问题
我有一个随时由> 5个变量组成的数据框，并且正在尝试对其进行K均值。由于K-Means受离群值的影响很大，因此我一直试图寻找几个小时来计算和删除多元离群值。演示的大多数示例都带有2个变量。
探索了可能的解决方案
mvoutlier-此处的一位用户指出，我可能需要mvoutlier。
Another Outlier Detection Method-此处的发布者使用R函数进行了注释，以生成异常值的有序列表。
到目前为止的问题
关于mvoutlier，我无法生成结果，因为它指出我的数据集包含负数，因此无法运行。我不确定如何将数据更改为仅正数，因为我需要使用正负数。
关于另一种离群值检测方法，我能够提出一个离群值列表，但是不确定如何从当前数据集中排除它们。另外，我确实知道这些计算是在K均值之后进行的，因此我很可能会在进行K均值之前应用数学。
最小的可验证示例
不幸的是，我正在使用的数据集是禁止显示给任何人的，因此您需要的是任何具有3个以上变量的随机数据集。以下代码是从“另一种异常值检测方法”帖子转换而来的代码，可用于我的数据。如果您还有一个随机数据集，它应该可以动态工作。但是它应该有足够的数据，其中群集中心数量应为5。
clusterAmount <- 5
cluster <- kmeans(dataFrame, centers = clusterAmount, nstart = 20)
centers <- cluster$centers[cluster$cluster, ]
distances <- sqrt(rowSums(clusterDataFrame - centers)^2)
m <- tapply(distances, cluster$cluster, mean)
d <- distances/(m[cluster$cluster])
# 1% outliers
outliers <- d[order(d, decreasing = TRUE)][1:(nrow(clusterDataFrame) * .01)]
输出：我认为，离群列表是按离居所中心的距离排序的。然后的问题是将这些结果与数据框中的相应行配对，然后将其删除，这样我就可以开始我的K-Means程序了。 （请注意，在示例中，我在删除异常值之前使用了K-Means，但请确保在解决方案中确保采取必要的步骤并在K-Means之前删除异常值）。
题
有了另一个异常值检测方法示例，如何在执行K均值之前将结果与当前数据帧中的信息配对以排除那些行？
最佳答案
我不知道这是否真的有用，但是如果您的数据是多元正态的，您可能想尝试一种基于Wilks（1963）的方法。 Wilks表明，多元正态数据的马哈拉诺比斯距离遵循Beta分布。我们可以利用这一点（以iris Sepal数据为例）：
test.dat <- iris[,-c(1,2))]
Wilks.function <- function(dat){
n <- nrow(dat)
p <- ncol(dat)
# beta distribution
u <- n * mahalanobis(dat, center = colMeans(dat), cov = cov(dat))/(n-1)^2
w <- 1 - u
F.stat <- ((n-p-1)/p) * (1/w-1) # computing F statistic
p <- 1 - round( pf(F.stat, p, n-p-1), 3) # p value for each row
cbind(w, F.stat, p)
}
plot(test.dat,
col = "blue",
pch = c(15,16,17)[as.numeric(iris$Species)])
dat.rows <- Wilks.function(test.dat); head(dat.rows)
# w F.stat p
#[1,] 0.9888813 0.8264127 0.440
#[2,] 0.9907488 0.6863139 0.505
#[3,] 0.9869330 0.9731436 0.380
#[4,] 0.9847254 1.1400985 0.323
#[5,] 0.9843166 1.1710961 0.313
#[6,] 0.9740961 1.9545687 0.145
然后，我们可以简单地找到多元数据的哪些行与Beta分布明显不同。
outliers <- which(dat.rows[,"p"] < 0.05)
points(test.dat[outliers,],
col = "red",
pch = c(15,16,17)[as.numeric(iris$Species[outliers])])