クラスター分析におけるクラスタ数の決め方

1. クラスタ分析における
クラスタ数の決め方
@bob3bob3
Tokyo.R #60

2. クラスタ分析におけるクラスタ数の決め方
● クラスタ分析を行う際、クラスタ数をいくつにするべきかという
のは非常に悩ましい問題。
● 目的や分野によっても考え方が異なるでしょう。
● 原則として、分析者が意思を持って決めるべき、というのが結
論ではある。
● ただ、それを支援する、より適切と思われるクラスタ数を示唆
してくれる指標(cluster index)がいくつかRで提供されている。

3. パッケージと関数
● 今回は３つのパッケージと関数をご紹介。
○ {cclust} パッケージの clusterIndex()
○ {vegan} パッケージの cascadeKM()
○ {clusterSim} パッケージの cluster.Sim()

4. {cclust}パッケージのclustIndex()
● clustIndex() は cclust() でクラスタリングした結果に対して指標値を返す。
● 15種の指標を返すが、calinski（疑似F統計量）がおすすめ。
library(cclust)
DAT <- as.matrix(iris[,-5])
MAX <- 10
res <- data.frame(matrix(0,MAX,15))
for (i in 2:MAX){
clust <- cclust(DAT, i)
temp <- clustIndex(clust, DAT)
if(i==2) colnames(res) <-
names(temp)
res[i,] <- temp
}
plot(res$calinski, type="b")

5. {vegan} パッケージの cascadeKM()
● cascadeKM() は calinski に基づいて最適と考えられるクラスタリング結果を返す。
library(vegan)
# 試行するクラスタ数の最小数と最大数を与える
# デフォルトは calinski だが ssi も使える
res <- cascadeKM(iris[,-5], 2, 10)
best <- plot(res)
best$x[,best$best.grps]

6. {clusterSim} パッケージの cluster.Sim()
● cluster.Sim()は複数の標準化手法、距離、クラスタリング手法を組み合わせて最
適なクラスタリングを探索する。引数の指定が独特なのでヘルプからたどれる
clusterSim_details.pdf を見ながら設定すること。
library(clusterSim)
cluster.Sim(iris[,-5], p=1,
min=2, max=10, "G1",
outputHtml="results.iris")
# これで3,312通りのクラスタリングが試される。
# 非力なマシンでは非常に時間がかかるので注意。

7. 最後に
● クラスタの数は分析者が意思を持って決めるべきという結論
は変わらないのですが、これらの指標を使うことで検討にかか
る負担を大きく減らし、考察に時間を使うことができます。
● また、GIGOなのは変わらないので、これらの指標を使っても
元データがダメだとどうにもなりません。本当の肝はどんな
データをクラスタリングに利用するかという部分ですが、その
話はまたこんど。