Date: 2019-12-25 22:25:00 CET, cola version: 1.3.2
Document is loading...
All available functions which can be applied to this res_list object:
res_list
#> A 'ConsensusPartitionList' object with 24 methods.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows are extracted by 'SD, CV, MAD, ATC' methods.
#> Subgroups are detected by 'hclust, kmeans, skmeans, pam, mclust, NMF' method.
#> Number of partitions are tried for k = 2, 3, 4, 5, 6.
#> Performed in total 30000 partitions by row resampling.
#>
#> Following methods can be applied to this 'ConsensusPartitionList' object:
#> [1] "cola_report" "collect_classes" "collect_plots" "collect_stats"
#> [5] "colnames" "functional_enrichment" "get_anno_col" "get_anno"
#> [9] "get_classes" "get_matrix" "get_membership" "get_stats"
#> [13] "is_best_k" "is_stable_k" "ncol" "nrow"
#> [17] "rownames" "show" "suggest_best_k" "test_to_known_factors"
#> [21] "top_rows_heatmap" "top_rows_overlap"
#>
#> You can get result for a single method by, e.g. object["SD", "hclust"] or object["SD:hclust"]
#> or a subset of methods by object[c("SD", "CV")], c("hclust", "kmeans")]
The call of run_all_consensus_partition_methods() was:
#> run_all_consensus_partition_methods(data = mat, mc.cores = 4)
Dimension of the input matrix:
mat = get_matrix(res_list)
dim(mat)
#> [1] 16714 169
The density distribution for each sample is visualized as in one column in the following heatmap. The clustering is based on the distance which is the Kolmogorov-Smirnov statistic between two distributions.
library(ComplexHeatmap)
densityHeatmap(mat, ylab = "value", cluster_columns = TRUE, show_column_names = FALSE,
mc.cores = 4)
Folowing table shows the best k (number of partitions) for each combination
of top-value methods and partition methods. Clicking on the method name in
the table goes to the section for a single combination of methods.
The cola vignette explains the definition of the metrics used for determining the best number of partitions.
suggest_best_k(res_list)
| The best k | 1-PAC | Mean silhouette | Concordance | Optional k | ||
|---|---|---|---|---|---|---|
| SD:skmeans | 2 | 1.000 | 0.960 | 0.983 | ** | |
| MAD:skmeans | 2 | 1.000 | 0.995 | 0.998 | ** | |
| MAD:NMF | 2 | 1.000 | 0.999 | 1.000 | ** | |
| ATC:hclust | 2 | 1.000 | 0.998 | 0.999 | ** | |
| ATC:skmeans | 2 | 1.000 | 0.970 | 0.988 | ** | |
| SD:NMF | 4 | 0.931 | 0.913 | 0.950 | * | |
| ATC:pam | 5 | 0.918 | 0.917 | 0.966 | * | 2 |
| ATC:NMF | 2 | 0.910 | 0.919 | 0.965 | * | |
| CV:NMF | 4 | 0.817 | 0.910 | 0.941 | ||
| MAD:mclust | 2 | 0.782 | 0.812 | 0.917 | ||
| SD:pam | 4 | 0.733 | 0.795 | 0.900 | ||
| MAD:pam | 4 | 0.704 | 0.791 | 0.900 | ||
| ATC:kmeans | 3 | 0.685 | 0.955 | 0.938 | ||
| CV:pam | 3 | 0.628 | 0.921 | 0.918 | ||
| SD:mclust | 5 | 0.620 | 0.630 | 0.754 | ||
| MAD:hclust | 3 | 0.534 | 0.873 | 0.907 | ||
| SD:hclust | 3 | 0.490 | 0.789 | 0.878 | ||
| CV:skmeans | 2 | 0.445 | 0.857 | 0.908 | ||
| MAD:kmeans | 2 | 0.426 | 0.838 | 0.874 | ||
| SD:kmeans | 2 | 0.283 | 0.753 | 0.825 | ||
| CV:hclust | 3 | 0.270 | 0.686 | 0.791 | ||
| ATC:mclust | 3 | 0.258 | 0.679 | 0.764 | ||
| CV:mclust | 2 | 0.257 | 0.758 | 0.839 | ||
| CV:kmeans | 4 | 0.154 | 0.540 | 0.675 |
**: 1-PAC > 0.95, *: 1-PAC > 0.9
Cumulative distribution function curves of consensus matrix for all methods.
collect_plots(res_list, fun = plot_ecdf)
Consensus heatmaps for all methods. (What is a consensus heatmap?)
collect_plots(res_list, k = 2, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 3, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 4, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 5, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 6, fun = consensus_heatmap, mc.cores = 4)
Membership heatmaps for all methods. (What is a membership heatmap?)
collect_plots(res_list, k = 2, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 3, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 4, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 5, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 6, fun = membership_heatmap, mc.cores = 4)
Signature heatmaps for all methods. (What is a signature heatmap?)
Note in following heatmaps, rows are scaled.
collect_plots(res_list, k = 2, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 3, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 4, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 5, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 6, fun = get_signatures, mc.cores = 4)
The statistics used for measuring the stability of consensus partitioning. (How are they defined?)
get_stats(res_list, k = 2)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 2 0.891 0.946 0.958 0.332 0.699 0.699
#> CV:NMF 2 0.398 0.830 0.892 0.454 0.519 0.519
#> MAD:NMF 2 1.000 0.999 1.000 0.302 0.699 0.699
#> ATC:NMF 2 0.910 0.919 0.965 0.431 0.581 0.581
#> SD:skmeans 2 1.000 0.960 0.983 0.500 0.498 0.498
#> CV:skmeans 2 0.445 0.857 0.908 0.495 0.506 0.506
#> MAD:skmeans 2 1.000 0.995 0.998 0.502 0.498 0.498
#> ATC:skmeans 2 1.000 0.970 0.988 0.489 0.512 0.512
#> SD:mclust 2 0.616 0.852 0.928 0.411 0.618 0.618
#> CV:mclust 2 0.257 0.758 0.839 0.452 0.497 0.497
#> MAD:mclust 2 0.782 0.812 0.917 0.381 0.699 0.699
#> ATC:mclust 2 0.647 0.767 0.910 0.248 0.746 0.746
#> SD:kmeans 2 0.283 0.753 0.825 0.415 0.506 0.506
#> CV:kmeans 2 0.160 0.474 0.725 0.338 0.763 0.763
#> MAD:kmeans 2 0.426 0.838 0.874 0.452 0.498 0.498
#> ATC:kmeans 2 0.735 0.898 0.915 0.401 0.524 0.524
#> SD:pam 2 0.487 0.665 0.836 0.488 0.533 0.533
#> CV:pam 2 0.571 0.803 0.866 0.269 0.714 0.714
#> MAD:pam 2 0.421 0.702 0.823 0.494 0.512 0.512
#> ATC:pam 2 1.000 0.983 0.992 0.256 0.755 0.755
#> SD:hclust 2 0.458 0.863 0.877 0.330 0.699 0.699
#> CV:hclust 2 0.532 0.827 0.894 0.231 0.818 0.818
#> MAD:hclust 2 0.858 0.915 0.955 0.332 0.699 0.699
#> ATC:hclust 2 1.000 0.998 0.999 0.246 0.755 0.755
get_stats(res_list, k = 3)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 3 0.8480 0.933 0.966 0.8862 0.652 0.506
#> CV:NMF 3 0.7561 0.835 0.898 0.3983 0.701 0.493
#> MAD:NMF 3 0.8773 0.896 0.957 1.1099 0.653 0.508
#> ATC:NMF 3 0.5387 0.804 0.880 0.4586 0.632 0.438
#> SD:skmeans 3 0.6063 0.711 0.829 0.2826 0.837 0.686
#> CV:skmeans 3 0.4616 0.779 0.860 0.3045 0.703 0.479
#> MAD:skmeans 3 0.6915 0.805 0.889 0.3130 0.738 0.519
#> ATC:skmeans 3 0.6527 0.582 0.797 0.2769 0.926 0.856
#> SD:mclust 3 0.4610 0.613 0.728 0.4830 0.703 0.550
#> CV:mclust 3 0.2858 0.424 0.726 0.2472 0.605 0.401
#> MAD:mclust 3 0.5852 0.873 0.915 0.3016 0.848 0.782
#> ATC:mclust 3 0.2581 0.679 0.764 1.0255 0.599 0.489
#> SD:kmeans 3 0.2934 0.692 0.737 0.4009 0.908 0.819
#> CV:kmeans 3 0.0998 0.516 0.599 0.4936 0.714 0.647
#> MAD:kmeans 3 0.3218 0.606 0.707 0.3480 0.741 0.538
#> ATC:kmeans 3 0.6847 0.955 0.938 0.4555 0.626 0.420
#> SD:pam 3 0.8510 0.908 0.963 0.0755 0.871 0.774
#> CV:pam 3 0.6281 0.921 0.918 0.7555 0.803 0.726
#> MAD:pam 3 0.5292 0.747 0.857 0.2550 0.761 0.571
#> ATC:pam 3 0.6839 0.800 0.892 1.2855 0.632 0.512
#> SD:hclust 3 0.4904 0.789 0.878 0.7975 0.693 0.560
#> CV:hclust 3 0.2704 0.686 0.791 0.9552 0.762 0.709
#> MAD:hclust 3 0.5336 0.873 0.907 0.4454 0.870 0.814
#> ATC:hclust 3 0.7122 0.917 0.951 1.3872 0.657 0.545
get_stats(res_list, k = 4)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 4 0.931 0.913 0.950 0.1817 0.817 0.544
#> CV:NMF 4 0.817 0.910 0.941 0.1605 0.788 0.487
#> MAD:NMF 4 0.628 0.529 0.767 0.1171 0.956 0.883
#> ATC:NMF 4 0.675 0.760 0.871 0.1664 0.850 0.614
#> SD:skmeans 4 0.597 0.698 0.815 0.1446 0.855 0.643
#> CV:skmeans 4 0.650 0.681 0.761 0.1465 0.872 0.648
#> MAD:skmeans 4 0.728 0.775 0.874 0.1117 0.899 0.712
#> ATC:skmeans 4 0.661 0.644 0.817 0.1406 0.743 0.462
#> SD:mclust 4 0.648 0.454 0.753 0.1281 0.803 0.575
#> CV:mclust 4 0.435 0.675 0.795 0.0620 0.656 0.443
#> MAD:mclust 4 0.644 0.822 0.874 0.4212 0.716 0.488
#> ATC:mclust 4 0.306 0.642 0.772 0.2073 0.646 0.395
#> SD:kmeans 4 0.419 0.633 0.684 0.1784 0.839 0.636
#> CV:kmeans 4 0.154 0.540 0.675 0.2220 0.799 0.655
#> MAD:kmeans 4 0.430 0.490 0.650 0.1502 0.796 0.531
#> ATC:kmeans 4 0.596 0.605 0.784 0.1519 0.958 0.894
#> SD:pam 4 0.733 0.795 0.900 0.3306 0.741 0.496
#> CV:pam 4 0.705 0.877 0.924 0.1870 0.939 0.883
#> MAD:pam 4 0.704 0.791 0.900 0.1768 0.817 0.549
#> ATC:pam 4 0.755 0.805 0.911 0.2317 0.756 0.459
#> SD:hclust 4 0.585 0.637 0.714 0.1476 0.865 0.684
#> CV:hclust 4 0.235 0.780 0.755 0.2385 0.762 0.595
#> MAD:hclust 4 0.658 0.816 0.856 0.4036 0.791 0.632
#> ATC:hclust 4 0.737 0.913 0.948 0.0801 0.953 0.885
get_stats(res_list, k = 5)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 5 0.760 0.721 0.808 0.0701 0.894 0.630
#> CV:NMF 5 0.740 0.743 0.803 0.0764 0.933 0.749
#> MAD:NMF 5 0.619 0.553 0.701 0.0780 0.847 0.579
#> ATC:NMF 5 0.652 0.715 0.837 0.0741 0.899 0.649
#> SD:skmeans 5 0.770 0.767 0.876 0.0803 0.808 0.442
#> CV:skmeans 5 0.697 0.731 0.817 0.0722 0.896 0.632
#> MAD:skmeans 5 0.797 0.808 0.891 0.0808 0.834 0.484
#> ATC:skmeans 5 0.758 0.715 0.817 0.0675 0.868 0.567
#> SD:mclust 5 0.620 0.630 0.754 0.0997 0.806 0.479
#> CV:mclust 5 0.495 0.519 0.719 0.2105 0.802 0.573
#> MAD:mclust 5 0.706 0.725 0.845 0.0962 0.930 0.756
#> ATC:mclust 5 0.496 0.556 0.757 0.1789 0.802 0.548
#> SD:kmeans 5 0.540 0.597 0.691 0.0820 0.901 0.689
#> CV:kmeans 5 0.302 0.507 0.650 0.1137 0.938 0.845
#> MAD:kmeans 5 0.520 0.595 0.693 0.0816 0.852 0.550
#> ATC:kmeans 5 0.598 0.566 0.737 0.0933 0.864 0.641
#> SD:pam 5 0.667 0.586 0.821 0.0854 0.885 0.649
#> CV:pam 5 0.601 0.803 0.856 0.2309 0.852 0.681
#> MAD:pam 5 0.791 0.802 0.893 0.0690 0.877 0.588
#> ATC:pam 5 0.918 0.917 0.966 0.0270 0.962 0.868
#> SD:hclust 5 0.625 0.690 0.776 0.0720 0.859 0.604
#> CV:hclust 5 0.422 0.739 0.777 0.1776 0.995 0.986
#> MAD:hclust 5 0.738 0.833 0.871 0.1456 0.866 0.627
#> ATC:hclust 5 0.710 0.811 0.902 0.1044 0.939 0.833
get_stats(res_list, k = 6)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 6 0.771 0.704 0.804 0.0384 0.913 0.626
#> CV:NMF 6 0.771 0.662 0.798 0.0415 0.914 0.631
#> MAD:NMF 6 0.655 0.589 0.702 0.0443 0.939 0.744
#> ATC:NMF 6 0.578 0.572 0.711 0.0259 0.958 0.810
#> SD:skmeans 6 0.800 0.811 0.859 0.0414 0.934 0.699
#> CV:skmeans 6 0.753 0.684 0.763 0.0387 0.942 0.734
#> MAD:skmeans 6 0.814 0.787 0.858 0.0430 0.973 0.873
#> ATC:skmeans 6 0.763 0.770 0.826 0.0376 0.936 0.738
#> SD:mclust 6 0.640 0.559 0.762 0.0139 0.852 0.544
#> CV:mclust 6 0.637 0.608 0.779 0.0864 0.865 0.552
#> MAD:mclust 6 0.727 0.739 0.856 0.0140 0.964 0.843
#> ATC:mclust 6 0.556 0.543 0.723 0.0503 0.850 0.549
#> SD:kmeans 6 0.590 0.585 0.680 0.0531 0.968 0.868
#> CV:kmeans 6 0.433 0.441 0.643 0.0767 0.970 0.914
#> MAD:kmeans 6 0.631 0.620 0.691 0.0494 0.969 0.860
#> ATC:kmeans 6 0.631 0.512 0.694 0.0534 0.925 0.747
#> SD:pam 6 0.768 0.659 0.799 0.0397 0.837 0.485
#> CV:pam 6 0.732 0.854 0.892 0.0602 0.952 0.850
#> MAD:pam 6 0.834 0.773 0.844 0.0302 0.963 0.834
#> ATC:pam 6 0.808 0.858 0.923 0.0354 0.964 0.867
#> SD:hclust 6 0.685 0.772 0.799 0.0632 0.977 0.906
#> CV:hclust 6 0.538 0.803 0.788 0.1245 0.869 0.629
#> MAD:hclust 6 0.782 0.884 0.842 0.0475 0.945 0.755
#> ATC:hclust 6 0.678 0.790 0.853 0.0671 0.951 0.840
Following heatmap plots the partition for each combination of methods and the lightness correspond to the silhouette scores for samples in each method. On top the consensus subgroup is inferred from all methods by taking the mean silhouette scores as weight.
