简单好用！经典机器学习聚类算法——K-means

尔云间  一个专门做科研额团队

原创 小果 生信果 

欢迎点赞+收藏+关注

生信人R语言学习必备

立刻拥有一个Rstudio账号

开启升级模式吧

（56线程，256G内存，个人存储1T）

最近小果看了很多文章，发现了一些高分文章的共有技术点——聚类

于是小果绝对带给大家一个经典聚类算法的代码案例教学，希望让大家都能写出高分文章，也让小云沾沾喜气！

K-Means聚类是一种无监督学习算法，用于将数据点分组成k个簇。该算法将数据点分配到距离它们最近的簇中，其中距离通常是欧氏距离。

然后，通过计算每个簇的质心（簇中所有数据点的平均值），来确定每个簇的中心点。这些步骤反复进行，直到质心不再改变或达到最大迭代次数为止。让我们直接进入主题！上代码！

1、下载所需要的R包

2、加载所需R包

3、示例数据

该数据为R语言内置数据集，包含美国每个州每10万因不同犯罪类型而被捕的人数，以及每个州居住在城市地区的人口百分比（UrbanPop）

4、选择合适的聚类数量

（1）利用手肘法确认最佳聚类数量（手肘法：通常我们创建这类图形寻找某个K类对应的平方和值开始弯曲或趋于平缓的肘形。这通常是最理想的聚类数量。）

fviz_nbclust(df,kmeans,method=”wss”)

#根据上图可以看出k=4时出现肘性，所以后续实验聚类数量为4

（2）差距统计确认最佳聚类数量

#根据上图可以看出k=4时，差距统计最大，与手肘法结果相同。

5、执行kmeans聚类

结果显示分类结果为4个簇，分别包含16、13、13和8个州，以四种颜色圈出对应的区域并展示。

以上就是k-means聚类的实验流程，很简单吧，加到文章里又是点睛的一笔，快动动小手试试吧！

（小果新开发的零代码云生信分析工具平台包含超多零代码小工具，上传数据一键出图，感兴趣的小伙伴欢迎来参观哟，网址：http://www.biocloudservice.com/home.html）

“生信果”，生信入门、R语言、生信图解读与绘制、软件操作、代码复现、生信硬核知识技能、服务器、生物信息学的教程，以及基于R的分析和可视化等原创内容，一起见证小白和大佬的成长。