基於質心與聚類R中心之間的距離識別數據帶

Question

我正嘗試使用聚類來識別我的數據集中的帶。我與供應鏈數據的工作，所以我的數據是這樣的：

相關列是個每價格。

問題是，有時我們錯誤地認爲該產品的價格是100而不是10，所以每個價格看起來像（2，0.25，3）。我想創建一個只創建集羣的代碼，如果其他集羣的平均價格至少比所有現有集羣大2倍或更少。

例如，如果我的每個價格是（4,5,6,13,14,15），我希望它返回質心爲5和14的2個集羣。另一方面，如果我的數據看起來像（3,4,5,6），它應該返回一個集羣。

目標是創建一個代碼，該代碼返回已生成多個羣集的項目的產品代碼，以便我可以審覈這些產品代碼中的錯誤計量單位（案例100與案例10）。

我在考慮使用分裂層次聚類，但我不知道如何引入質心距離規則來創建新的聚類。

我對R很新，但是我有SQL和Stata的經驗，所以我正在尋找一個可以做到這一點的軟件包，或者幫助我完成這個任務的語法。

Answer 1

請勿在此處使用羣集。儘管你可以使用具有類比距離函數和8x閾值的HAC，但這將會相當不可靠和昂貴：聚類通常需要O（n 2）或O（n 3）。

如果你知道這些錯誤發生，但不是頻繁的，那麼我寧願使用經典統計方法。例如，計算的中位數，然後報告比中位數大9倍的值作爲錯誤。如果錯誤不夠頻繁，甚至可以使用均值，但中值更加穩健。