昨日暫定何かが学ぶことがなかった
分析例をクラスタリング：
データはまだ2012年に31個の省と自治区に住む都市住民の消費の分布で、地方消費の種類を行うためには、調査データに応じて分割しました。
`read.tableを「= d3.8（ "クリップボード"、ヘッダ= T）
d3.8の
プロット（d3.8、GAP = 0）
D = DIST（d3.8、T = DIAG、アッパー= T）
D
予備理解その後、異なるクラスタリング
最短距離法プロット（hclust（D、 '単'））
プロット（hclust（D、 '完了'））ネイバー法の
プロット（hclust（D、 '中央値 '）） 方式、中間距離の
プロットを（ hclust（D、 '平均'） ）の平均類似性
プロット（hclust（D '重心 '）） メソッド重力
プロット（hclust（D 'ward.D '））ward.D 方法
H = hclust（D「病棟.D2 '）
プロット（H）
rect.hclust（H 2）に加えて第2カテゴリーボックス
の2つのカテゴリに分類cutree（H、2）
H = hclust（D' ward.D2「）
プロット（H）
rect.hclust（H 3）は、3つのブロックの追加
の3つのタイプがcutree（H、3）
ので、四つのカテゴリー...
：新しいコンテンツ
法クラスタリングK-手段
関数kmeansクラスタリング方法は、迅速な方法であり、このアルゴリズムの基本的な考え方は、最も近いクラス中心（平均）の各サンプルを割り当てることです。
原理：関数kmeansアルゴリズムパラメータKは、N個のオブジェクトは、k個のクラス、インナー類似度の高いクラス、下位クラスとの間の類似性に分けられます。類似度計算は、平均値の平均クラスオブジェクトに基づいて行われます。
関数kmeans使用法：
関数kmeans（X、センター、...）、データブロックまたはデータ行列X、センタークラスタまたはクラスタ中心の初期数。次には例えば
