R 在（著名）虹膜数据集上应用图聚类算法

我的问题涉及图聚类算法的应用。大多数情况下，我看到图形是通过使用数据中的节点和边生成的。例如，假设我们有社交媒体数据：数据中的每个个体都可以表示为一个节点，个体之间的关系可以表示为边。利用这些信息，我们可以构建一个图，然后在此图上执行图聚类算法（例如Louvain聚类）

有时，也可以使用点之间的距离绘制图形。点之间的距离可以看作是边。例如，在谱聚类算法中，从数据生成KNN（k近邻）图，然后在此图上执行k均值聚类算法

我的问题是：假设我们获取著名的Iris数据并删除响应变量（“物种”）。创建一个虹膜数据图，其中每个节点对应于一朵花，边对应于每个点之间的成对欧几里德距离，这样做有意义吗？假设这是一种合乎逻辑且正确的方法，那么可以在这个虹膜图上执行图聚类算法吗

下面，我尝试首先使用成对欧几里德距离（R）创建虹膜数据图。然后，我对结果图执行Louvain聚类和Infomap聚类。之后，我尝试创建虹膜数据的KNN图，并在此KNN图上执行MST（最小生成树）聚类，以及执行Louvain聚类

有人能对我所做的事发表意见吗？这是直观的，它有数学意义吗？作为一种“欺骗”——虹膜数据只有3种。因此，如果给定的聚类算法返回明显多于3个聚类，我们知道图和/或聚类算法可能不是最佳选择。然而，在实际应用中，我们无法知道数据中存在多少“真实”类

 library(igraph)
    library(network)
    library(reshape2)
    library(mstknnclust)
    library(visNetwork)
    library(cluster)
    
    
    /****louvain clustering done on a distance based graph - maybe this is correct****/
    x <- iris[,1:4]
    
    
    dist <- daisy(x,
                       
                        metric = "euclidean"
                       
                        )
    
    d_mat <- as.matrix(dist)
    
     d_long <- melt(d_mat)
    colnames(d_long) <- c("from", "to", "correlation")
    d_mat_long <- d_long[which(d_long$correlation > .5),]
    graph <- graph_from_data_frame(d_mat_long, directed = FALSE)
    
    
     nodes <- as_data_frame(graph, what = "vertices")
    
     colnames(nodes) <- "id"
    nodes$label <- nodes$id
     links <- as_data_frame(graph, what = "edges")
    
    visNetwork(nodes, links) %>%   visIgraphLayout(layout = "layout_with_fr")
     cluster <- cluster_louvain(graph)
    
    nodes$cluster <- cluster$membership
    
    nodes$color <- ifelse(nodes$cluster == 1, "red", "blue")
    
     visNetwork(nodes, links) %>%   visIgraphLayout(layout = "layout_with_fr") %>%   visOptions(selectedBy = "cluster") %>%   visNodes(color = "color")
    
    
    
    
    /***infomap and louvain clustering done a distance based graph but with a different algorithm: I think this is wrong***/
    
    imc <- cluster_infomap(graph)
    membership(imc)
    communities(imc)
    plot(imc, graph)
    
    lc <- cluster_louvain(graph, weights = NULL)
    membership(lc)
    communities(lc)
    plot(lc, graph)
    
    /****mst spanning algorithm on the knn graph : based on the number of clusters I think this is wrong****/
    
    cg <- generate.complete.graph(1:nrow(x),d_mat)
    
    ##Generates kNN graph
    knn <- generate.knn(cg)
    
    plot(knn$knn.graph,
    main=paste("kNN \n k=", knn$k, sep=""))
    
    results <- mst.knn(d_mat)
    
    igraph::V(results$network)$label.cex <- seq(0.6,0.6,length.out=2)
    
    plot(results$network, vertex.size=8,
         vertex.color=igraph::clusters(results$network)$membership,
         layout=igraph::layout.fruchterman.reingold(results$network, niter=10000),
         main=paste("MST-kNN \n Clustering solution \n Number of clusters=",results$cnumber,sep="" ))
    
    /*****louvain clustering and infomap done on the knn graph - maybe this is correct****/
    
    #louvain
    lc <- cluster_louvain(knn$knn.graph, weights = NULL)
    membership(lc)
    communities(lc)
    plot(lc, knn$knn.graph)
    
    imc <- cluster_infomap(knn$knn.graph)
    membership(imc)
    communities(imc)
    plot(imc, knn$knn.graph)

库（igraph）
图书馆（网络）
图书馆（E2）
图书馆（MSTKNCLUST）
图书馆（visNetwork）
图书馆（群集）
/****louvain在基于距离的图上进行聚类-也许这是正确的****/
x“在基于距离的图上进行louvain聚类-也许这是正确的”

不完全是这样，在绘制中间性、中心性等图形时使用了距离。如果你的兴趣是相似性，那么将距离转换为相似性