collect_stats(res_list, k = 2)
collect_stats(res_list, k = 3)
collect_stats(res_list, k = 4)
collect_stats(res_list, k = 5)
collect_stats(res_list, k = 6)
Collect partitions from all methods:
collect_classes(res_list, k = 2)
collect_classes(res_list, k = 3)
collect_classes(res_list, k = 4)
collect_classes(res_list, k = 5)
collect_classes(res_list, k = 6)
Overlap of top rows from different top-row methods:
top_rows_overlap(res_list, top_n = 1000, method = "euler")
top_rows_overlap(res_list, top_n = 2000, method = "euler")
top_rows_overlap(res_list, top_n = 3000, method = "euler")
top_rows_overlap(res_list, top_n = 4000, method = "euler")
top_rows_overlap(res_list, top_n = 5000, method = "euler")
Also visualize the correspondance of rankings between different top-row methods:
top_rows_overlap(res_list, top_n = 1000, method = "correspondance")
top_rows_overlap(res_list, top_n = 2000, method = "correspondance")
top_rows_overlap(res_list, top_n = 3000, method = "correspondance")
top_rows_overlap(res_list, top_n = 4000, method = "correspondance")
top_rows_overlap(res_list, top_n = 5000, method = "correspondance")
Heatmaps of the top rows:
top_rows_heatmap(res_list, top_n = 1000)
top_rows_heatmap(res_list, top_n = 2000)
top_rows_heatmap(res_list, top_n = 3000)
top_rows_heatmap(res_list, top_n = 4000)
top_rows_heatmap(res_list, top_n = 5000)
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "hclust"]
# you can also extract it by
# res = res_list["SD:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.458 0.863 0.877 0.3302 0.699 0.699
#> 3 3 0.490 0.789 0.878 0.7975 0.693 0.560
#> 4 4 0.585 0.637 0.714 0.1476 0.865 0.684
#> 5 5 0.625 0.690 0.776 0.0720 0.859 0.604
#> 6 6 0.685 0.772 0.799 0.0632 0.977 0.906
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.8661 0.753 0.288 0.712
#> ERR315339 2 0.0376 0.881 0.004 0.996
#> ERR315376 2 0.0376 0.881 0.004 0.996
#> ERR315343 2 0.0000 0.880 0.000 1.000
#> ERR315342 2 0.0000 0.880 0.000 1.000
#> ERR315468 2 0.7745 0.795 0.228 0.772
#> ERR315434 2 0.0376 0.881 0.004 0.996
#> ERR315489 2 0.0376 0.881 0.004 0.996
#> ERR315371 1 0.8499 0.970 0.724 0.276
#> ERR315433 2 0.0376 0.881 0.004 0.996
#> ERR315368 2 0.0376 0.881 0.004 0.996
#> ERR315465 1 0.6531 0.878 0.832 0.168
#> ERR315437 1 0.6531 0.878 0.832 0.168
#> ERR315327 2 0.8144 0.779 0.252 0.748
#> ERR315394 2 0.8144 0.779 0.252 0.748
#> ERR315427 2 0.7453 0.804 0.212 0.788
#> ERR315360 2 0.7453 0.804 0.212 0.788
#> ERR315426 1 0.8499 0.970 0.724 0.276
#> ERR315387 1 0.8499 0.970 0.724 0.276
#> ERR315475 1 0.8499 0.970 0.724 0.276
#> ERR315395 1 0.8499 0.970 0.724 0.276
#> ERR315333 1 0.8499 0.970 0.724 0.276
#> ERR315460 2 0.0376 0.881 0.004 0.996
#> ERR315372 2 0.0376 0.881 0.004 0.996
#> ERR315472 2 0.0376 0.881 0.004 0.996
#> ERR315398 2 0.0376 0.881 0.004 0.996
#> ERR315409 2 0.8661 0.753 0.288 0.712
#> ERR315423 2 0.8661 0.753 0.288 0.712
#> ERR315402 2 0.0000 0.880 0.000 1.000
#> ERR315458 2 0.0000 0.880 0.000 1.000
#> ERR315366 1 0.6531 0.878 0.832 0.168
#> ERR315345 1 0.6531 0.878 0.832 0.168
#> ERR315326 2 0.7453 0.804 0.212 0.788
#> ERR315424 2 0.7453 0.804 0.212 0.788
#> ERR315382 2 0.0000 0.880 0.000 1.000
#> ERR315325 2 0.0000 0.880 0.000 1.000
#> ERR315369 2 0.8608 0.756 0.284 0.716
#> ERR315485 2 0.8608 0.756 0.284 0.716
#> ERR315420 2 0.0000 0.880 0.000 1.000
#> ERR315459 2 0.0000 0.880 0.000 1.000
#> ERR315353 2 0.7453 0.804 0.212 0.788
#> ERR315487 2 0.7453 0.804 0.212 0.788
#> ERR315378 2 0.0000 0.880 0.000 1.000
#> ERR315431 2 0.0000 0.880 0.000 1.000
#> ERR315335 2 0.0000 0.880 0.000 1.000
#> ERR315452 2 0.0000 0.880 0.000 1.000
#> ERR315471 1 0.8499 0.970 0.724 0.276
#> ERR315390 1 0.8499 0.970 0.724 0.276
#> ERR315329 1 0.8499 0.970 0.724 0.276
#> ERR315393 1 0.8499 0.970 0.724 0.276
#> ERR315488 1 0.8499 0.970 0.724 0.276
#> ERR315351 2 0.0000 0.880 0.000 1.000
#> ERR315350 2 0.0000 0.880 0.000 1.000
#> ERR315381 2 0.8661 0.753 0.288 0.712
#> ERR315388 2 0.8661 0.753 0.288 0.712
#> ERR315418 2 0.0000 0.880 0.000 1.000
#> ERR315449 2 0.0000 0.880 0.000 1.000
#> ERR315490 2 0.0376 0.881 0.004 0.996
#> ERR315495 2 0.0376 0.881 0.004 0.996
#> ERR315361 2 0.0376 0.881 0.004 0.996
#> ERR315419 2 0.8661 0.753 0.288 0.712
#> ERR315344 2 0.8661 0.753 0.288 0.712
#> ERR315414 2 0.8144 0.779 0.252 0.748
#> ERR315352 2 0.0000 0.880 0.000 1.000
#> ERR315410 2 0.0376 0.881 0.004 0.996
#> ERR315349 2 0.7453 0.804 0.212 0.788
#> ERR315474 2 0.7453 0.804 0.212 0.788
#> ERR315470 2 0.7453 0.804 0.212 0.788
#> ERR315428 2 0.0000 0.880 0.000 1.000
#> ERR315363 2 0.0000 0.880 0.000 1.000
#> ERR315469 1 0.8499 0.970 0.724 0.276
#> ERR315425 1 0.8499 0.970 0.724 0.276
#> ERR315476 2 0.0376 0.881 0.004 0.996
#> ERR315478 2 0.0376 0.881 0.004 0.996
#> ERR315362 2 0.0376 0.881 0.004 0.996
#> ERR315411 2 0.0376 0.881 0.004 0.996
#> ERR315416 1 0.8499 0.970 0.724 0.276
#> ERR315405 1 0.8499 0.970 0.724 0.276
#> ERR315408 2 0.8661 0.753 0.288 0.712
#> ERR315364 2 0.8661 0.753 0.288 0.712
#> ERR315359 2 0.0376 0.881 0.004 0.996
#> ERR315330 2 0.0376 0.881 0.004 0.996
#> ERR315384 2 0.0000 0.880 0.000 1.000
#> ERR315413 2 0.0000 0.880 0.000 1.000
#> ERR315332 2 0.0000 0.880 0.000 1.000
#> ERR315334 2 0.7453 0.804 0.212 0.788
#> ERR315447 2 0.7453 0.804 0.212 0.788
#> ERR315453 2 0.7453 0.804 0.212 0.788
#> ERR315442 2 0.8661 0.753 0.288 0.712
#> ERR315457 2 0.8661 0.753 0.288 0.712
#> ERR315392 2 0.0000 0.880 0.000 1.000
#> ERR315450 2 0.0000 0.880 0.000 1.000
#> ERR315462 2 0.8661 0.753 0.288 0.712
#> ERR315328 2 0.0000 0.880 0.000 1.000
#> ERR315389 2 0.0000 0.880 0.000 1.000
#> ERR315435 2 0.0000 0.880 0.000 1.000
#> ERR315482 2 0.0000 0.880 0.000 1.000
#> ERR315380 2 0.0000 0.880 0.000 1.000
#> ERR315377 2 0.0376 0.881 0.004 0.996
#> ERR315374 2 0.0376 0.881 0.004 0.996
#> ERR315466 2 0.0000 0.880 0.000 1.000
#> ERR315479 2 0.0000 0.880 0.000 1.000
#> ERR315473 1 0.8499 0.970 0.724 0.276
#> ERR315391 2 0.0000 0.880 0.000 1.000
#> ERR315417 2 0.0000 0.880 0.000 1.000
#> ERR315385 2 0.0000 0.880 0.000 1.000
#> ERR315386 2 0.0376 0.881 0.004 0.996
#> ERR315438 2 0.0376 0.881 0.004 0.996
#> ERR315367 2 0.0000 0.880 0.000 1.000
#> ERR315331 2 0.0000 0.880 0.000 1.000
#> ERR315347 2 0.7453 0.804 0.212 0.788
#> ERR315396 1 0.8499 0.970 0.724 0.276
#> ERR315486 1 0.8499 0.970 0.724 0.276
#> ERR315403 2 0.8661 0.753 0.288 0.712
#> ERR315357 2 0.8661 0.753 0.288 0.712
#> ERR315463 2 0.8144 0.779 0.252 0.748
#> ERR315451 2 0.8144 0.779 0.252 0.748
#> ERR315445 2 0.8661 0.753 0.288 0.712
#> ERR315461 2 0.8661 0.753 0.288 0.712
#> ERR315397 2 0.0000 0.880 0.000 1.000
#> ERR315491 2 0.0000 0.880 0.000 1.000
#> ERR315483 2 0.0000 0.880 0.000 1.000
#> ERR315400 2 0.8661 0.753 0.288 0.712
#> ERR315440 1 0.8499 0.970 0.724 0.276
#> ERR315493 1 0.8499 0.970 0.724 0.276
#> ERR315441 1 0.8499 0.970 0.724 0.276
#> ERR315455 2 0.0000 0.880 0.000 1.000
#> ERR315421 2 0.7453 0.804 0.212 0.788
#> ERR315370 2 0.7453 0.804 0.212 0.788
#> ERR315355 2 0.7453 0.804 0.212 0.788
#> ERR315446 2 0.0000 0.880 0.000 1.000
#> ERR315375 2 0.0376 0.881 0.004 0.996
#> ERR315467 2 0.8608 0.756 0.284 0.716
#> ERR315484 2 0.8661 0.753 0.288 0.712
#> ERR315406 1 0.8499 0.970 0.724 0.276
#> ERR315404 1 0.8499 0.970 0.724 0.276
#> ERR315407 2 0.0376 0.881 0.004 0.996
#> ERR315340 2 0.0376 0.881 0.004 0.996
#> ERR315356 2 0.0000 0.880 0.000 1.000
#> ERR315430 2 0.0000 0.880 0.000 1.000
#> ERR315422 2 0.0000 0.880 0.000 1.000
#> ERR315358 2 0.0000 0.880 0.000 1.000
#> ERR315448 1 0.8499 0.970 0.724 0.276
#> ERR315401 2 0.0376 0.881 0.004 0.996
#> ERR315464 2 0.0376 0.881 0.004 0.996
#> ERR315481 1 0.6531 0.878 0.832 0.168
#> ERR315454 1 0.6531 0.878 0.832 0.168
#> ERR315365 2 0.0376 0.881 0.004 0.996
#> ERR315354 2 0.0376 0.881 0.004 0.996
#> ERR315439 2 0.7453 0.804 0.212 0.788
#> ERR315444 2 0.7453 0.804 0.212 0.788
#> ERR315341 2 0.7453 0.804 0.212 0.788
#> ERR315412 2 0.0000 0.880 0.000 1.000
#> ERR315337 2 0.0000 0.880 0.000 1.000
#> ERR315429 2 0.0000 0.880 0.000 1.000
#> ERR315436 2 0.0000 0.880 0.000 1.000
#> ERR315379 2 0.8608 0.756 0.284 0.716
#> ERR315443 2 0.7745 0.795 0.228 0.772
#> ERR315415 2 0.0000 0.880 0.000 1.000
#> ERR315456 2 0.0000 0.880 0.000 1.000
#> ERR315336 2 0.0376 0.881 0.004 0.996
#> ERR315399 2 0.0376 0.881 0.004 0.996
#> ERR315477 2 0.0000 0.880 0.000 1.000
#> ERR315346 2 0.7453 0.804 0.212 0.788
#> ERR315383 2 0.7745 0.795 0.228 0.772
#> ERR315494 2 0.7745 0.795 0.228 0.772
#> ERR315492 2 0.0000 0.880 0.000 1.000
#> ERR315432 2 0.0000 0.880 0.000 1.000
#> ERR315338 1 0.8499 0.970 0.724 0.276
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315339 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315376 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315343 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315342 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315468 2 0.6280 0.413 0.000 0.540 0.460
#> ERR315434 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315489 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315371 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315433 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315368 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315465 1 0.3116 0.899 0.892 0.000 0.108
#> ERR315437 1 0.3116 0.899 0.892 0.000 0.108
#> ERR315327 2 0.5733 0.409 0.000 0.676 0.324
#> ERR315394 2 0.5733 0.409 0.000 0.676 0.324
#> ERR315427 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315360 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315426 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315460 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315372 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315472 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315398 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315409 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315423 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315402 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315458 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315366 1 0.3116 0.899 0.892 0.000 0.108
#> ERR315345 1 0.3116 0.899 0.892 0.000 0.108
#> ERR315326 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315424 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315382 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315325 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315369 3 0.0237 0.850 0.000 0.004 0.996
#> ERR315485 3 0.0237 0.850 0.000 0.004 0.996
#> ERR315420 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315459 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315353 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315487 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315378 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315431 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315335 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315452 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315471 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315351 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315350 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315381 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315388 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315418 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315449 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315490 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315495 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315361 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315419 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315344 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315414 2 0.5733 0.409 0.000 0.676 0.324
