Применить шаблон ко всем диаграммам PPT вызывает & ldquo; Определяемый пользователем тип не определен & rdquo; ошибка

Таким образом, вы можете использовать Calinski criterion из пакета vegan, также ваша формулировка вопроса мало спорна. Я надеюсь, что это то, что вы ожидаете, прокомментируйте в противном случае.

Например, вы можете сделать:

n = 100
g = 6 
set.seed(g)
d <- data.frame(
  x = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i^2))), 
  y = unlist(lapply(1:g, function(i) rnorm(n/g, runif(1)*i^2))))

require(vegan)
fit <- cascadeKM(scale(d, center = TRUE,  scale = TRUE), 1, 10, iter = 1000)
plot(fit, sortg = TRUE, grpmts.plot = TRUE)
calinski.best <- as.numeric(which.max(fit$results[2,]))
cat("Calinski criterion optimal number of clusters:", calinski.best, "\n")

Это приведет к значению 5, что означает вы можете использовать 5 кластеров, алгоритм работает с основными принципами, связанными со связностью и совпадением кластеризации k. Вы также можете написать исходный код кода.

Из документации из здесь :

критерий: критерий, который будет использоваться для выберите лучший раздел. Значение по умолчанию - «calinski», которое относится к критерию Калински-Харабаша (1974). Также доступен простой индекс структуры («ssi»). Другие индексы доступны в функции clustIndex (package cclust). По нашему опыту, два показателя, которые работают лучше всего и, скорее всего, вернут максимальное значение в оптимальном количестве кластеров или около него, являются «calinski» и «ssi».

будет выглядеть как-то, как показано ниже:

На первой итерации, так как нет SSB (Между дисперсией).

wss <- (nrow(d)-1)*sum(apply(d,2,var))
#TSS = WSS ##No betweeness at first observation, total variance equal to withness variance, TSS is total sum of squares, WSS is within sum of squress
for (i in 2:15) wss[i] <- sum(kmeans(d,centers=i)$withinss) #from second observation onward, since TSS would remain constant and between sum of squares will increase, correspondingly withiness would decrease.
#Plotting the same using the plot command for 15 iterations.(This is not constant, you have to decide what iterations you can do here.
plot(1:15, wss, type="b", xlab="Number of Clusters",
     ylab="Within groups sum of squares",col="mediumseagreen",pch=12)

Результат выше может выглядеть так: здесь, после того, как точка, в которой линия становится постоянной, является точкой, которую вы должны выбрать для оптимального размера кластера, в этом случае это 5: