HCPC r函数——聚类数据和聚类可视化的区别

Question

我正在使用包 FactoMiner 及其函数 HCPC 来创建一些观察的细分。然后我使用函数 plot.HCPC()，我观察到这个函数的两个替代方案之间的差异（两个替代方案说明相同的结果......）

library(FactoMineR) data(USArrests) pca <- PCA(USArrests, ncp = 3, graph = FALSE) hcpc <- HCPC(pca, graph = FALSE)

如果我使用 choice = 'map'，我们会看到 Arkansas 在绿色集群中，但如果我使用 choice = 'tree'，Arkansas 在红色的集群中！（绿色簇的其他状态留在从地图到dendrogram/tree的绿色簇中）：

plot(hcpc, choice = 'map') plot(hcpc, choice = 'tree')

根据数值结果（hcpc$data.clust），cluster3（绿色集群）中有 8 个观测值，与 'map' 可视化匹配（但与 dendrogram/tree 可视化不匹配） . 你知道我是否做错了什么，是否错过了重要的事情？

Answer 1

在 HCPC 函数中，第一个参数是 Consol=T:

Consol a boolean. If TRUE, a k-means consolidation is performed (consolidation cannot be performed if kk is used and equals a number).

library(FactoMineR) 
 data(USArrests)
 pca <- PCA(USArrests, ncp = 3, graph = FALSE)
 hcpc <- HCPC(res.pca,consol=F, graph = FALSE)
 plot(hcpc, choice = 'map')
 plot(hcpc, choice = 'tree')

希望对您有所帮助

HCPC r函数——聚类数据和聚类可视化的区别

HCPC r function - difference between cluster data and cluster visualisation

r

hierarchical-clustering

dendrogram