第六章 样本相似性可视化课堂练习

Author

kaka

1 案例数据

1.1 iris：鸢尾花数据集

  • R语言内置的 iris 数据集（鸢尾花数据集）是统计学和机器学习领域最经典的案例数据集之一，由英国统计学家 Ronald Fisher 在1936年首次提出。它包含了3种鸢尾花的测量数据，每个类别有50个样本，共150行数据。
变量名 数据类型 单位 说明
Sepal.Length numeric cm 花萼（萼片）长度，即花朵最外层绿色叶状结构的长度
Sepal.Width numeric cm 花萼（萼片）宽度
Petal.Length numeric cm 花瓣长度，即花朵内部彩色叶状结构的长度
Petal.Width numeric cm 花瓣宽度
Species factor - 鸢尾花种类（分类标签），包含3个水平：
• setosa山鸢尾
• versicolor变色鸢尾
• virginica维吉尼亚鸢尾
  • setosa 类的花通常较小，花瓣短而宽，与其他两类差异明显；versicolor 和 virginica 在部分特征上有重叠，分类难度更高。

2 平行坐标图和雷达图

2.1 平行坐标图

  • ggplot(group=id)+geom_line+geom_point 绘图
  • Species 映射为颜色

2.1.1 图形观察和代码编写的心得体会

  • 平行坐标图非常适合展示多维数据，可以直观比较不同类别的特征

  • 从图中可以明显看出setosa与其他两个物种在花瓣测量值上有明显差异

  • versicolor和virginica在某些指标上有重叠但在花瓣长度和宽度上可以区分

  • 数据处理时保持因子顺序很重要，fct_inorder可以保持原始列顺序

  • 对于多线条图形，适当调整透明度可以提高可视化效果

  • 图例和标签的精心设计可以大大提高图形的可读性

2.2 雷达图

  • 采用ggiraphExtra::ggRadar 绘图

2.2.1 图形观察和代码编写的心得体会

  • 雷达图能直观展示多维数据中各物种的特征差异

  • 从归一化后的雷达图可以更清晰地比较各物种的相对特征

  • setosa的花瓣尺寸明显小于其他两类，花萼特征也有差异

  • versicolor和virginica在归一化后显示出更清晰的差异模式

  • 分面展示可以避免图形过度重叠，提高可读性

  • 合理设置alpha透明度可以改善重叠部分的视觉效果

  • ylim参数的调整对图形展示效果影响很大，需要根据数据范围合理设置

3 星图和脸谱图

3.1 星图

  • 采用stars 函数，对标准化数据绘制圆弧星图

  • 需要先将四个数值变量转化为矩阵，并将Species 作为矩阵的行名；

  • 设置图例在合适位置，能完整显示；将图形分为10行。

3.1.1 图形观察和代码编写的心得体会

  • 圆弧星图能清晰显示各测量指标的比例关系

  • 多边形星图则更强调各物种的整体形态差异

  • 明显可见setosa的花瓣尺寸（Petal.Length/Width）显著小于其他两类

  • versicolor和virginica在花萼指标上较为相似

3.2 脸谱图

  • 采用aplpack::faces 函数，作Species 三个类别的脸谱图
  • 需要先将四个数值变量转化为矩阵，并将Species 作为矩阵的行名；
  • 设置图例在合适位置，能完整显示；将图形分为3列。
effect of variables:
 modified item       Var           
 "height of face   " "Sepal.Length"
 "width of face    " "Sepal.Width" 
 "structure of face" "Petal.Length"
 "height of mouth  " "Petal.Width" 
 "width of mouth   " "Sepal.Length"
 "smiling          " "Sepal.Width" 
 "height of eyes   " "Petal.Length"
 "width of eyes    " "Petal.Width" 
 "height of hair   " "Sepal.Length"
 "width of hair   "  "Sepal.Width" 
 "style of hair   "  "Petal.Length"
 "height of nose  "  "Petal.Width" 
 "width of nose   "  "Sepal.Length"
 "width of ear    "  "Sepal.Width" 
 "height of ear   "  "Petal.Length"

3.2.1 图形观察和代码编写的心得体会

  • 三种鸢尾花的脸部特征有明显差异

  • setosa的脸型（可能对应花萼指标）最为”圆润”

  • virginica的脸部特征（可能对应花瓣指标）最为”夸张”

  • 脸谱的嘴巴、眼睛等部位差异反映了各测量指标的大小关系

4 聚类图和热图

4.1 系统聚类树状图

  • 采用factoextra::fviz_dend 函数，对标准化后数据作图；
  • 需要先将四个数值变量转化为矩阵，并将Species 作为矩阵的行名；
  • 要求分为3类，观察分类结果和Species 的差异；树状图的外观为圆形。

        真实类别
聚类结果 setosa versicolor virginica
       1     49          0         0
       2      1         27         2
       3      0         23        48

4.1.1 图形观察和代码编写的心得体会

  • 树状图清晰显示setosa与其他两类明显分离

  • versicolor和virginica存在部分重叠

  • 圆形布局适合展示中等规模数据集（150个样本）

4.2 K-menas聚类主成分图

  • 采用factoextra::fviz_cluster 函数，对标准化后数据作图；

  • 需要先将四个数值变量转化为矩阵，并将1：150 作为矩阵的行名；

  • 要求分为3类，类别轮廓为正态分布，观察哪些观察值比较异常。

最异常的5个样本编号: 132, 118, 61, 110, 119

4.2.1 图形观察和代码编写的心得体会

  • 主成分图显示三个簇的分离情况

  • 正态椭圆显示versicolor和virginica有部分重叠区域

  • 异常点多位于两类交界处

4.3 热图

  • 采用gplots::heatmap.2 函数，对原始数据绘制热力图

  • 需要先将四个数值变量转化为矩阵，并将Species 作为矩阵的行名；

  • 要求横轴和纵轴均添加聚类树状图

4.3.1 图形观察和代码编写的心得体会

  • 关键参数设置：

    • dendrogram="both"同时显示行列聚类树

    • col=bluered(100)提供直观的温度图效果

    • margins=c(8,8)适应长标签显示

  • 可视化发现：

    • 行聚类清晰分离三个物种（setosa明显独立）

    • 列聚类显示花萼和花瓣指标各自聚为两类

    • 颜色梯度揭示virginica的花瓣尺寸普遍较大