#> ERR315352 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315410 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315349 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315474 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315470 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315428 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315363 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315469 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315476 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315478 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315362 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315411 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315416 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315408 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315364 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315359 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315330 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315384 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315413 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315332 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315334 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315447 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315453 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315442 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315457 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315392 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315450 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315462 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315328 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315389 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315435 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315482 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315380 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315377 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315374 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315466 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315479 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315473 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315391 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315417 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315385 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315386 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315438 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315367 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315331 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315347 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315396 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315403 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315357 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315463 2 0.5733 0.409 0.000 0.676 0.324
#> ERR315451 2 0.5733 0.409 0.000 0.676 0.324
#> ERR315445 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315461 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315397 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315491 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315483 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315400 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315440 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315455 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315421 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315370 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315355 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315446 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315375 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315467 3 0.0237 0.850 0.000 0.004 0.996
#> ERR315484 3 0.0000 0.849 0.000 0.000 1.000
#> ERR315406 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315407 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315340 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315356 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315430 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315422 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315358 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315448 1 0.0000 0.978 1.000 0.000 0.000
#> ERR315401 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315464 2 0.5465 0.655 0.000 0.712 0.288
#> ERR315481 1 0.3116 0.899 0.892 0.000 0.108
#> ERR315454 1 0.3116 0.899 0.892 0.000 0.108
#> ERR315365 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315354 2 0.4605 0.806 0.000 0.796 0.204
#> ERR315439 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315444 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315341 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315412 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315337 2 0.4555 0.808 0.000 0.800 0.200
#> ERR315429 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315436 2 0.0424 0.783 0.000 0.992 0.008
#> ERR315379 3 0.0237 0.850 0.000 0.004 0.996
#> ERR315443 2 0.6280 0.413 0.000 0.540 0.460
#> ERR315415 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315456 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315336 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315399 3 0.6126 0.300 0.000 0.400 0.600
#> ERR315477 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315346 3 0.3412 0.847 0.000 0.124 0.876
#> ERR315383 2 0.6280 0.413 0.000 0.540 0.460
#> ERR315494 2 0.6280 0.413 0.000 0.540 0.460
#> ERR315492 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315432 2 0.0000 0.786 0.000 1.000 0.000
#> ERR315338 1 0.0000 0.978 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315339 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315376 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315343 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315342 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315468 2 0.6495 0.2538 0.000 0.624 0.124 0.252
#> ERR315434 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315489 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315371 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315433 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315368 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315465 1 0.2469 0.9074 0.892 0.000 0.108 0.000
#> ERR315437 1 0.2469 0.9074 0.892 0.000 0.108 0.000
#> ERR315327 4 0.5551 0.6385 0.000 0.112 0.160 0.728
#> ERR315394 4 0.5551 0.6385 0.000 0.112 0.160 0.728
#> ERR315427 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315360 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315426 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315460 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315372 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315472 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315398 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315409 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315423 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315402 2 0.0188 0.6692 0.000 0.996 0.000 0.004
#> ERR315458 2 0.0188 0.6692 0.000 0.996 0.000 0.004
#> ERR315366 1 0.2469 0.9074 0.892 0.000 0.108 0.000
#> ERR315345 1 0.2469 0.9074 0.892 0.000 0.108 0.000
#> ERR315326 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315424 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315382 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315325 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315369 3 0.5565 0.7042 0.000 0.056 0.684 0.260
#> ERR315485 3 0.5565 0.7042 0.000 0.056 0.684 0.260
#> ERR315420 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315459 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315353 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315487 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315378 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315431 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315335 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315452 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315471 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315351 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315350 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315381 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315388 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315418 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315449 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315490 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315495 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315361 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315419 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315344 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315414 4 0.5551 0.6385 0.000 0.112 0.160 0.728
#> ERR315352 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315410 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315349 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315474 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315470 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315428 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315363 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315469 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315476 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315478 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315362 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315411 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315416 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315408 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315364 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315359 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315330 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315384 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315413 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315332 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315334 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315447 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315453 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315442 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315457 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315392 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315450 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315462 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315328 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315389 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315435 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315482 2 0.0188 0.6692 0.000 0.996 0.000 0.004
#> ERR315380 2 0.0188 0.6692 0.000 0.996 0.000 0.004
#> ERR315377 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315374 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315466 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315479 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315473 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315391 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315417 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315385 2 0.0000 0.6701 0.000 1.000 0.000 0.000
#> ERR315386 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315438 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315367 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315331 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315347 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315396 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315403 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315357 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315463 4 0.5551 0.6385 0.000 0.112 0.160 0.728
#> ERR315451 4 0.5551 0.6385 0.000 0.112 0.160 0.728
#> ERR315445 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315461 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315397 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315491 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315483 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315400 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315440 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315455 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315421 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315370 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315355 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315446 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315375 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315467 3 0.5565 0.7042 0.000 0.056 0.684 0.260
