R 你用什么方法来选择k-means和EM中的最佳聚类数？

有许多聚类算法可用。一种流行的算法是K-means，该算法基于给定数量的聚类，迭代以找到对象的最佳聚类

在k-均值聚类中，您使用什么方法来确定数据中的聚类数

R中是否有任何可用的软件包包含用于确定正确聚类数的

V-fold交叉验证

方法

另一个被广泛使用的方法是期望最大化（EM）算法，该算法为每个实例分配一个概率分布，该概率分布表示它属于每个集群的概率

这个算法是在R中实现的吗

如果是，它是否可以选择通过交叉验证自动选择最佳聚类数

您更喜欢其他的聚类方法吗？

对于大型“稀疏”数据集，我会认真推荐“亲和传播”方法。 与k均值相比，它具有优越的性能，并且本质上是确定性的

它发表在《科学》杂志上

然而，最优聚类算法的选择取决于所考虑的数据集。K Means是一种教科书方法，很可能有人开发了更适合您的数据集类型的更好算法/

这是Andrew Moore教授（CMU，谷歌）关于K均值和层次聚类的一篇很好的教程。

---

上周，我为K-Means聚类程序编写了这样一个估计聚类数的算法。我使用的方法概述如下：

---

我最大的实现问题是，我必须找到一个合适的集群验证索引（即错误度量）。现在这是一个处理速度的问题，但结果目前看起来是合理的。

我故意忽略了层次聚类，因为hclust是一种内存不足的方法，不适合于我实际上最感兴趣的大型数据集。请定义“最佳”大问题@Svante的含义，我一直在想这个问题。我甚至打算编写一个包，其中包含几个用于优化集群数量的算法（仅限hclust方法）@哈德利，我熟悉：C-H指数（卡林斯基和哈拉巴斯），C指数，古德曼·克鲁斯卡尔·伽马系数。有一种方法可以通过F-test“选择最佳集群解决方案”。参考文献：Miligan，G.W.和Cooper，M.C.（1985）。对确定数据集中集群数量的程序的检查，Psychometrika，50159-179尽管我假设你更喜欢“基于图形”的最优解决方案决策…@hadley，在最大化某些分数函数的意义上，可能以

类间距离

和

类内距离

作为参数。例如，请参见第

段中描述的最佳聚类数

中的方法：这可能也很有用：