R学习之R层次聚类方法（tm包）

1、距离计算 

##  method for class 'TermDocumentMatrix'
dissimilarity(x, y = NULL, method)


##  method for class 'PlainTextDocument'
dissimilarity(x, y = NULL, method)

参数说明：

   x：文档-词矩阵或者文本文档；

   y：文本文档，仅当x是文本文档时y才是文本文档；

   method：距离计算方法，所有的method均来自于proxy包，proxy包的文档在这里。

 

 method的种类主要有：

（1）jaccard：jaccard系数（默认方法），又叫做Jaccard相似性系数，用来比较样本集中的相似性和分散性的一个概率。

   Jaccard = 样本集交集个数 / 样本集合集个数；

（2）Matching：Simple Matching Coefficient，SMC（简单匹配系数）。该度量同等地对出现和不出现计数。

        如下图所示.其中,q 表示向量中对应位置都为 1 的元素个数;t 表示向量中对应位置都为 0 的元素个数;s 表示向量 i 某
个位置为 1,而在向量 j 的对应位置为 0 的元素个数;r 表示在向量 i 某个位置为 0,而在向量 j 的对应位置为 1 的
元素个数.来自（http://www.jos.org.cn/1000-9825/17/79.pdf）

（3）dice：Dice's coefficient 类似于jaccard系数，但是在分子上加权，Dice系数S为

（4）affinity：

Affinity between the two items i and j is defined by Aggarwal et al. (2002) as

A(i,j) = sup({i,j})/(sup({i}) + sup({j}) - sup({i,j})),

where sup(.) is the support measure. This means that affinity is the Jaccard similarity between items.

（ 暂时还没搞明白）

（5） cosine：余弦相似度，计算两个向量间的余弦夹角

（6）pearson： pearson Correlation Coefficient皮尔逊相关系数，见：http://zh.wikipedia.org/zh-cn/%E7%9B%B8%E5%85%B3

例子：

data("crude")
tdm <- TermDocumentMatrix(crude)
dissimilarity(tdm, method = "cosine") #计算距离的方法为cosine(余弦夹角)方法
dissimilarity(crude[[1]], crude[[2]], method = "eJaccard") #dJaccard方法

2、层次聚类 

hclust(d, method = "complete", members=NULL)

参数说明：

    d：聚类的矩阵

    method：聚类的方法

        （1）ward：方法简述：基于方差分析思想，如果分类合理，则同类样品间离差平方和应当较小，类与类间离差平方和应当较大。

                         特点：实际应用中分类效果较好，应用较广；要求样品间的距离必须是欧氏距离。

        （2）single：最短距离法，计算两类观测间最近一对的距离；

        （3）complete：最长距离法，计算两类观测间最远一对的距离；

        （4）average：平均距离法，测量两类每对观测间的平均距离；

        （5）mcquitty：McQuitty相似分析法，（待补充）

        （6）median：中间距离法，

        （7）centroid：重心法，两类间的距离定义为两类重心之间的距离，对样品分类而言，每一类中心就是属于该类样品的均值。

                             特点：该距离随聚类地进行不断缩小。该法的谱系树状图很难跟踪，且符号改变频繁，计算较烦。

          上述部分内容来自于：http://blog.csdn.net/yillc/article/details/6746509

3、图形展示

plot(x, labels = NULL, hang = 0.1,
     axes = TRUE, frame.plot = FALSE, ann = TRUE,
     main = "Cluster Dendrogram",
     sub = NULL, xlab = NULL, ylab = "Height", ...)

plclust(tree, hang = 0.1, unit = FALSE, level = FALSE, hmin = 0,
        square = TRUE, labels = NULL, plot. = TRUE,
        axes = TRUE, frame.plot = FALSE, ann = TRUE,
        main = "", sub = NULL, xlab = NULL, ylab = "Height")