R kmeans（统计学）与Kmeans（高德地图）的区别

Question

大家好，

我正在使用Iris数据集在stats包和amap包上运行kmeans。在两种情况下，我使用相同的算法（Lloyd-Forgy），相同的距离（欧几里得距离），相同数量的初始随机集合（50），相同的最大迭代次数（1000），并测试相同的k值集合（从2到15）。我还为两种情况使用相同的种子（4358）。

我不明白为什么在这些条件下，我会得到不同的wss曲线，特别是：使用stats包时的“拐点”比使用amap包时的要平缓得多。

请帮我理解原因，谢谢！

以下是代码：

# data load and scaling
newiris <- iris
newiris$Species <- NULL
newiris <- scale(newiris)

# using kmeans (stats)
wss1 <- (nrow(newiris)-1)*sum(apply(newiris,2,var))
for (i in 2:15) {
  set.seed(4358)
  wss1[i] <- sum(kmeans(newiris, centers=i, iter.max=1000, nstart=50,
                       algorithm="Lloyd")$withinss)
  }

# using Kmeans (amap)
library(amap)
wss2 <- (nrow(newiris)-1)*sum(apply(newiris,2,var))
for (i in 2:15) {
  set.seed(4358)
  wss2[i] <- sum(Kmeans(newiris, centers=i, iter.max=1000, nstart=50,
                       method="euclidean")$withinss)
  }

# plots
plot(1:15, wss1, type="b", xlab="Number of Clusters",
     ylab="Within groups sum of squares", main="kmeans (stats package)")
plot(1:15, wss2, type="b", xlab="Number of Clusters",
     ylab="Within groups sum of squares", main="Kmeans (amap package)")

编辑： 我已经给amap包的作者发送了电子邮件，如果有回复，我会发布回复。 https://cran.r-project.org/web/packages/amap/index.html

- pim

---

如果你想深入了解，可以通过输入函数名称并按回车键来阅读每个函数的源代码。 - pcantalupo

可能是https://dev59.com/L1bTa4cB1Zd3GeqP9U_-的重复问题。 - pcantalupo

感谢您的评论@pcantalupo。我正在阅读代码并尝试理解它。关于可能的重复：感谢指针。我正在使用该帖子中建议的种子。我注意到的区别不在于同一函数的不同运行，而是在于两个不同实现（统计与映射包）。旁注：当我使用和不使用set.seed(4358)运行Kmeans（amap）时，我得到相同的图形，我认为这很奇怪。 - pim

你是在设置种子之后吗？ - Elin

是的 @Elin，我在每个for循环中都设置了一次种子：在kmeans（stats）之前和在Kmeans（amap）之前各一次，在两个实例中都相同（set.seed（4358））。 - pim

Answer 1

amap软件包的作者更改了代码，withinss变量的值是方法应用的总和（例如欧几里得距离）。

解决这个问题的一种方法是，在Kmeans函数（amap）返回后重新计算withinss（误差平方和（SSE））的值。

以下是我的建议：

# 使用Kmeans（amap）

    library(amap)

    wss2 <- (nrow(newiris)-1)*sum(apply(newiris,2,var))

    for (i in 2:15) {

            set.seed(4358)

            ans.Kmeans <- Kmeans(newiris, centers=i, iter.max=1000, nstart=50, method="euclidean")

            wss <- vector(mode = "numeric", length=i) 

            for (j in 1:i) {
                    km = as.matrix(newiris[which(ans.Kmeans$cluster %in% j),])

                    ## average = as.matrix( t(apply(km,2,mean) )) 
                    ## wss[j] =  sum( apply(km, 1, function(x) sum((x-average) ^ 2 )))
                    ## or                         
                    wss[j] <- ( nrow(km)-1) * sum(apply(km,2,var))
            }

            wss2[i] = sum(wss)
    }

注意。此软件包中的pearson方法在0.8-14版本中存在错误（请小心！）。

根据此链接中的代码，第325行如下：

https://github.com/cran/amap/blob/master/src/distance_T.inl

- Ricardo Jacomini