大家好！在这篇文章中，我将向你展示如何在R中进行层次聚类。
什么是分层聚类？
分层聚类是一种可供选择的方法，它可以自下而上地构建层次结构，并且不需要我们事先指定聚类的数量。
该算法的工作原理如下：
将每个数据点放入其自己的群集中。
确定最近的两个群集并将它们组合成一个群集。
重复上述步骤，直到所有数据点位于一个群集中。
一旦完成，它通常由树状结构表示。
让我们看看分层聚类算法可以做得多好。我们可以使用hclust这个。hclust要求我们以距离矩阵的形式提供数据。我们可以通过使用dist。默认情况下，使用完整的链接方法。
这会生成以下树形图：
从图中我们可以看出，群集总数的最佳选择是3或4：
要做到这一点，我们可以使用所需数量的群集来切断树cutree。
现在，让我们将它与原始物种进行比较。
它看起来像算法成功地将物种setosa的所有花分为簇1，并将virginica分为簇2，但是与花斑杂交有困难。如果你看看显示不同物种的原始图，你可以理解为什么：
让我们看看我们是否可以通过使用不同的连接方法更好。这一次，我们将使用平均连接方法：
这给了我们以下树状图：
我们可以看到，群集数量的两个最佳选择是3或5.让我们用cutree它来将它降到3个群集。
我们可以看到，这一次，该算法在聚类数据方面做得更好，只有6个数据点出错。
我们可以如下绘制它与原始数据进行比较：
这给了我们下面的图表：
内部颜色与外部颜色不匹配的所有点都是不正确聚类的点。
多层回归模型通常涉及到对同一个体进行反复测量，这样得到的数据就不再相互独立而是存在某种相关性，所以普通线性回归不再适用。当这种反复测量是在不同时点上进行时，这就称为面板数据分析（panel data analysis）或者纵向数据分析（longitudinal data analysis）。在R语言中使用Logistic回归模型： Logistic模型主要有三大用途：1）寻找危险因素，找到某些影响因变量的"坏因素"，一般可以通过优势比发现危险因素；2）用于预测，可以预测某种情况发生的概率或可能性大小；3）用于判别，判断某个新样本所属的类别。Logistic模型实际上是一种回归模型，但这种模型又与普通的线性回归模型又有一定的区别：1）Logistic回归模型的因变量为二分类变量；2）该模型的因变量和自变量之间不存在线性关系；3）一般线性回归模型中需要假设独立同分布、方差齐性等，而Logistic回归模型不需要；4）Logistic回归没有关于自变量分布的假设条件，可以是连续变量、离散变量和虚拟变量；5）由于因变量和自变量之间不存在线性关系，所以参数(偏回归系数)使用最大似然估计法计算。-
