基于质心与聚类R中心之间的距离识别数据带

Question

我正尝试使用聚类来识别我的数据集中的带。我与供应链数据的工作，所以我的数据是这样的：

相关列是个每价格。

问题是，有时我们错误地认为该产品的价格是100而不是10，所以每个价格看起来像（2，0.25，3）。我想创建一个只创建集群的代码，如果其他集群的平均价格至少比所有现有集群大2倍或更少。

例如，如果我的每个价格是（4,5,6,13,14,15），我希望它返回质心为5和14的2个集群。另一方面，如果我的数据看起来像（3,4,5,6），它应该返回一个集群。

目标是创建一个代码，该代码返回已生成多个群集的项目的产品代码，以便我可以审核这些产品代码中的错误计量单位（案例100与案例10）。

我在考虑使用分裂层次聚类，但我不知道如何引入质心距离规则来创建新的聚类。

我对R很新，但是我有SQL和Stata的经验，所以我正在寻找一个可以做到这一点的软件包，或者帮助我完成这个任务的语法。

Answer 1

请勿在此处使用群集。尽管你可以使用具有类比距离函数和8x阈值的HAC，但这将会相当不可靠和昂贵：聚类通常需要O（n 2）或O（n 3）。

如果你知道这些错误发生，但不是频繁的，那么我宁愿使用经典统计方法。例如，计算的中位数，然后报告比中位数大9倍的值作为错误。如果错误不够频繁，甚至可以使用均值，但中值更加稳健。