说明
之前使用k均值方法将数据划分到不同的簇中，但当变量个数大于2时，就无法在二维空间中展示数据聚类的过程，因此可以使用二元聚类图先将变量减少成两个主要成分，然后利用组件（诸如轴线和椭圆）来展示数据聚类的结果。
操作
载入包，绘制二元聚类图
library("cluster")
clusplot(customer,fit$cluster,color = TRUE,shade = TRUE)
二元聚类图
对二元聚类图进行标记并放大：
par(mfrow = c(1,2))
clusplot(customer,fit$cluster,color = TRUE,shade = TRUE)
rect(-0.7,-1.7,2.2,-1.2,border = "orange",lwd = 2)
clusplot(customer,fit$cluster,color = TRUE,xlim = c(-0.7,2.2),ylim =c(-1.7,-1.2))
原理
本节绘制了一个二元聚类图以展示数据聚类的过程，我们首先安装和导入cluster算法包，然后使用clusplot函数绘制customer数据集的二元聚类图，clusplot函数的shade和color参数值均被设置成TRUE,得到一个彩色且带边框的聚类。 在得到的结果图中，可以得知二元聚类使用了两个成分，x轴与y轴涵盖了85.01%的数据点，数据点根据成分1和成分2的取值散落在图中，同一簇内的数据点采用相同的颜色和形状绘制。
我们还使用了rect函数来增加一个矩形框对给定x轴和y轴内的簇进行特别标注，然后调用clusplot函数，设置好xlim与ylim参数的值，将被选中的簇放大到显示以便不好的观测簇内数据点的特征。
R语言将层次聚类中的树分成簇说明
在聚类树图中可以观测到聚类的层次，但是仍然得不到组的信息，不过我们可以定义一个聚类树图会拥有多少个簇，并控制树的高度以便将树分成不同的组。
操作
接上节的数据hc
将数据分成四组
fit = cutree(hc,4)
检查数据的簇标签
fit
[1] 1 1 2 1 2 1 2 2 1 1 1 2 2 1 1 1 2 1 2 3 4 3 4 3 3 4 4 3 4 4 4 3 3 3 4 4 3 4 4 4 4 4 4 4 3 3 4 4 4 3 4 3 3 4 4 4 3 4 4 3
统计每一个簇中的对象数
table(fit)
fit
1 2 3 4
11 8 16 25
使用红色矩形框可视化矩形的簇
plot(hc,hang = -0.01,cex =0.7)
rect.hclust(hc,k=4,border = "red")
除了使用红色矩形来框来界定簇，还可以使用它对单独某个簇进行标记：
plot(hc,hang = -0.01,cex =0.7)
rect.hclust(hc,k = 4,which = 2,border = "red")
标记特定簇
还可以调用dendextend包，使用不同的颜色来绘制红色矩形框的各个不同聚簇。
根据分支所在的不同簇，对其涂色
library(dendextend)#delete
dend %>% color_branches(k=4) %>% plot(horiz = TRUE,main = "Horizontal Dendrogram")
不同簇不同色
在这些簇周围添加红色矩形框
dend %>% color_branches(k=4) %>% plot(horiz = TRUE,main = "Horizontal Dendrogram")
dend %>% rect.dendrogram(k=4,horiz = TRUE)
最后，在图中添加一条切割线来展示对树的操作结：
dend %>% color_branches(k=4) %>% plot(horiz = TRUE,main = "Horizontal Dendrogram")
dend %>% rect.dendrogram(k=4,horiz = TRUE)
abline(v = heights_per_k.dendrogram(dend)["4"] + .1,lwd = 2,lty = 2,col = "blue")
水平聚类树中绘制分割线
