R语言中的无监督聚类算法：K-means与层次聚类

在R语言中，无监督学习是指在没有标签的情况下，通过学习数据的内在性质和逻辑结构来发现数据的模式和分类。聚类是无监督学习的一种常见方法，它将数据集划分为若干个子集（每个子集称为类或者簇），以便于对数据进行更深入的分析和挖掘。在R语言中，K-means和层次聚类是最常用的两种聚类算法。

一、K-means聚类

K-means聚类是一种非常流行的无监督学习方法，它通过迭代的方式将数据划分为K个类别。算法的基本步骤如下：

1. 随机选择K个数据点作为初始的聚类中心；
2. 将每个数据点分配给最近的聚类中心，形成K个聚类；
3. 对于每个聚类，重新计算聚类中心，新的聚类中心是该聚类中所有数据点的平均值；
4. 重复步骤2和3，直到聚类中心不再发生明显变化或者达到预设的迭代次数。

在R中，我们可以使用kmeans函数来实现K-means聚类。下面是一个简单的示例代码：

# 加载数据集
data(iris)
# 将数据集划分为3个类别
k <- 3
cluster <- kmeans(iris[, 1:4], centers = k)
# 打印聚类结果
print(cluster$cluster)

在上面的代码中，我们使用了R内置的iris数据集，将数据集划分为3个类别，并输出了每个样本的聚类结果。

二、层次聚类

层次聚类是一种基于距离的聚类方法，它通过计算数据点之间的距离来构建层次结构。层次聚类的基本步骤如下：

1. 计算所有数据点之间的距离；
2. 将每个数据点视为一个独立的类别；
3. 每次将距离最近的两个类别合并为一个新的类别；
4. 重复步骤3，直到所有数据点被合并为一个类别或者达到预设的层次数。

在R中，我们可以使用hclust函数来计算数据点之间的距离，并使用cutree函数来将层次结构切割为指定的类别数。下面是一个简单的示例代码：

# 加载数据集
data(iris)
# 计算数据点之间的距离
dist_mat <- dist(iris[, 1:4])
# 进行层次聚类并切割为3个类别
hc <- hclust(dist_mat)
cluster <- cutree(hc, k = 3)
# 打印聚类结果
print(cluster)

在上面的代码中，我们使用了R内置的iris数据集，将数据集切割为3个类别，并输出了每个样本的聚类结果。

总结：K-means和层次聚类是两种常用的无监督聚类算法，它们都能够有效地发现数据的内在结构和模式。在实际应用中，我们可以根据数据的特性和需求选择合适的算法进行聚类分析。