Cluster: HCPC¶

Package FactoMineR

L’HCPC (Hierarchical Clustering on Principal Components [1]) combina tre metodi di analisi multivariata:

Principal Components (PCA)

Hierarchical Clustering (HC)

Partition Clustering (k-means)

Il metodo HCPC si compone sommariamente delle seguenti fasi:

Esecuzione l’analisi delle componenti principali (PCA). E’ possibile scegliere il numero di dimensioni da considerare.
Esecuzione l’analisi di cluster gerarchica con il metodo di Ward.
Scelta del numero di cluster.
Esecuzione della cluster K-means per migliorare e consolidare la partizione iniziale del’HC. La partizione finale può essere differente dalla prima partizione.

r.hcpc esegue un’analisi di Hierarchical Clustering on Principal Components.

Argomenti: [2]

varlist: l’elenco delle variabili da utilizzare nell’analisi
PCA:
- :ncp => num: il numero di componenti principali da utilizzare nell’analisi
- :rsup => indexes: un array o un range con i numeri di indice delle righe supplementari
- :vsup => varlist: un array con i nomi delle variabili supplementari quantitative
- :qsup => varlist: un array con i nomi delle variabili supplementari quanlitative
- :weight => varname: il nome di una variabile di ponderazione
HC:
- :nclu => num: il numero dei cluster da generare: 0 = l’utente determina il numero cliccando sul dendogramma; -1 (default) = trova automaticamente il numero di cluster ottimale; num = imposta un numero di cluster specifico
- :min => num: il numero minimo suggerito di cluster da generare
- :max => num: il numero massimo suggerito di cluster da generare
- :cluster => name: il nome della variabile cluster
- :kk => num: se specificato, esegue un partizionamento con metodo k-means con il numero di cluster indicato. I cluster ottenuti vengono poi utilizzati dalla cluster gerarchica al posto delle osservazioni originali. La successiva fase di consolidamento con k-means non viene eseguita. E’ utile quando i numero di record è troppo elevato per la cluster gerarchica.Il numero di cluster da indicare deve essere considerevole.

Tabelle disponibili:

:analysis: riepilogo dei parametri dell’analisi

:eig: gli autovalori

:coord: le coordinate delle variabili

:load: i loading delle variabili

:cos2: cos2 delle variabili

:contr: i contributi delle variabili

:clus: la distribuzione dei cluster

:descrv: i cluster descritti dalle variabili

:descrd: i cluster descritti dalle dimensioni

Grafici disponibili:

:eig: Eigenvalues Scree plot

:cos2: Cos2 delle variabili sulle dimensioni 1 e 2

:pca: PCA: correlazione delle variabili per contributi

:contr1[..5]: Contributi delle variabili sulla dimensione 1[..5]

:fctmap: I cluster consolidati dalla cluster k-means sul piano delle prime due componenti principali

:biplot: Biplot dell’analisi PCA con variabili e individui suddivisi per cluster

Non generato di default:

:dend: Dendogramma dei cluster suggeriti dalla HC (lento con tanti casi)

model = [:murder, :assault, :urbanpop, :rape]
r.hcpc model, :rownames => :state, :weight => :peso, :plots => [:default, :dend]

Note

[1]	Husson, François, J. Josse, and Pagès J. 2010 - Principal Component Methods - Hierarchical Clustering - Partitional Clustering: Why Would We Need to Choose for Visualizing Data?. Husson, François Hierarchical clustering

[2]	Consultare Analisi per l’elenco dei parametri generali.