反簇方法将元素池分隔开以最大化组间相似性或组内异质性。这个反聚类方法因此颠倒了聚类分析的逻辑努力实现集团内部高度同质性和明确分离组之间。从计算上看,反群集是通过以下方式实现的最大化而不是最小化聚类目标函数,例如作为簇内方差(用于k-means聚类)或和集群内的成对距离。主要功能anticustering()提供精确的启发式反聚集Papenberg和Klau(2021;<doi:10.1037/met0000301>),Brusco等人(2020年;<doi:10.1111/bmsp.12186>)和Papenberg(2024年;<doi:10.1111/bmsp.12315>)。精确的算法要求安装整数线性编程求解器,GNU线性编程工具包(<https://www.gnu.org/software/glpk/glpk.html>)以及接口包“Rglpk”(<https://cran.R-project.org/package=Rglpk>)或SYMPHONY ILP解算器(<https://github.com/coin-or/SYMPHONY>)连同接口包“Rsymphony”(<https://cran.r-project.org/package=Rsymphony>)。完全访问Brusco et al.(2020)提出的双标准反簇方法是通过函数bicriterion_anticlustering()给出,而kplus_anticlustering()实现了k-plus的全部功能Papenberg(2024)提出的反集群方法。其他一些函数可用于解决经典的聚类问题。这个函数balanced_clustering()应用大小以下的聚类分析约束,即创建大小相等的集群。功能matching()可用于(无限制、二部分或K部分)匹配。函数wce()可用于优化求解(加权)簇编辑问题,也称为相关性聚类、团划分问题或传递性聚类。
请使用规范形式https://CRAN.R-project.org/package=反腐败链接到此页面。