#> ERR315484 3 0.5646 0.7042 0.000 0.056 0.672 0.272
#> ERR315406 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315407 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315340 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315356 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315430 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315422 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315358 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315448 1 0.0000 0.9786 1.000 0.000 0.000 0.000
#> ERR315401 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315464 2 0.5376 0.5160 0.000 0.736 0.176 0.088
#> ERR315481 1 0.2469 0.9074 0.892 0.000 0.108 0.000
#> ERR315454 1 0.2469 0.9074 0.892 0.000 0.108 0.000
#> ERR315365 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315354 2 0.0188 0.6696 0.000 0.996 0.004 0.000
#> ERR315439 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315444 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315341 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315412 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315337 2 0.3400 0.5573 0.000 0.820 0.000 0.180
#> ERR315429 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315436 4 0.4564 0.7688 0.000 0.328 0.000 0.672
#> ERR315379 3 0.5565 0.7042 0.000 0.056 0.684 0.260
#> ERR315443 2 0.6495 0.2538 0.000 0.624 0.124 0.252
#> ERR315415 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315456 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315336 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315399 2 0.4855 0.0316 0.000 0.600 0.400 0.000
#> ERR315477 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315346 3 0.4454 0.6633 0.000 0.308 0.692 0.000
#> ERR315383 2 0.6495 0.2538 0.000 0.624 0.124 0.252
#> ERR315494 2 0.6495 0.2538 0.000 0.624 0.124 0.252
#> ERR315492 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315432 2 0.5792 0.3076 0.000 0.648 0.056 0.296
#> ERR315338 1 0.0000 0.9786 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315339 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315376 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315343 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315342 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315468 2 0.754 0.34755 0.000 0.464 0.064 0.224 0.248
#> ERR315434 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315489 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315371 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315368 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315465 1 0.213 0.89961 0.892 0.000 0.000 0.108 0.000
#> ERR315437 1 0.213 0.89961 0.892 0.000 0.000 0.108 0.000
#> ERR315327 5 0.223 0.61867 0.000 0.000 0.080 0.016 0.904
#> ERR315394 5 0.223 0.61867 0.000 0.000 0.080 0.016 0.904
#> ERR315427 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315360 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315426 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315460 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315372 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315472 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315398 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315409 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315423 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315402 2 0.415 0.64694 0.000 0.612 0.000 0.388 0.000
#> ERR315458 2 0.415 0.64694 0.000 0.612 0.000 0.388 0.000
#> ERR315366 1 0.213 0.89961 0.892 0.000 0.000 0.108 0.000
#> ERR315345 1 0.213 0.89961 0.892 0.000 0.000 0.108 0.000
#> ERR315326 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315424 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315382 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315325 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315369 3 0.134 0.98849 0.000 0.000 0.944 0.056 0.000
#> ERR315485 3 0.134 0.98849 0.000 0.000 0.944 0.056 0.000
#> ERR315420 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315459 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315353 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315487 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315378 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315431 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315335 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315452 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315471 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315350 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315381 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315388 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315418 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315449 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315490 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315495 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315361 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315419 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315344 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315414 5 0.223 0.61867 0.000 0.000 0.080 0.016 0.904
#> ERR315352 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315410 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315349 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315474 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315470 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315428 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315363 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315469 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315478 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315362 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315411 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315416 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315364 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315359 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315330 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315384 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315413 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315332 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315334 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315447 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315453 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315442 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315457 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315392 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315450 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315462 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315328 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315389 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315435 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315482 2 0.415 0.64694 0.000 0.612 0.000 0.388 0.000
#> ERR315380 2 0.415 0.64694 0.000 0.612 0.000 0.388 0.000
#> ERR315377 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315374 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315466 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315479 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315473 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315417 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315385 2 0.416 0.64583 0.000 0.608 0.000 0.392 0.000
#> ERR315386 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315438 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315367 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315331 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315347 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315396 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315357 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315463 5 0.223 0.61867 0.000 0.000 0.080 0.016 0.904
#> ERR315451 5 0.223 0.61867 0.000 0.000 0.080 0.016 0.904
#> ERR315445 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315461 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315397 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315491 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315483 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315400 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315440 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315421 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315370 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315355 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315446 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315375 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315467 3 0.134 0.98849 0.000 0.000 0.944 0.056 0.000
#> ERR315484 3 0.112 0.99745 0.000 0.000 0.956 0.044 0.000
#> ERR315406 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315407 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315340 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315356 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315430 2 0.000 0.58947 0.000 1.000 0.000 0.000 0.000
#> ERR315422 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315358 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315448 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
#> ERR315401 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315464 4 0.608 -0.00525 0.000 0.452 0.016 0.456 0.076
#> ERR315481 1 0.213 0.89961 0.892 0.000 0.000 0.108 0.000
#> ERR315454 1 0.213 0.89961 0.892 0.000 0.000 0.108 0.000
#> ERR315365 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315354 2 0.417 0.64212 0.000 0.604 0.000 0.396 0.000
#> ERR315439 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315444 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315341 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315412 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315337 2 0.409 0.64614 0.000 0.756 0.000 0.208 0.036
#> ERR315429 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315436 5 0.410 0.81230 0.000 0.372 0.000 0.000 0.628
#> ERR315379 3 0.134 0.98849 0.000 0.000 0.944 0.056 0.000
#> ERR315443 2 0.754 0.34755 0.000 0.464 0.064 0.224 0.248
#> ERR315415 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315456 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315336 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315399 4 0.333 0.45603 0.000 0.208 0.004 0.788 0.000
#> ERR315477 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315346 4 0.256 0.66636 0.000 0.000 0.096 0.884 0.020
#> ERR315383 2 0.754 0.34755 0.000 0.464 0.064 0.224 0.248
#> ERR315494 2 0.754 0.34755 0.000 0.464 0.064 0.224 0.248
#> ERR315492 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315432 2 0.128 0.55370 0.000 0.952 0.044 0.004 0.000
#> ERR315338 1 0.000 0.97692 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315376 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315343 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315342 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315468 2 0.6596 0.388 0.000 0.436 0.000 0.192 0.328 0.044
#> ERR315434 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315489 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315371 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315368 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315465 1 0.1910 0.897 0.892 0.000 0.000 0.108 0.000 0.000
#> ERR315437 1 0.1910 0.897 0.892 0.000 0.000 0.108 0.000 0.000
#> ERR315327 5 0.0000 0.591 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315394 5 0.0000 0.591 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315427 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315360 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315426 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315460 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315372 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315472 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315398 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315409 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.5364 0.682 0.000 0.584 0.000 0.244 0.000 0.172
