = 'average')
hclust(dst, method = 'single')

绘制预测图

现在模型已经建立，通过指定所需的组数，对树状图切断进行划分。

#  数据
iris$KMeans预测<- groupPred


# 绘制数据
plot(iris,col = KMeans预测))

绘制上述聚类方法的树状图

对树状图着色。

type<- c("平均", "全", "单")

for (hc in models) plot(hc, cex = 0.3)