R 中给定聚类计算 Calinski-Harabasz 指数的不一致

机器算法验证 r 聚类
2022-04-15 03:22:56

我有兴趣确定使用 Calinski-Harabasz (CH) 索引的 PAM 聚类算法计算的最佳聚类数。为此，我发现 2 个不同的 R 函数计算给定聚类的 CH 值，但返回不同的结果：?cluster.stats（在fpc 包中）和?index.G1（在clusterSim包中）。

第一个通过以下方式调用：

pam.res <- pam(dist.matrix, 2, diss=TRUE)
ch1     <- cluster.stats(dist.matrix, pam.res$clustering, silhouette=TRUE)$ch

第二个通过以下方式调用：

ch2 <- index.G1(t(dataframe), pam.res$clustering, d=dist.matrix)

数据可以在这里找到： dataframe.RData，或者在这里：dist.matrix.RData [死链接]。

  • 任何人都可以向我解释这两个 CH 指数计算之间的区别吗？

    使用cluster.stats()，获得 2 个簇的最高 CH 索引（）；在使用时，获得了 3 个集群的最高 CH 指数（完全不同）。≈32index.G1()≈60≈54

  • 通常使用哪个函数来计算 CH 指数？

2个回答

对于相同的距离矩阵，有一种计算 Caliński & Harabasz (1974) 指数的方法，因此如果两个 R 函数显示不同的结果，其中一个是错误的。因此，您的问题是题外话。

  • 看看 Caliński & Harabasz 指数是如何计算的，在他们的原始论文 [1] 或例如这里。

  • 然后检查两个 R 函数的源代码，找到一个错误并将其报告给包创建者。

以下是GitHub 上的示例站点，您可以在其中查看源代码： fpchttps ://github.com/cran/fpc/tree/master/R、https : //github.com/cran/clusterSim。clusterSim

[1] Caliński, T. 和 J. Harabasz。“用于聚类分析的树突方法。” 统计通讯。卷。3，第 1 期，1974 年，第 1-27 页。

使用包含 200 个点、欧几里得距离和完整链接的合成二维数据集，我无法重现您遇到的差异。clusterCrit包和另一个实现也返回相同的值

> # fpc
> ch1 <- calinhara(X, pc, cn=max(pc))
> # clusterSim
> ch2 <- index.G1 (X,pc,d=NULL,centrotypes="centroids")
> # clusterCrit
> ch3 <- as.numeric(intCriteria(X,pc,"Calinski_Harabasz"))
> 
> cat('fpc: ', ch1, '\nclusterSim: ', ch2, '\nclusterCrit: ', ch3)
fpc:  369.0315 
clusterSim:  369.0315 
clusterCrit:  369.0315

Python

>>> itn.calinski_harabasz(X, pc)
369.0315384638188
其它你可能感兴趣的问题
上一篇关联时间戳 下一篇区分周期性信号和非周期性信号