#> ERR315458 2 0.5364 0.682 0.000 0.584 0.000 0.244 0.000 0.172
#> ERR315366 1 0.1910 0.897 0.892 0.000 0.000 0.108 0.000 0.000
#> ERR315345 1 0.1910 0.897 0.892 0.000 0.000 0.108 0.000 0.000
#> ERR315326 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315424 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315382 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315325 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315369 3 0.0363 0.989 0.000 0.000 0.988 0.012 0.000 0.000
#> ERR315485 3 0.0363 0.989 0.000 0.000 0.988 0.012 0.000 0.000
#> ERR315420 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315459 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315353 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315487 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315378 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315431 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315335 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315452 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315471 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315350 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315381 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315449 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315490 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315495 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315361 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315419 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.0000 0.591 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315352 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315410 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315349 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315474 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315470 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315428 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315363 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315469 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315478 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315362 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315411 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315416 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315330 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315384 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315413 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315332 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315334 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315447 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315453 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315442 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315450 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315462 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315389 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315435 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315482 2 0.5364 0.682 0.000 0.584 0.000 0.244 0.000 0.172
#> ERR315380 2 0.5364 0.682 0.000 0.584 0.000 0.244 0.000 0.172
#> ERR315377 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315374 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315466 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315479 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315473 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315417 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315385 2 0.5383 0.681 0.000 0.580 0.000 0.248 0.000 0.172
#> ERR315386 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315438 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315367 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315331 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315347 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315396 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315357 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315463 5 0.0000 0.591 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315451 5 0.0000 0.591 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315445 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315491 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315483 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315400 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315421 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315370 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315355 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315446 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315375 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315467 3 0.0363 0.989 0.000 0.000 0.988 0.012 0.000 0.000
#> ERR315484 3 0.0000 0.997 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315407 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315340 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315356 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315430 2 0.0000 0.508 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315422 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315358 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315448 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315464 6 0.2346 1.000 0.000 0.000 0.008 0.124 0.000 0.868
#> ERR315481 1 0.1910 0.897 0.892 0.000 0.000 0.108 0.000 0.000
#> ERR315454 1 0.1910 0.897 0.892 0.000 0.000 0.108 0.000 0.000
#> ERR315365 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315354 2 0.5402 0.678 0.000 0.576 0.000 0.252 0.000 0.172
#> ERR315439 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315444 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315341 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315412 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315337 2 0.4493 0.641 0.000 0.728 0.000 0.192 0.036 0.044
#> ERR315429 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315436 5 0.3684 0.801 0.000 0.372 0.000 0.000 0.628 0.000
#> ERR315379 3 0.0363 0.989 0.000 0.000 0.988 0.012 0.000 0.000
#> ERR315443 2 0.6596 0.388 0.000 0.436 0.000 0.192 0.328 0.044
#> ERR315415 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315456 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315336 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315399 4 0.4828 0.483 0.000 0.200 0.000 0.664 0.000 0.136
#> ERR315477 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315346 4 0.0000 0.851 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315383 2 0.6596 0.388 0.000 0.436 0.000 0.192 0.328 0.044
#> ERR315494 2 0.6596 0.388 0.000 0.436 0.000 0.192 0.328 0.044
#> ERR315492 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315432 2 0.2491 0.343 0.000 0.836 0.000 0.000 0.000 0.164
#> ERR315338 1 0.0000 0.977 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "kmeans"]
# you can also extract it by
# res = res_list["SD:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.283 0.753 0.825 0.4153 0.506 0.506
#> 3 3 0.293 0.692 0.737 0.4009 0.908 0.819
#> 4 4 0.419 0.633 0.684 0.1784 0.839 0.636
#> 5 5 0.540 0.597 0.691 0.0820 0.901 0.689
#> 6 6 0.590 0.585 0.680 0.0531 0.968 0.868
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.9248 0.6863 0.660 0.340
#> ERR315339 2 0.3431 0.8722 0.064 0.936
#> ERR315376 2 0.3431 0.8722 0.064 0.936
#> ERR315343 2 0.2778 0.8912 0.048 0.952
#> ERR315342 2 0.2778 0.8912 0.048 0.952
#> ERR315468 2 0.3733 0.8581 0.072 0.928
#> ERR315434 2 0.4562 0.8411 0.096 0.904
#> ERR315489 2 0.4562 0.8411 0.096 0.904
#> ERR315371 1 0.7376 0.7203 0.792 0.208
#> ERR315433 2 0.2236 0.8925 0.036 0.964
#> ERR315368 2 0.2236 0.8925 0.036 0.964
#> ERR315465 1 0.6148 0.7182 0.848 0.152
#> ERR315437 1 0.6148 0.7182 0.848 0.152
#> ERR315327 2 0.4431 0.8553 0.092 0.908
#> ERR315394 2 0.4431 0.8553 0.092 0.908
#> ERR315427 1 0.9970 0.5691 0.532 0.468
#> ERR315360 1 0.9970 0.5691 0.532 0.468
#> ERR315426 1 0.7453 0.7197 0.788 0.212
#> ERR315387 1 0.7453 0.7197 0.788 0.212
#> ERR315475 1 0.7453 0.7197 0.788 0.212
#> ERR315395 1 0.7745 0.7075 0.772 0.228
#> ERR315333 1 0.7745 0.7075 0.772 0.228
#> ERR315460 2 0.3274 0.8726 0.060 0.940
#> ERR315372 2 0.3274 0.8726 0.060 0.940
#> ERR315472 2 0.4431 0.8401 0.092 0.908
#> ERR315398 2 0.4431 0.8401 0.092 0.908
#> ERR315409 1 0.9248 0.6863 0.660 0.340
#> ERR315423 1 0.9248 0.6863 0.660 0.340
#> ERR315402 2 0.2603 0.8915 0.044 0.956
#> ERR315458 2 0.2603 0.8915 0.044 0.956
#> ERR315366 1 0.6048 0.7171 0.852 0.148
#> ERR315345 1 0.6048 0.7171 0.852 0.148
#> ERR315326 1 0.9944 0.6067 0.544 0.456
#> ERR315424 1 0.9944 0.6067 0.544 0.456
#> ERR315382 2 0.2236 0.8846 0.036 0.964
#> ERR315325 2 0.2236 0.8846 0.036 0.964
#> ERR315369 1 0.9248 0.6863 0.660 0.340
#> ERR315485 1 0.9248 0.6863 0.660 0.340
#> ERR315420 2 0.2043 0.8855 0.032 0.968
#> ERR315459 2 0.2043 0.8855 0.032 0.968
#> ERR315353 1 0.9983 0.5705 0.524 0.476
#> ERR315487 1 0.9983 0.5705 0.524 0.476
#> ERR315378 2 0.2778 0.8912 0.048 0.952
#> ERR315431 2 0.2778 0.8912 0.048 0.952
#> ERR315335 2 0.2948 0.8902 0.052 0.948
#> ERR315452 2 0.2948 0.8902 0.052 0.948
#> ERR315471 1 0.7376 0.7203 0.792 0.208
#> ERR315390 1 0.7376 0.7203 0.792 0.208
#> ERR315329 1 0.7376 0.7203 0.792 0.208
#> ERR315393 1 0.7376 0.7203 0.792 0.208
#> ERR315488 1 0.7376 0.7203 0.792 0.208
#> ERR315351 2 0.2423 0.8952 0.040 0.960
#> ERR315350 2 0.2423 0.8952 0.040 0.960
#> ERR315381 1 0.9248 0.6863 0.660 0.340
#> ERR315388 1 0.9248 0.6863 0.660 0.340
#> ERR315418 2 0.2043 0.8855 0.032 0.968
#> ERR315449 2 0.2043 0.8855 0.032 0.968
#> ERR315490 2 0.2236 0.8925 0.036 0.964
#> ERR315495 2 0.2236 0.8925 0.036 0.964
#> ERR315361 2 0.2236 0.8925 0.036 0.964
#> ERR315419 1 0.9248 0.6863 0.660 0.340
#> ERR315344 1 0.9248 0.6863 0.660 0.340
#> ERR315414 2 0.4298 0.8572 0.088 0.912
#> ERR315352 2 0.2423 0.8952 0.040 0.960
#> ERR315410 2 0.3431 0.8777 0.064 0.936
#> ERR315349 1 0.9866 0.6036 0.568 0.432
#> ERR315474 1 0.9866 0.6036 0.568 0.432
#> ERR315470 1 0.9866 0.6036 0.568 0.432
#> ERR315428 2 0.0376 0.8965 0.004 0.996
#> ERR315363 2 0.0376 0.8965 0.004 0.996
#> ERR315469 1 0.7745 0.7075 0.772 0.228
#> ERR315425 1 0.7745 0.7075 0.772 0.228
#> ERR315476 2 0.9608 -0.0859 0.384 0.616
#> ERR315478 2 0.9608 -0.0859 0.384 0.616
#> ERR315362 2 0.4562 0.8438 0.096 0.904
#> ERR315411 2 0.4562 0.8438 0.096 0.904
#> ERR315416 1 0.7453 0.7197 0.788 0.212
#> ERR315405 1 0.7453 0.7197 0.788 0.212
#> ERR315408 1 0.9248 0.6863 0.660 0.340
#> ERR315364 1 0.9248 0.6863 0.660 0.340
#> ERR315359 2 0.3274 0.8725 0.060 0.940
#> ERR315330 2 0.3274 0.8725 0.060 0.940
#> ERR315384 2 0.2948 0.8920 0.052 0.948
#> ERR315413 2 0.2948 0.8920 0.052 0.948
#> ERR315332 2 0.2778 0.8912 0.048 0.952
#> ERR315334 1 0.9427 0.6956 0.640 0.360
#> ERR315447 1 0.9427 0.6956 0.640 0.360
#> ERR315453 1 0.9427 0.6956 0.640 0.360
#> ERR315442 1 0.9248 0.6863 0.660 0.340
#> ERR315457 1 0.9248 0.6863 0.660 0.340
#> ERR315392 2 0.2948 0.8902 0.052 0.948
#> ERR315450 2 0.2948 0.8902 0.052 0.948
#> ERR315462 1 0.9775 0.5913 0.588 0.412
#> ERR315328 2 0.2948 0.8920 0.052 0.948
#> ERR315389 2 0.2948 0.8920 0.052 0.948
#> ERR315435 2 0.2948 0.8920 0.052 0.948
#> ERR315482 2 0.2948 0.8902 0.052 0.948
#> ERR315380 2 0.2948 0.8902 0.052 0.948
#> ERR315377 2 0.9608 -0.0859 0.384 0.616
#> ERR315374 2 0.9608 -0.0859 0.384 0.616
#> ERR315466 2 0.2948 0.8834 0.052 0.948
#> ERR315479 2 0.2948 0.8834 0.052 0.948
#> ERR315473 1 0.7453 0.7197 0.788 0.212
#> ERR315391 2 0.3114 0.8902 0.056 0.944
#> ERR315417 2 0.2948 0.8902 0.052 0.948
#> ERR315385 2 0.2948 0.8902 0.052 0.948
#> ERR315386 2 0.2236 0.8925 0.036 0.964
#> ERR315438 2 0.2236 0.8925 0.036 0.964
#> ERR315367 2 0.2948 0.8920 0.052 0.948
#> ERR315331 2 0.2948 0.8920 0.052 0.948
#> ERR315347 1 0.9710 0.6342 0.600 0.400
#> ERR315396 1 0.7745 0.7075 0.772 0.228
#> ERR315486 1 0.7745 0.7075 0.772 0.228
#> ERR315403 1 0.8861 0.6997 0.696 0.304
#> ERR315357 1 0.8861 0.6997 0.696 0.304
#> ERR315463 2 0.4431 0.8553 0.092 0.908
