Python 如何利用间隙统计在层次聚类中找到最佳聚类数？

我想通过单链接运行分层聚类，以对具有300个特性和1500个观察值的文档进行聚类。我想找到这个问题的最佳聚类数

下面的链接使用下面的代码查找具有最大间隙的簇数

#计算差距统计
种子集（123）
iris.scaledhcut（）

函数是您发布的链接中使用的

factorextra

包的一部分：

hcut包：额外的工厂文件

计算层次聚类并剪切树

说明：

 Computes hierarchical clustering (hclust, agnes, diana) and cut
 the tree into k clusters. It also accepts correlation based
 distance measure methods such as "pearson", "spearman" and
 "kendall".

R还有一个内置函数，

hclust（）

，可用于执行分层聚类。但是，默认情况下，它不执行单链接聚类，因此不能简单地用

hclust

替换

hcut

但是，如果查看

clusGap（）

的帮助，您会发现可以提供一个要应用的自定义群集函数：

FUNcluster：接受第一个参数a（数据）的“函数” 类似于“x”的矩阵，第二个参数，比如k，k>=2，数字 所需的群集数，并返回包含组件的“列表” 命名（或缩写为“cluster”，是长度向量 确定聚类的“1:k”中整数的“n=nrow（x）” 或“n”个观察值的分组

hclust（）

函数能够执行单链接层次聚类，因此您可以执行以下操作：

cluster_fun <- function(x, k) list(cluster=cutree(hclust(dist(x), method="single"), k=k))
gap_stat <- clusGap(iris.scaled, FUN=cluster_fun, K.max=10, B=50)

cluster\u fun
cluster_fun <- function(x, k) list(cluster=cutree(hclust(dist(x), method="single"), k=k))
gap_stat <- clusGap(iris.scaled, FUN=cluster_fun, K.max=10, B=50)