使用平均链接的“hclust”和“agnes”的不同结果答案

【问题标题】：Different results for `hclust' and `agnes' using average link使用平均链接的“hclust”和“agnes”的不同结果
【发布时间】：2017-08-01 11:29:14
【问题描述】：

我正在对自定义模拟相似度矩阵应用一个简单的聚类过程。 (https://github.com/ewouddt/Files/blob/master/sim_col.RData)

但是，当使用 平均链接 时，我注意到 hclust 和 agnes 过程之间存在差异（注意：我观察到 完整链接 的行为相同也）

load("sim_col.RData") # A 606 x 606 similarity matrix
library(cluster)

c1 <- hclust(as.dist(1-sim_col),method="average")
c2 <- as.hclust(agnes(as.dist(1-sim_col),diss=TRUE,method="average"))

dev.new()
plot(c1)
dev.new()
plot(c2)

cut1 <- cutree(c1,k=20)
cut2 <- cutree(c2,k=20)
cut1
cut2

sort(table(cut1))
cut1
# cut1
# 10  18   9  19   3  20   4  11   7  15  17   5   6  12  16   2   8   1  13  14 
#  2   5   7   8  11  13  14  14  15  19  19  21  23  26  27  31  33  80  95 143
sort(table(cut2))
# cut2
# 18  20  19  11  17   7   8   4  12   5   9   3  10  16   2   6  14  13   1  15 
#  4   6   8   9   9  13  13  14  15  16  17  19  20  29  31  31  54  62 115 121

正如预期的那样，由于hclust 和agnes 的顺序不同，树状图看起来也不同。然而，切割标签（例如k=20）显示了不同（尽管相似）的观察结果。（例如，您可以看到两个结果之间的标签数量不同）

我犯了一个愚蠢的错误还是hclust 和agnes 在砍树后不应该返回完全相同的结果？如果这两个过程不应该返回相同的结果，那么这两个函数的区别在哪里？

【问题讨论】：

标签： r cluster-analysis hclust

【解决方案1】：

除单链接外，聚类结果可能不是唯一确定的。

考虑以下数据集：

1 2 3 4

三个最小值：合并 1 和 2，或 2 和 3，或 3 和 4。

除了单链接，我们会得到不同的结果，具体取决于我们是先合并 2 和 3 还是其他对中的一对。

特别是，通常的算法将不能够保证找到最佳解决方案。如果你想保证这一点，你很可能是 NP 完全的。但这也可能无关紧要。

【讨论】：