#> ERR315451 2 0.4431 0.8553 0.092 0.908
#> ERR315445 1 0.9248 0.6863 0.660 0.340
#> ERR315461 1 0.9248 0.6863 0.660 0.340
#> ERR315397 2 0.0376 0.8965 0.004 0.996
#> ERR315491 2 0.0376 0.8965 0.004 0.996
#> ERR315483 2 0.0376 0.8965 0.004 0.996
#> ERR315400 1 0.9248 0.6863 0.660 0.340
#> ERR315440 1 0.7376 0.7203 0.792 0.208
#> ERR315493 1 0.7376 0.7203 0.792 0.208
#> ERR315441 1 0.7376 0.7203 0.792 0.208
#> ERR315455 2 0.2423 0.8952 0.040 0.960
#> ERR315421 1 0.9944 0.5846 0.544 0.456
#> ERR315370 1 0.9944 0.5846 0.544 0.456
#> ERR315355 1 0.9944 0.5846 0.544 0.456
#> ERR315446 2 0.2423 0.8952 0.040 0.960
#> ERR315375 2 0.9358 0.0817 0.352 0.648
#> ERR315467 1 0.9661 0.6672 0.608 0.392
#> ERR315484 1 0.9248 0.6863 0.660 0.340
#> ERR315406 1 0.7745 0.7075 0.772 0.228
#> ERR315404 1 0.7745 0.7075 0.772 0.228
#> ERR315407 2 0.3274 0.8725 0.060 0.940
#> ERR315340 2 0.3274 0.8725 0.060 0.940
#> ERR315356 2 0.2948 0.8920 0.052 0.948
#> ERR315430 2 0.2948 0.8920 0.052 0.948
#> ERR315422 2 0.0376 0.8965 0.004 0.996
#> ERR315358 2 0.0376 0.8965 0.004 0.996
#> ERR315448 1 0.7453 0.7197 0.788 0.212
#> ERR315401 2 0.3431 0.8722 0.064 0.936
#> ERR315464 2 0.3431 0.8722 0.064 0.936
#> ERR315481 1 0.4431 0.6950 0.908 0.092
#> ERR315454 1 0.4431 0.6950 0.908 0.092
#> ERR315365 2 0.3274 0.8725 0.060 0.940
#> ERR315354 2 0.3274 0.8725 0.060 0.940
#> ERR315439 1 0.9988 0.5637 0.520 0.480
#> ERR315444 1 0.9988 0.5637 0.520 0.480
#> ERR315341 1 0.9988 0.5637 0.520 0.480
#> ERR315412 2 0.0376 0.8965 0.004 0.996
#> ERR315337 2 0.0376 0.8965 0.004 0.996
#> ERR315429 2 0.2948 0.8834 0.052 0.948
#> ERR315436 2 0.2948 0.8834 0.052 0.948
#> ERR315379 1 0.9248 0.6863 0.660 0.340
#> ERR315443 2 0.4298 0.8399 0.088 0.912
#> ERR315415 2 0.2423 0.8952 0.040 0.960
#> ERR315456 2 0.2423 0.8952 0.040 0.960
#> ERR315336 2 0.9608 -0.0859 0.384 0.616
#> ERR315399 2 0.9608 -0.0859 0.384 0.616
#> ERR315477 2 0.2423 0.8952 0.040 0.960
#> ERR315346 1 0.9983 0.5705 0.524 0.476
#> ERR315383 2 0.4298 0.8399 0.088 0.912
#> ERR315494 2 0.4298 0.8399 0.088 0.912
#> ERR315492 2 0.2423 0.8952 0.040 0.960
#> ERR315432 2 0.2423 0.8952 0.040 0.960
#> ERR315338 1 0.7453 0.7197 0.788 0.212
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.570 0.6718 0.076 0.120 0.804
#> ERR315339 2 0.814 0.6008 0.120 0.628 0.252
#> ERR315376 2 0.814 0.6008 0.120 0.628 0.252
#> ERR315343 2 0.279 0.7756 0.028 0.928 0.044
#> ERR315342 2 0.279 0.7756 0.028 0.928 0.044
#> ERR315468 2 0.429 0.7688 0.068 0.872 0.060
#> ERR315434 2 0.832 0.5003 0.108 0.588 0.304
#> ERR315489 2 0.832 0.5003 0.108 0.588 0.304
#> ERR315371 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315433 2 0.341 0.7614 0.020 0.900 0.080
#> ERR315368 2 0.341 0.7614 0.020 0.900 0.080
#> ERR315465 1 0.558 0.8802 0.772 0.024 0.204
#> ERR315437 1 0.558 0.8802 0.772 0.024 0.204
#> ERR315327 2 0.821 0.5606 0.132 0.628 0.240
#> ERR315394 2 0.821 0.5606 0.132 0.628 0.240
#> ERR315427 3 0.899 0.6093 0.160 0.300 0.540
#> ERR315360 3 0.899 0.6093 0.160 0.300 0.540
#> ERR315426 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315387 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315475 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315395 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315333 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315460 2 0.807 0.6123 0.120 0.636 0.244
#> ERR315372 2 0.807 0.6123 0.120 0.636 0.244
#> ERR315472 2 0.832 0.5003 0.108 0.588 0.304
#> ERR315398 2 0.832 0.5003 0.108 0.588 0.304
#> ERR315409 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315423 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315402 2 0.205 0.7787 0.028 0.952 0.020
#> ERR315458 2 0.205 0.7787 0.028 0.952 0.020
#> ERR315366 1 0.563 0.8756 0.768 0.024 0.208
#> ERR315345 1 0.563 0.8756 0.768 0.024 0.208
#> ERR315326 3 0.938 0.5791 0.208 0.288 0.504
#> ERR315424 3 0.938 0.5791 0.208 0.288 0.504
#> ERR315382 2 0.710 0.6882 0.128 0.724 0.148
#> ERR315325 2 0.710 0.6882 0.128 0.724 0.148
#> ERR315369 3 0.578 0.6708 0.080 0.120 0.800
#> ERR315485 3 0.578 0.6708 0.080 0.120 0.800
#> ERR315420 2 0.716 0.6793 0.140 0.720 0.140
#> ERR315459 2 0.716 0.6793 0.140 0.720 0.140
#> ERR315353 3 0.940 0.5789 0.208 0.292 0.500
#> ERR315487 3 0.940 0.5789 0.208 0.292 0.500
#> ERR315378 2 0.279 0.7756 0.028 0.928 0.044
#> ERR315431 2 0.279 0.7756 0.028 0.928 0.044
#> ERR315335 2 0.256 0.7792 0.028 0.936 0.036
#> ERR315452 2 0.256 0.7792 0.028 0.936 0.036
#> ERR315471 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315390 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315329 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315393 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315488 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315351 2 0.188 0.7800 0.032 0.956 0.012
#> ERR315350 2 0.188 0.7800 0.032 0.956 0.012
#> ERR315381 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315388 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315418 2 0.716 0.6793 0.140 0.720 0.140
#> ERR315449 2 0.716 0.6793 0.140 0.720 0.140
#> ERR315490 2 0.468 0.7226 0.028 0.840 0.132
#> ERR315495 2 0.468 0.7226 0.028 0.840 0.132
#> ERR315361 2 0.468 0.7226 0.028 0.840 0.132
#> ERR315419 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315344 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315414 2 0.821 0.5606 0.132 0.628 0.240
#> ERR315352 2 0.205 0.7794 0.028 0.952 0.020
#> ERR315410 2 0.547 0.6928 0.040 0.800 0.160
#> ERR315349 3 0.778 0.6507 0.096 0.256 0.648
#> ERR315474 3 0.778 0.6507 0.096 0.256 0.648
#> ERR315470 3 0.778 0.6507 0.096 0.256 0.648
#> ERR315428 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315363 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315469 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315425 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315476 2 0.926 0.0311 0.176 0.500 0.324
#> ERR315478 2 0.926 0.0311 0.176 0.500 0.324
#> ERR315362 2 0.804 0.5273 0.100 0.620 0.280
#> ERR315411 2 0.804 0.5273 0.100 0.620 0.280
#> ERR315416 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315405 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315408 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315364 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315359 2 0.569 0.6916 0.040 0.784 0.176
#> ERR315330 2 0.569 0.6916 0.040 0.784 0.176
#> ERR315384 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315413 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315332 2 0.308 0.7694 0.024 0.916 0.060
#> ERR315334 3 0.935 0.5572 0.276 0.212 0.512
#> ERR315447 3 0.935 0.5572 0.276 0.212 0.512
#> ERR315453 3 0.935 0.5572 0.276 0.212 0.512
#> ERR315442 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315457 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315392 2 0.256 0.7792 0.028 0.936 0.036
#> ERR315450 2 0.256 0.7792 0.028 0.936 0.036
#> ERR315462 3 0.454 0.6704 0.016 0.148 0.836
#> ERR315328 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315389 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315435 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315482 2 0.281 0.7760 0.032 0.928 0.040
#> ERR315380 2 0.281 0.7760 0.032 0.928 0.040
#> ERR315377 2 0.926 0.0311 0.176 0.500 0.324
#> ERR315374 2 0.926 0.0311 0.176 0.500 0.324
#> ERR315466 2 0.722 0.6786 0.140 0.716 0.144
#> ERR315479 2 0.722 0.6786 0.140 0.716 0.144
#> ERR315473 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315391 2 0.268 0.7794 0.028 0.932 0.040
#> ERR315417 2 0.256 0.7792 0.028 0.936 0.036
#> ERR315385 2 0.256 0.7792 0.028 0.936 0.036
#> ERR315386 2 0.583 0.6522 0.032 0.764 0.204
#> ERR315438 2 0.583 0.6522 0.032 0.764 0.204
#> ERR315367 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315331 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315347 3 0.756 0.6543 0.096 0.232 0.672
#> ERR315396 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315486 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315403 3 0.549 0.6388 0.104 0.080 0.816
#> ERR315357 3 0.549 0.6388 0.104 0.080 0.816
#> ERR315463 2 0.821 0.5606 0.132 0.628 0.240
#> ERR315451 2 0.821 0.5606 0.132 0.628 0.240
#> ERR315445 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315461 3 0.594 0.6701 0.088 0.120 0.792
#> ERR315397 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315491 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315483 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315400 3 0.578 0.6708 0.080 0.120 0.800
#> ERR315440 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315493 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315441 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315455 2 0.145 0.7800 0.024 0.968 0.008
#> ERR315421 3 0.942 0.5847 0.216 0.284 0.500
#> ERR315370 3 0.942 0.5847 0.216 0.284 0.500
#> ERR315355 3 0.942 0.5847 0.216 0.284 0.500
#> ERR315446 2 0.205 0.7794 0.028 0.952 0.020
#> ERR315375 2 0.918 0.0621 0.168 0.508 0.324
#> ERR315467 3 0.772 0.6367 0.168 0.152 0.680
#> ERR315484 3 0.586 0.6718 0.084 0.120 0.796
#> ERR315406 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315404 1 0.579 0.8074 0.784 0.048 0.168
#> ERR315407 2 0.569 0.6916 0.040 0.784 0.176
#> ERR315340 2 0.569 0.6916 0.040 0.784 0.176
#> ERR315356 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315430 2 0.358 0.7664 0.056 0.900 0.044
#> ERR315422 2 0.303 0.7765 0.048 0.920 0.032
#> ERR315358 2 0.303 0.7765 0.048 0.920 0.032
#> ERR315448 1 0.611 0.9136 0.764 0.052 0.184
#> ERR315401 2 0.814 0.6008 0.120 0.628 0.252
#> ERR315464 2 0.814 0.6008 0.120 0.628 0.252
#> ERR315481 1 0.572 0.7656 0.704 0.004 0.292
#> ERR315454 1 0.572 0.7656 0.704 0.004 0.292
#> ERR315365 2 0.569 0.6916 0.040 0.784 0.176
#> ERR315354 2 0.569 0.6916 0.040 0.784 0.176
#> ERR315439 3 0.940 0.5789 0.208 0.292 0.500
#> ERR315444 3 0.940 0.5789 0.208 0.292 0.500
#> ERR315341 3 0.940 0.5789 0.208 0.292 0.500
#> ERR315412 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315337 2 0.326 0.7781 0.048 0.912 0.040
#> ERR315429 2 0.722 0.6786 0.140 0.716 0.144
#> ERR315436 2 0.722 0.6786 0.140 0.716 0.144
#> ERR315379 3 0.537 0.6737 0.056 0.128 0.816
#> ERR315443 2 0.602 0.7059 0.076 0.784 0.140
#> ERR315415 2 0.205 0.7794 0.028 0.952 0.020
#> ERR315456 2 0.205 0.7794 0.028 0.952 0.020
#> ERR315336 2 0.926 0.0311 0.176 0.500 0.324
#> ERR315399 2 0.926 0.0311 0.176 0.500 0.324
#> ERR315477 2 0.145 0.7800 0.024 0.968 0.008
#> ERR315346 3 0.940 0.5789 0.208 0.292 0.500
#> ERR315383 2 0.596 0.7097 0.076 0.788 0.136
#> ERR315494 2 0.602 0.7059 0.076 0.784 0.140
#> ERR315492 2 0.191 0.7797 0.028 0.956 0.016
#> ERR315432 2 0.145 0.7800 0.024 0.968 0.008
#> ERR315338 1 0.611 0.9136 0.764 0.052 0.184
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.273 0.97171 0.076 0.012 0.904 0.008
#> ERR315339 4 0.804 0.01307 0.020 0.372 0.176 0.432
#> ERR315376 4 0.804 0.01307 0.020 0.372 0.176 0.432
#> ERR315343 2 0.420 0.57161 0.012 0.788 0.004 0.196
#> ERR315342 2 0.420 0.57161 0.012 0.788 0.004 0.196
#> ERR315468 2 0.624 0.58711 0.016 0.676 0.076 0.232
#> ERR315434 4 0.769 0.29301 0.016 0.288 0.172 0.524
#> ERR315489 4 0.769 0.29301 0.016 0.288 0.172 0.524
#> ERR315371 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315433 2 0.491 0.48427 0.012 0.740 0.016 0.232
#> ERR315368 2 0.491 0.48427 0.012 0.740 0.016 0.232
#> ERR315465 1 0.201 0.91686 0.940 0.008 0.040 0.012
#> ERR315437 1 0.201 0.91686 0.940 0.008 0.040 0.012
#> ERR315327 2 0.803 0.42410 0.036 0.536 0.228 0.200
#> ERR315394 2 0.803 0.42410 0.036 0.536 0.228 0.200
#> ERR315427 4 0.935 0.61834 0.152 0.148 0.296 0.404
#> ERR315360 4 0.935 0.61834 0.152 0.148 0.296 0.404
#> ERR315426 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315387 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315475 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315395 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315333 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315460 4 0.802 0.00312 0.020 0.376 0.172 0.432
#> ERR315372 4 0.802 0.00312 0.020 0.376 0.172 0.432
#> ERR315472 4 0.771 0.28540 0.016 0.292 0.172 0.520
#> ERR315398 4 0.771 0.28540 0.016 0.292 0.172 0.520
#> ERR315409 3 0.251 0.97295 0.072 0.012 0.912 0.004
