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

  • 平行坐标图直观地展示了不同特征之间的关联性，setosa 与其他两类区分明显。数据需转换为长格式（gather），并确保分类变量（如 Species）正确映射到颜色（color=Species）。

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

  • setosa 的花瓣较小，但花萼较宽，与其他两类有明显差异。使用 ggRadar 绘制雷达图时，需注意数据标准化（rescale=FALSE 或 TRUE），否则不同变量的量纲差异会影响图形效果。

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

  • 星形图适合展示多变量数据的整体分布，setosa 的形态与其他两类明显不同。数据需转换为矩阵并标准化（scale=TRUE），否则图形比例失衡。

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

  • 脸谱图通过人脸的直观感知帮助识别数据模式，setosa 的脸谱与其他两类差异明显。数据需按组（如 Species）聚合（summarise），避免样本过多导致脸谱堆叠。

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。

4.1.1 图形观察和代码编写的心得体会

  • 系统聚类树状图能较好地区分 setosa，但 versicolor 和 virginica 的界限较模糊，可能需要调整聚类方法或参数。数据需先计算距离矩阵（dist）并标准化（scale），否则聚类结果受量纲影响。

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。

4.2.1 图形观察和代码编写的心得体会

  • K-means 能有效区分 setosa，但 versicolor 和 virginica 的区分度不如层次聚类明显。数据需标准化（scale）以避免某些特征主导聚类结果。

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

  • 热图直观地展示了数据的全局模式，setosa 的独特性和 versicolor/virginica 的相似性清晰可见。scale="none" 保持原始数值，若需标准化可改为 "row" 或 "column"。