这里有一个可以帮助你的例子：

library(cluster)
library(fpc)

data(iris)
dat &lt- iris[, -5] # without known classification 
# Kmeans clustre analysis
clus &lt- kmeans(dat, centers=3)

# Fig 01
plotcluster(dat, clus$cluster)

# More complex
clusplot(dat, clus$cluster, color=TRUE, shade=TRUE, 
         labels=2, lines=0)

# Fig 03
with(iris, pairs(dat, col=c(1:3)[clus$cluster])) 

根据后一个图，您可以决定要绘制哪些初始变量。也许 14 个变量很大，因此您可以先尝试主成分分析 (PCA)，然后使用 PCA 中的前两个或三个成分进行聚类分析。

我会为此推送剪影图，因为当维度数为 14 时，您不太可能从配对图中获得很多可操作的信息。

library(cluster)
library(HSAUR)
data(pottery)
km    <- kmeans(pottery,3)
dissE <- daisy(pottery) 
dE2   <- dissE^2
sk2   <- silhouette(km$cl, dE2)
plot(sk2)

这种方法被高度引用且广为人知（有关解释，请参见此处）。

Rousseeuw, PJ (1987)剪影：对聚类分析的解释和验证的图形辅助。J.计算机。应用程序。数学。, 20 , 53-65。

我知道的最简单的方法如下：

X <- data.frame(c1=c(0,1,2,4,5,4,6,7),c2=c(0,1,2,3,3,4,5,5))
km <- kmeans(X, center=2)
plot(X,col=km$cluster)
points(km$center,col=1:2,pch=8,cex=1)

通过这种方式，您可以使用不同的颜色及其质心来绘制每个集群的点。

在这一点上这是一个老问题，但我认为 factoextra 包有几个用于聚类和绘图的有用工具。例如，fviz_cluster()函数在散点图中绘制 PCA 维度 1 和 2，并对集群进行着色和分组。 这个演示通过了一些与 factoextra 不同的功能。