#> ERR315423 3 0.251 0.97295 0.072 0.012 0.912 0.004
#> ERR315402 2 0.173 0.66164 0.008 0.948 0.004 0.040
#> ERR315458 2 0.173 0.66164 0.008 0.948 0.004 0.040
#> ERR315366 1 0.225 0.91229 0.932 0.008 0.040 0.020
#> ERR315345 1 0.225 0.91229 0.932 0.008 0.040 0.020
#> ERR315326 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315424 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315382 2 0.734 0.47764 0.024 0.576 0.120 0.280
#> ERR315325 2 0.734 0.47764 0.024 0.576 0.120 0.280
#> ERR315369 3 0.305 0.96359 0.080 0.012 0.892 0.016
#> ERR315485 3 0.305 0.96359 0.080 0.012 0.892 0.016
#> ERR315420 2 0.741 0.48525 0.028 0.580 0.124 0.268
#> ERR315459 2 0.741 0.48525 0.028 0.580 0.124 0.268
#> ERR315353 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315487 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315378 2 0.420 0.57161 0.012 0.788 0.004 0.196
#> ERR315431 2 0.420 0.57161 0.012 0.788 0.004 0.196
#> ERR315335 2 0.332 0.62928 0.012 0.868 0.008 0.112
#> ERR315452 2 0.332 0.62928 0.012 0.868 0.008 0.112
#> ERR315471 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315390 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315329 1 0.183 0.93075 0.944 0.024 0.032 0.000
#> ERR315393 1 0.202 0.93052 0.940 0.024 0.032 0.004
#> ERR315488 1 0.202 0.93052 0.940 0.024 0.032 0.004
#> ERR315351 2 0.295 0.66191 0.008 0.900 0.028 0.064
#> ERR315350 2 0.295 0.66191 0.008 0.900 0.028 0.064
#> ERR315381 3 0.251 0.97295 0.072 0.012 0.912 0.004
#> ERR315388 3 0.251 0.97295 0.072 0.012 0.912 0.004
#> ERR315418 2 0.741 0.48525 0.028 0.580 0.124 0.268
#> ERR315449 2 0.741 0.48525 0.028 0.580 0.124 0.268
#> ERR315490 2 0.573 0.35108 0.012 0.664 0.032 0.292
#> ERR315495 2 0.573 0.35108 0.012 0.664 0.032 0.292
#> ERR315361 2 0.573 0.35108 0.012 0.664 0.032 0.292
#> ERR315419 3 0.233 0.97215 0.072 0.012 0.916 0.000
#> ERR315344 3 0.233 0.97215 0.072 0.012 0.916 0.000
#> ERR315414 2 0.803 0.42410 0.036 0.536 0.228 0.200
#> ERR315352 2 0.310 0.66064 0.008 0.892 0.028 0.072
#> ERR315410 2 0.575 0.29511 0.004 0.632 0.036 0.328
#> ERR315349 4 0.902 0.56680 0.112 0.136 0.352 0.400
#> ERR315474 4 0.902 0.56680 0.112 0.136 0.352 0.400
#> ERR315470 4 0.902 0.56680 0.112 0.136 0.352 0.400
#> ERR315428 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315363 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315469 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315425 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315476 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315478 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315362 4 0.725 0.27561 0.008 0.324 0.132 0.536
#> ERR315411 4 0.725 0.27561 0.008 0.324 0.132 0.536
#> ERR315416 1 0.217 0.92973 0.936 0.024 0.032 0.008
#> ERR315405 1 0.217 0.92973 0.936 0.024 0.032 0.008
#> ERR315408 3 0.251 0.97295 0.072 0.012 0.912 0.004
#> ERR315364 3 0.251 0.97295 0.072 0.012 0.912 0.004
#> ERR315359 2 0.624 0.25978 0.004 0.584 0.056 0.356
#> ERR315330 2 0.624 0.25978 0.004 0.584 0.056 0.356
#> ERR315384 2 0.347 0.65379 0.008 0.868 0.024 0.100
#> ERR315413 2 0.347 0.65379 0.008 0.868 0.024 0.100
#> ERR315332 2 0.477 0.50468 0.012 0.736 0.008 0.244
#> ERR315334 4 0.922 0.54247 0.192 0.100 0.316 0.392
#> ERR315447 4 0.922 0.54247 0.192 0.100 0.316 0.392
#> ERR315453 4 0.922 0.54247 0.192 0.100 0.316 0.392
#> ERR315442 3 0.233 0.97215 0.072 0.012 0.916 0.000
#> ERR315457 3 0.233 0.97215 0.072 0.012 0.916 0.000
#> ERR315392 2 0.332 0.62928 0.012 0.868 0.008 0.112
#> ERR315450 2 0.332 0.62928 0.012 0.868 0.008 0.112
#> ERR315462 3 0.301 0.93250 0.044 0.020 0.904 0.032
#> ERR315328 2 0.366 0.65307 0.012 0.860 0.024 0.104
#> ERR315389 2 0.366 0.65307 0.012 0.860 0.024 0.104
#> ERR315435 2 0.366 0.65307 0.012 0.860 0.024 0.104
#> ERR315482 2 0.332 0.62560 0.012 0.868 0.008 0.112
#> ERR315380 2 0.332 0.62560 0.012 0.868 0.008 0.112
#> ERR315377 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315374 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315466 2 0.735 0.50057 0.036 0.592 0.104 0.268
#> ERR315479 2 0.735 0.50057 0.036 0.592 0.104 0.268
#> ERR315473 1 0.217 0.92973 0.936 0.024 0.032 0.008
#> ERR315391 2 0.400 0.62954 0.012 0.828 0.016 0.144
#> ERR315417 2 0.332 0.62928 0.012 0.868 0.008 0.112
#> ERR315385 2 0.332 0.62928 0.012 0.868 0.008 0.112
#> ERR315386 2 0.634 0.02366 0.012 0.544 0.040 0.404
#> ERR315438 2 0.634 0.02366 0.012 0.544 0.040 0.404
#> ERR315367 2 0.347 0.65379 0.008 0.868 0.024 0.100
#> ERR315331 2 0.347 0.65379 0.008 0.868 0.024 0.100
#> ERR315347 4 0.887 0.53076 0.112 0.116 0.372 0.400
#> ERR315396 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315486 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315403 3 0.379 0.91079 0.080 0.004 0.856 0.060
#> ERR315357 3 0.379 0.91079 0.080 0.004 0.856 0.060
#> ERR315463 2 0.803 0.42410 0.036 0.536 0.228 0.200
#> ERR315451 2 0.803 0.42410 0.036 0.536 0.228 0.200
#> ERR315445 3 0.233 0.97215 0.072 0.012 0.916 0.000
#> ERR315461 3 0.233 0.97215 0.072 0.012 0.916 0.000
#> ERR315397 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315491 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315483 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315400 3 0.259 0.97058 0.076 0.012 0.908 0.004
#> ERR315440 1 0.202 0.93052 0.940 0.024 0.032 0.004
#> ERR315493 1 0.202 0.93052 0.940 0.024 0.032 0.004
#> ERR315441 1 0.202 0.93052 0.940 0.024 0.032 0.004
#> ERR315455 2 0.231 0.66522 0.008 0.928 0.016 0.048
#> ERR315421 4 0.940 0.63483 0.156 0.160 0.272 0.412
#> ERR315370 4 0.940 0.63483 0.156 0.160 0.272 0.412
#> ERR315355 4 0.940 0.63483 0.156 0.160 0.272 0.412
#> ERR315446 2 0.310 0.66064 0.008 0.892 0.028 0.072
#> ERR315375 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315467 3 0.563 0.78761 0.124 0.036 0.764 0.076
#> ERR315484 3 0.273 0.97171 0.076 0.012 0.904 0.008
#> ERR315406 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315404 1 0.384 0.84360 0.840 0.016 0.012 0.132
#> ERR315407 2 0.624 0.25978 0.004 0.584 0.056 0.356
#> ERR315340 2 0.624 0.25978 0.004 0.584 0.056 0.356
#> ERR315356 2 0.347 0.65379 0.008 0.868 0.024 0.100
#> ERR315430 2 0.347 0.65379 0.008 0.868 0.024 0.100
#> ERR315422 2 0.476 0.62120 0.004 0.784 0.052 0.160
#> ERR315358 2 0.476 0.62120 0.004 0.784 0.052 0.160
#> ERR315448 1 0.217 0.92973 0.936 0.024 0.032 0.008
#> ERR315401 4 0.802 0.00312 0.020 0.376 0.172 0.432
#> ERR315464 4 0.802 0.00312 0.020 0.376 0.172 0.432
#> ERR315481 1 0.408 0.78182 0.820 0.008 0.152 0.020
#> ERR315454 1 0.408 0.78182 0.820 0.008 0.152 0.020
#> ERR315365 2 0.624 0.25978 0.004 0.584 0.056 0.356
#> ERR315354 2 0.624 0.25978 0.004 0.584 0.056 0.356
#> ERR315439 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315444 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315341 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315412 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315337 2 0.494 0.62162 0.004 0.764 0.048 0.184
#> ERR315429 2 0.735 0.50057 0.036 0.592 0.104 0.268
#> ERR315436 2 0.735 0.50057 0.036 0.592 0.104 0.268
#> ERR315379 3 0.310 0.96103 0.076 0.012 0.892 0.020
#> ERR315443 2 0.732 0.50459 0.016 0.592 0.188 0.204
#> ERR315415 2 0.310 0.66064 0.008 0.892 0.028 0.072
#> ERR315456 2 0.310 0.66064 0.008 0.892 0.028 0.072
#> ERR315336 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315399 4 0.893 0.49256 0.124 0.332 0.116 0.428
#> ERR315477 2 0.231 0.66522 0.008 0.928 0.016 0.048
#> ERR315346 4 0.942 0.63373 0.172 0.152 0.264 0.412
#> ERR315383 2 0.732 0.50459 0.016 0.592 0.188 0.204
#> ERR315494 2 0.732 0.50459 0.016 0.592 0.188 0.204
#> ERR315492 2 0.310 0.66064 0.008 0.892 0.028 0.072
#> ERR315432 2 0.231 0.66522 0.008 0.928 0.016 0.048
#> ERR315338 1 0.217 0.92973 0.936 0.024 0.032 0.008
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.3406 0.95497 0.084 0.020 0.860 0.004 0.032
#> ERR315339 5 0.8150 0.41951 0.004 0.312 0.092 0.232 0.360
#> ERR315376 5 0.8150 0.41951 0.004 0.312 0.092 0.232 0.360
#> ERR315343 2 0.4197 0.57375 0.000 0.728 0.000 0.244 0.028
#> ERR315342 2 0.4197 0.57375 0.000 0.728 0.000 0.244 0.028
#> ERR315468 2 0.6796 0.00640 0.000 0.548 0.056 0.112 0.284
#> ERR315434 4 0.8272 -0.04128 0.004 0.224 0.116 0.376 0.280
#> ERR315489 4 0.8272 -0.04128 0.004 0.224 0.116 0.376 0.280
#> ERR315371 1 0.0613 0.90392 0.984 0.008 0.004 0.000 0.004
#> ERR315433 2 0.4244 0.54011 0.000 0.712 0.004 0.268 0.016
#> ERR315368 2 0.4244 0.54011 0.000 0.712 0.004 0.268 0.016
#> ERR315465 1 0.0960 0.89558 0.972 0.000 0.004 0.016 0.008
#> ERR315437 1 0.0960 0.89558 0.972 0.000 0.004 0.016 0.008
#> ERR315327 5 0.7324 0.46739 0.004 0.356 0.148 0.048 0.444
#> ERR315394 5 0.7324 0.46739 0.004 0.356 0.148 0.048 0.444
#> ERR315427 4 0.6745 0.71369 0.156 0.032 0.168 0.620 0.024
#> ERR315360 4 0.6745 0.71369 0.156 0.032 0.168 0.620 0.024
#> ERR315426 1 0.0451 0.90298 0.988 0.008 0.004 0.000 0.000
#> ERR315387 1 0.0451 0.90298 0.988 0.008 0.004 0.000 0.000
#> ERR315475 1 0.0451 0.90298 0.988 0.008 0.004 0.000 0.000
#> ERR315395 1 0.5201 0.77773 0.720 0.004 0.028 0.056 0.192
#> ERR315333 1 0.5201 0.77773 0.720 0.004 0.028 0.056 0.192
#> ERR315460 5 0.8150 0.41951 0.004 0.312 0.092 0.232 0.360
#> ERR315372 5 0.8150 0.41951 0.004 0.312 0.092 0.232 0.360
#> ERR315472 4 0.8284 -0.04991 0.004 0.228 0.116 0.372 0.280
#> ERR315398 4 0.8284 -0.04991 0.004 0.228 0.116 0.372 0.280
#> ERR315409 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315423 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315402 2 0.2511 0.59466 0.000 0.892 0.004 0.088 0.016
#> ERR315458 2 0.2511 0.59466 0.000 0.892 0.004 0.088 0.016
#> ERR315366 1 0.2054 0.85578 0.916 0.000 0.004 0.072 0.008
#> ERR315345 1 0.2054 0.85578 0.916 0.000 0.004 0.072 0.008
#> ERR315326 4 0.6844 0.71086 0.172 0.024 0.164 0.608 0.032
#> ERR315424 4 0.6844 0.71086 0.172 0.024 0.164 0.608 0.032
#> ERR315382 5 0.6806 0.55410 0.000 0.376 0.056 0.088 0.480
#> ERR315325 5 0.6806 0.55410 0.000 0.376 0.056 0.088 0.480
#> ERR315369 3 0.4072 0.94524 0.088 0.020 0.832 0.032 0.028
#> ERR315485 3 0.4072 0.94524 0.088 0.020 0.832 0.032 0.028
#> ERR315420 5 0.6363 0.55566 0.000 0.412 0.052 0.052 0.484
#> ERR315459 5 0.6363 0.55566 0.000 0.412 0.052 0.052 0.484
#> ERR315353 4 0.6890 0.71341 0.168 0.028 0.164 0.608 0.032
#> ERR315487 4 0.6890 0.71341 0.168 0.028 0.164 0.608 0.032
#> ERR315378 2 0.4197 0.57375 0.000 0.728 0.000 0.244 0.028
#> ERR315431 2 0.4197 0.57375 0.000 0.728 0.000 0.244 0.028
#> ERR315335 2 0.2976 0.59754 0.000 0.852 0.004 0.132 0.012
#> ERR315452 2 0.2976 0.59754 0.000 0.852 0.004 0.132 0.012
#> ERR315471 1 0.0613 0.90392 0.984 0.008 0.004 0.000 0.004
#> ERR315390 1 0.0613 0.90392 0.984 0.008 0.004 0.000 0.004
#> ERR315329 1 0.0613 0.90392 0.984 0.008 0.004 0.000 0.004
#> ERR315393 1 0.0740 0.90360 0.980 0.008 0.004 0.000 0.008
#> ERR315488 1 0.0740 0.90360 0.980 0.008 0.004 0.000 0.008
#> ERR315351 2 0.2908 0.50934 0.000 0.884 0.016 0.032 0.068
#> ERR315350 2 0.2908 0.50934 0.000 0.884 0.016 0.032 0.068
#> ERR315381 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315388 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315418 5 0.6363 0.55566 0.000 0.412 0.052 0.052 0.484
#> ERR315449 5 0.6363 0.55566 0.000 0.412 0.052 0.052 0.484
#> ERR315490 2 0.4697 0.45895 0.000 0.620 0.008 0.360 0.012
#> ERR315495 2 0.4697 0.45895 0.000 0.620 0.008 0.360 0.012
#> ERR315361 2 0.4697 0.45895 0.000 0.620 0.008 0.360 0.012
#> ERR315419 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315344 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315414 5 0.7324 0.46739 0.004 0.356 0.148 0.048 0.444
#> ERR315352 2 0.2949 0.49570 0.000 0.880 0.016 0.028 0.076
#> ERR315410 2 0.5625 0.42238 0.000 0.576 0.016 0.356 0.052
#> ERR315349 4 0.6722 0.68004 0.132 0.024 0.216 0.604 0.024
#> ERR315474 4 0.6722 0.68004 0.132 0.024 0.216 0.604 0.024
#> ERR315470 4 0.6722 0.68004 0.132 0.024 0.216 0.604 0.024
#> ERR315428 2 0.6258 0.16568 0.000 0.604 0.032 0.112 0.252
#> ERR315363 2 0.6258 0.16568 0.000 0.604 0.032 0.112 0.252
#> ERR315469 1 0.5230 0.77775 0.720 0.004 0.028 0.060 0.188
#> ERR315425 1 0.5230 0.77775 0.720 0.004 0.028 0.060 0.188
