在一个实验中，我们通过在线调查获得数据，利用这些数据进行聚类分析（使用library(mclust)库），然后根据我们分析得到的聚类，选择一些人进行进一步的检查。
后来，我们重新开始了在线调查，获得了更多的数据（尽管没有第一轮那么多）。
现在，我想分配新数据（此处：seconddata）使用基于第一数据的模型（此处：* 第一数据 *）。
为了首先进行聚类，我们对 firstdata 进行了缩放，然后进行了聚类分析。现在，为了将聚类分配给新数据，我也对 seconddata 进行了缩放，然后尝试分配聚类。尽管理论上我们从与 firstdata 相同的总体中提取 seconddata，但它们的分布存在细微差异--当然，意料之中。
在我的原始数据中，分配给 seconddata 的聚类似乎没有什么意义，因为我突然有了一些以前最普遍的空聚类。我觉得这可能是因为两个数据集的分布略有不同，但我不确定。
下面是我如何尝试进行分配的一个示例。集群本身没有意义，但对于我的原始数据，过程保持不变。
# library -----------------------------------------------------------------
library(tidyverse)
library(ggplot2)
library(scatterplot3d)
library(hopkins)
library(factoextra)
library(NbClust)
library(mclust)
library(ggpubr)
library(writexl)
library(reshape2)
library(hms)
library("lubridate")
set.seed(1591593)
# first dataset -----------------------------------------------------------
n1 = 100
#number of observations in first data frame
firstdata <- expand.grid(n1 = 1:n1,
x1 = NA,
x2 = NA,
x3 = NA)
firstdata$x1 <- sample(runif(n = n1, min = 50, max = 100), replace = TRUE)
firstdata$x2 <- sample(runif(n = n1, min = 20, max = 25), replace = TRUE)
firstdata$x3 <- sample(runif(n = n1, min = 30, max = 80), replace = TRUE)
#creating data
firstdata = firstdata %>%
select(contains("x")) %>%
mutate_all(scale)
#scale data
par(mfrow = c(1, 1)) # display 1 plot
scatterplot3d(firstdata$x1, firstdata$x2, firstdata$x3)
## model-based clustering ---------------------------------------------
# Fit model
c_model <- Mclust(firstdata)
# Show optimal model
summary(c_model)
# Plot all models
fviz_mclust(c_model, "BIC", palette = "jco")
# Print cluster sizes
table(c_model$classification)
# Cluster plot
fviz_mclust(c_model, "classification", geom = "point",
pointsize = 1.5, palette = "jco")
# Cluster no. (classification) as variable (new dataframe)
firstdata_cluster = firstdata
firstdata_cluster$cluster = as.factor(c_model$classification)
# Compute probability to belong to resp. cluster and not to other cluster
firstdata_cluster$probability = 1-(c_model$uncertainty)
# Cluster label in classifications
clusters = MclustDA(firstdata, class = firstdata_cluster$cluster)
summary(clusters)
# second dataset ----------------------------------------------------------
n2 = 10
#number of observations in second data frame
seconddata <- expand.grid(n2= 1:n2,
x1 = NA,
x2 = NA,
x3 = NA)
seconddata$x1 <- sample(runif(n = n2, min = 50, max = 100), replace = TRUE)
seconddata$x2 <- sample(runif(n = n2, min = 20, max = 25), replace = TRUE)
seconddata$x3 <- sample(runif(n = n2, min = 30, max = 80), replace = TRUE)
# create second data frame
## assigning clusters to the new data ------------------------------------
seconddata = seconddata %>%
select(contains("x")) %>%
mutate_all(scale)
# scale second data frame
prediction_seconddata = predict(clusters, seconddata)
round(prediction_seconddata$z, 0)
#assign clusters to the new second data frame/new data using the first model
prediction_seconddata_cluster<-as.data.frame(round(prediction_seconddata$z, 0))
prediction_seconddata_cluster
#assigned clusters of the second data frame我没有任何聚类数据的经验，所以我有点不确定这种方法是否可以接受。我非常确定我的过程中有什么地方不对...
您对如何将 seconddata 与聚类匹配有什么建议吗？
谢谢！
1条答案
按热度按时间cvxl0en21#
我的问题的答案是，在做聚类之前，我必须根据 * 第一个数据 * 重新调整 * 第二个日期 *。
参见：
# rescale seconddata --------现在新的聚类是正确的。
也许这能帮到别人。