0

我正在将一个简单的聚类过程应用于自定义模拟相似度矩阵。（https://github.com/ewouddt/Files/blob/master/sim_col.RData）

但是，我注意到使用平均链接hclust时和agnes过程之间存在差异（注意：我也观察到完整链接的相同行为）

load("sim_col.RData") # A 606 x 606 similarity matrix
library(cluster)

c1 <- hclust(as.dist(1-sim_col),method="average")
c2 <- as.hclust(agnes(as.dist(1-sim_col),diss=TRUE,method="average"))

dev.new()
plot(c1)
dev.new()
plot(c2)

cut1 <- cutree(c1,k=20)
cut2 <- cutree(c2,k=20)
cut1
cut2

sort(table(cut1))
cut1
# cut1
# 10  18   9  19   3  20   4  11   7  15  17   5   6  12  16   2   8   1  13  14 
#  2   5   7   8  11  13  14  14  15  19  19  21  23  26  27  31  33  80  95 143
sort(table(cut2))
# cut2
# 18  20  19  11  17   7   8   4  12   5   9   3  10  16   2   6  14  13   1  15 
#  4   6   8   9   9  13  13  14  15  16  17  19  20  29  31  31  54  62 115 121

正如预期的那样，由于 和 的顺序不同，树状图看起来hclust不同agnes。然而，切割标签（k=20例如）显示不同（尽管相似）的观察结果。（例如，您可以看到两个结果之间的标签数量不同）

我是在犯一个愚蠢的错误，还是hclust不agnes应该在砍树后返回完全相同的结果？如果这两个过程不应该返回相同的结果，那么这两个函数的区别在哪里？

4

1 回答 1

1

除单链接外，聚类结果可能不是唯一确定的。

考虑以下数据集：

1 2 3 4

这是三个最小值：合并 1 和 2，或 2 和 3，或 3 和 4。

除了单链接，我们会得到不同的结果，具体取决于我们是先合并 2 和 3 还是其他对中的一个。

特别是，通常的算法将无法保证找到最优解。如果你想保证这一点，你很可能是 NP 完全的。但这也可能无关紧要。

于 2017-03-11T12:28:25.543 回答