#> ERR315476 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315478 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315362 4 0.8203 -0.00892 0.004 0.224 0.108 0.388 0.276
#> ERR315411 4 0.8203 -0.00892 0.004 0.224 0.108 0.388 0.276
#> ERR315416 1 0.1375 0.89900 0.960 0.008 0.008 0.016 0.008
#> ERR315405 1 0.1375 0.89900 0.960 0.008 0.008 0.016 0.008
#> ERR315408 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315364 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315359 2 0.6392 0.37998 0.000 0.528 0.032 0.352 0.088
#> ERR315330 2 0.6392 0.37998 0.000 0.528 0.032 0.352 0.088
#> ERR315384 2 0.5181 0.48278 0.000 0.724 0.020 0.152 0.104
#> ERR315413 2 0.5181 0.48278 0.000 0.724 0.020 0.152 0.104
#> ERR315332 2 0.4206 0.56420 0.000 0.708 0.000 0.272 0.020
#> ERR315334 4 0.6820 0.67574 0.196 0.012 0.172 0.588 0.032
#> ERR315447 4 0.6820 0.67574 0.196 0.012 0.172 0.588 0.032
#> ERR315453 4 0.6820 0.67574 0.196 0.012 0.172 0.588 0.032
#> ERR315442 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315457 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315392 2 0.2976 0.59754 0.000 0.852 0.004 0.132 0.012
#> ERR315450 2 0.2976 0.59754 0.000 0.852 0.004 0.132 0.012
#> ERR315462 3 0.3583 0.94210 0.068 0.020 0.860 0.016 0.036
#> ERR315328 2 0.5228 0.47775 0.000 0.720 0.020 0.152 0.108
#> ERR315389 2 0.5228 0.47775 0.000 0.720 0.020 0.152 0.108
#> ERR315435 2 0.5228 0.47775 0.000 0.720 0.020 0.152 0.108
#> ERR315482 2 0.2783 0.59997 0.000 0.868 0.004 0.116 0.012
#> ERR315380 2 0.2783 0.59997 0.000 0.868 0.004 0.116 0.012
#> ERR315377 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315374 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315466 5 0.5623 0.53133 0.000 0.416 0.056 0.008 0.520
#> ERR315479 5 0.5623 0.53133 0.000 0.416 0.056 0.008 0.520
#> ERR315473 1 0.1269 0.89990 0.964 0.008 0.008 0.012 0.008
#> ERR315391 2 0.2907 0.58466 0.000 0.864 0.008 0.116 0.012
#> ERR315417 2 0.2976 0.59754 0.000 0.852 0.004 0.132 0.012
#> ERR315385 2 0.2976 0.59754 0.000 0.852 0.004 0.132 0.012
#> ERR315386 4 0.4595 0.19537 0.000 0.400 0.008 0.588 0.004
#> ERR315438 4 0.4595 0.19537 0.000 0.400 0.008 0.588 0.004
#> ERR315367 2 0.5181 0.48278 0.000 0.724 0.020 0.152 0.104
#> ERR315331 2 0.5181 0.48278 0.000 0.724 0.020 0.152 0.104
#> ERR315347 4 0.6805 0.66287 0.136 0.020 0.224 0.592 0.028
#> ERR315396 1 0.5201 0.77773 0.720 0.004 0.028 0.056 0.192
#> ERR315486 1 0.5201 0.77773 0.720 0.004 0.028 0.056 0.192
#> ERR315403 3 0.4455 0.89643 0.100 0.004 0.800 0.064 0.032
#> ERR315357 3 0.4455 0.89643 0.100 0.004 0.800 0.064 0.032
#> ERR315463 5 0.7324 0.46739 0.004 0.356 0.148 0.048 0.444
#> ERR315451 5 0.7324 0.46739 0.004 0.356 0.148 0.048 0.444
#> ERR315445 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315461 3 0.2664 0.96517 0.092 0.020 0.884 0.004 0.000
#> ERR315397 2 0.6258 0.16568 0.000 0.604 0.032 0.112 0.252
#> ERR315491 2 0.6258 0.16568 0.000 0.604 0.032 0.112 0.252
#> ERR315483 2 0.6258 0.16568 0.000 0.604 0.032 0.112 0.252
#> ERR315400 3 0.3380 0.95690 0.088 0.020 0.860 0.004 0.028
#> ERR315440 1 0.0740 0.90360 0.980 0.008 0.004 0.000 0.008
#> ERR315493 1 0.0740 0.90360 0.980 0.008 0.004 0.000 0.008
#> ERR315441 1 0.0740 0.90360 0.980 0.008 0.004 0.000 0.008
#> ERR315455 2 0.2734 0.50756 0.000 0.888 0.008 0.028 0.076
#> ERR315421 4 0.6615 0.72035 0.156 0.040 0.156 0.632 0.016
#> ERR315370 4 0.6615 0.72035 0.156 0.040 0.156 0.632 0.016
#> ERR315355 4 0.6615 0.72035 0.156 0.040 0.156 0.632 0.016
#> ERR315446 2 0.2949 0.49570 0.000 0.880 0.016 0.028 0.076
#> ERR315375 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315467 3 0.6472 0.74537 0.128 0.028 0.672 0.116 0.056
#> ERR315484 3 0.3380 0.95690 0.088 0.020 0.860 0.004 0.028
#> ERR315406 1 0.5201 0.77773 0.720 0.004 0.028 0.056 0.192
#> ERR315404 1 0.5201 0.77773 0.720 0.004 0.028 0.056 0.192
#> ERR315407 2 0.6392 0.37998 0.000 0.528 0.032 0.352 0.088
#> ERR315340 2 0.6392 0.37998 0.000 0.528 0.032 0.352 0.088
#> ERR315356 2 0.5181 0.48278 0.000 0.724 0.020 0.152 0.104
#> ERR315430 2 0.5181 0.48278 0.000 0.724 0.020 0.152 0.104
#> ERR315422 2 0.6100 0.13062 0.000 0.612 0.032 0.092 0.264
#> ERR315358 2 0.6100 0.13062 0.000 0.612 0.032 0.092 0.264
#> ERR315448 1 0.1375 0.89900 0.960 0.008 0.008 0.016 0.008
#> ERR315401 5 0.8150 0.41951 0.004 0.312 0.092 0.232 0.360
#> ERR315464 5 0.8150 0.41951 0.004 0.312 0.092 0.232 0.360
#> ERR315481 1 0.3253 0.80164 0.864 0.000 0.056 0.068 0.012
#> ERR315454 1 0.3253 0.80164 0.864 0.000 0.056 0.068 0.012
#> ERR315365 2 0.6392 0.37998 0.000 0.528 0.032 0.352 0.088
#> ERR315354 2 0.6392 0.37998 0.000 0.528 0.032 0.352 0.088
#> ERR315439 4 0.6890 0.71341 0.168 0.028 0.164 0.608 0.032
#> ERR315444 4 0.6890 0.71341 0.168 0.028 0.164 0.608 0.032
#> ERR315341 4 0.6890 0.71341 0.168 0.028 0.164 0.608 0.032
#> ERR315412 2 0.6280 0.15575 0.000 0.600 0.032 0.112 0.256
#> ERR315337 2 0.6280 0.15575 0.000 0.600 0.032 0.112 0.256
#> ERR315429 5 0.5623 0.53133 0.000 0.416 0.056 0.008 0.520
#> ERR315436 5 0.5623 0.53133 0.000 0.416 0.056 0.008 0.520
#> ERR315379 3 0.4141 0.93751 0.076 0.020 0.832 0.036 0.036
#> ERR315443 2 0.6970 -0.27776 0.000 0.500 0.108 0.060 0.332
#> ERR315415 2 0.2949 0.49570 0.000 0.880 0.016 0.028 0.076
#> ERR315456 2 0.2949 0.49570 0.000 0.880 0.016 0.028 0.076
#> ERR315336 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315399 4 0.6823 0.62867 0.084 0.196 0.084 0.620 0.016
#> ERR315477 2 0.2734 0.50756 0.000 0.888 0.008 0.028 0.076
#> ERR315346 4 0.6890 0.71341 0.168 0.028 0.164 0.608 0.032
#> ERR315383 2 0.6970 -0.27776 0.000 0.500 0.108 0.060 0.332
#> ERR315494 2 0.6970 -0.27776 0.000 0.500 0.108 0.060 0.332
#> ERR315492 2 0.3033 0.50091 0.000 0.876 0.016 0.032 0.076
#> ERR315432 2 0.2734 0.50756 0.000 0.888 0.008 0.028 0.076
#> ERR315338 1 0.1375 0.89900 0.960 0.008 0.008 0.016 0.008
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.2452 0.963 0.056 0.000 0.900 0.020 0.008 NA
#> ERR315339 5 0.8011 0.390 0.000 0.148 0.064 0.228 0.420 NA
#> ERR315376 5 0.8011 0.390 0.000 0.148 0.064 0.228 0.420 NA
#> ERR315343 2 0.5097 0.546 0.004 0.700 0.008 0.192 0.032 NA
#> ERR315342 2 0.5097 0.546 0.004 0.700 0.008 0.192 0.032 NA
#> ERR315468 5 0.7567 0.312 0.000 0.356 0.068 0.084 0.392 NA
#> ERR315434 4 0.7968 0.133 0.000 0.096 0.096 0.420 0.260 NA
#> ERR315489 4 0.7968 0.133 0.000 0.096 0.096 0.420 0.260 NA
#> ERR315371 1 0.0582 0.891 0.984 0.004 0.004 0.004 0.000 NA
#> ERR315433 2 0.3977 0.514 0.000 0.692 0.008 0.288 0.008 NA
#> ERR315368 2 0.3977 0.514 0.000 0.692 0.008 0.288 0.008 NA
#> ERR315465 1 0.1476 0.881 0.948 0.000 0.008 0.028 0.004 NA
#> ERR315437 1 0.1476 0.881 0.948 0.000 0.008 0.028 0.004 NA
#> ERR315327 5 0.7617 0.478 0.004 0.252 0.136 0.044 0.464 NA
#> ERR315394 5 0.7617 0.478 0.004 0.252 0.136 0.044 0.464 NA
#> ERR315427 4 0.4989 0.731 0.056 0.060 0.168 0.712 0.000 NA
#> ERR315360 4 0.4989 0.731 0.056 0.060 0.168 0.712 0.000 NA
#> ERR315426 1 0.0436 0.891 0.988 0.004 0.004 0.004 0.000 NA
#> ERR315387 1 0.0436 0.891 0.988 0.004 0.004 0.004 0.000 NA
#> ERR315475 1 0.0436 0.891 0.988 0.004 0.004 0.004 0.000 NA
#> ERR315395 1 0.5277 0.707 0.620 0.004 0.008 0.012 0.064 NA
#> ERR315333 1 0.5277 0.707 0.620 0.004 0.008 0.012 0.064 NA
#> ERR315460 5 0.8002 0.399 0.000 0.152 0.060 0.224 0.420 NA
#> ERR315372 5 0.8002 0.399 0.000 0.152 0.060 0.224 0.420 NA
#> ERR315472 4 0.7993 0.129 0.000 0.100 0.092 0.416 0.260 NA
#> ERR315398 4 0.7993 0.129 0.000 0.100 0.092 0.416 0.260 NA
#> ERR315409 3 0.1411 0.970 0.060 0.000 0.936 0.004 0.000 NA
#> ERR315423 3 0.1411 0.970 0.060 0.000 0.936 0.004 0.000 NA
#> ERR315402 2 0.2257 0.559 0.000 0.904 0.004 0.060 0.028 NA
#> ERR315458 2 0.2257 0.559 0.000 0.904 0.004 0.060 0.028 NA
#> ERR315366 1 0.1862 0.870 0.928 0.000 0.008 0.044 0.004 NA
#> ERR315345 1 0.1862 0.870 0.928 0.000 0.008 0.044 0.004 NA
#> ERR315326 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315424 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315382 5 0.4801 0.588 0.004 0.200 0.048 0.020 0.716 NA
#> ERR315325 5 0.4801 0.588 0.004 0.200 0.048 0.020 0.716 NA
#> ERR315369 3 0.2919 0.958 0.060 0.000 0.876 0.032 0.008 NA
#> ERR315485 3 0.2919 0.958 0.060 0.000 0.876 0.032 0.008 NA
#> ERR315420 5 0.4686 0.590 0.004 0.204 0.044 0.012 0.720 NA
#> ERR315459 5 0.4686 0.590 0.004 0.204 0.044 0.012 0.720 NA
#> ERR315353 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315487 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315378 2 0.5097 0.546 0.004 0.700 0.008 0.192 0.032 NA
#> ERR315431 2 0.5097 0.546 0.004 0.700 0.008 0.192 0.032 NA
#> ERR315335 2 0.3861 0.568 0.004 0.816 0.012 0.108 0.028 NA
#> ERR315452 2 0.3861 0.568 0.004 0.816 0.012 0.108 0.028 NA
#> ERR315471 1 0.0582 0.891 0.984 0.004 0.004 0.004 0.000 NA
#> ERR315390 1 0.0582 0.891 0.984 0.004 0.004 0.004 0.000 NA
#> ERR315329 1 0.0582 0.891 0.984 0.004 0.004 0.004 0.000 NA
#> ERR315393 1 0.0436 0.891 0.988 0.004 0.004 0.000 0.000 NA
#> ERR315488 1 0.0436 0.891 0.988 0.004 0.004 0.000 0.000 NA
#> ERR315351 2 0.4432 0.462 0.000 0.772 0.016 0.020 0.096 NA
#> ERR315350 2 0.4432 0.462 0.000 0.772 0.016 0.020 0.096 NA
#> ERR315381 3 0.1411 0.970 0.060 0.000 0.936 0.004 0.000 NA
#> ERR315388 3 0.1411 0.970 0.060 0.000 0.936 0.004 0.000 NA
#> ERR315418 5 0.4686 0.590 0.004 0.204 0.044 0.012 0.720 NA
#> ERR315449 5 0.4686 0.590 0.004 0.204 0.044 0.012 0.720 NA
#> ERR315490 2 0.4341 0.409 0.000 0.620 0.012 0.356 0.008 NA
#> ERR315495 2 0.4341 0.409 0.000 0.620 0.012 0.356 0.008 NA
#> ERR315361 2 0.4341 0.409 0.000 0.620 0.012 0.356 0.008 NA
#> ERR315419 3 0.1668 0.970 0.060 0.000 0.928 0.004 0.000 NA
#> ERR315344 3 0.1668 0.970 0.060 0.000 0.928 0.004 0.000 NA
#> ERR315414 5 0.7617 0.478 0.004 0.252 0.136 0.044 0.464 NA
#> ERR315352 2 0.4652 0.439 0.000 0.752 0.016 0.020 0.116 NA
#> ERR315410 2 0.5756 0.309 0.000 0.512 0.020 0.392 0.052 NA
#> ERR315349 4 0.4966 0.727 0.048 0.060 0.180 0.708 0.000 NA
#> ERR315474 4 0.4966 0.727 0.048 0.060 0.180 0.708 0.000 NA
#> ERR315470 4 0.4966 0.727 0.048 0.060 0.180 0.708 0.000 NA
#> ERR315428 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315363 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315469 1 0.5041 0.707 0.620 0.004 0.008 0.004 0.056 NA
#> ERR315425 1 0.5041 0.707 0.620 0.004 0.008 0.004 0.056 NA
#> ERR315476 4 0.6541 0.563 0.044 0.180 0.056 0.628 0.024 NA
#> ERR315478 4 0.6541 0.563 0.044 0.180 0.056 0.628 0.024 NA
#> ERR315362 4 0.7869 0.156 0.000 0.104 0.076 0.432 0.256 NA
#> ERR315411 4 0.7869 0.156 0.000 0.104 0.076 0.432 0.256 NA
#> ERR315416 1 0.1241 0.888 0.960 0.004 0.004 0.004 0.008 NA
#> ERR315405 1 0.1241 0.888 0.960 0.004 0.004 0.004 0.008 NA
#> ERR315408 3 0.1411 0.970 0.060 0.000 0.936 0.004 0.000 NA
#> ERR315364 3 0.1411 0.970 0.060 0.000 0.936 0.004 0.000 NA
#> ERR315359 2 0.6651 0.261 0.000 0.448 0.040 0.380 0.104 NA
#> ERR315330 2 0.6651 0.261 0.000 0.448 0.040 0.380 0.104 NA
#> ERR315384 2 0.5455 0.401 0.004 0.656 0.000 0.032 0.120 NA
#> ERR315413 2 0.5455 0.401 0.004 0.656 0.000 0.032 0.120 NA
#> ERR315332 2 0.5232 0.537 0.004 0.676 0.008 0.220 0.032 NA
#> ERR315334 4 0.5128 0.716 0.084 0.036 0.172 0.700 0.000 NA
#> ERR315447 4 0.5128 0.716 0.084 0.036 0.172 0.700 0.000 NA
#> ERR315453 4 0.5128 0.716 0.084 0.036 0.172 0.700 0.000 NA
#> ERR315442 3 0.1668 0.970 0.060 0.000 0.928 0.004 0.000 NA
#> ERR315457 3 0.1668 0.970 0.060 0.000 0.928 0.004 0.000 NA
#> ERR315392 2 0.3861 0.568 0.004 0.816 0.012 0.108 0.028 NA
#> ERR315450 2 0.3861 0.568 0.004 0.816 0.012 0.108 0.028 NA
#> ERR315462 3 0.2501 0.945 0.036 0.000 0.900 0.040 0.008 NA
#> ERR315328 2 0.5455 0.401 0.004 0.656 0.000 0.032 0.120 NA
#> ERR315389 2 0.5455 0.401 0.004 0.656 0.000 0.032 0.120 NA
#> ERR315435 2 0.5455 0.401 0.004 0.656 0.000 0.032 0.120 NA
#> ERR315482 2 0.2800 0.576 0.000 0.860 0.008 0.112 0.016 NA
#> ERR315380 2 0.2800 0.576 0.000 0.860 0.008 0.112 0.016 NA
#> ERR315377 4 0.6637 0.563 0.044 0.180 0.056 0.620 0.024 NA
#> ERR315374 4 0.6637 0.563 0.044 0.180 0.056 0.620 0.024 NA
#> ERR315466 5 0.5008 0.560 0.004 0.232 0.032 0.000 0.676 NA
#> ERR315479 5 0.5008 0.560 0.004 0.232 0.032 0.000 0.676 NA
#> ERR315473 1 0.1241 0.888 0.960 0.004 0.004 0.004 0.008 NA
#> ERR315391 2 0.4404 0.531 0.000 0.780 0.020 0.084 0.024 NA
#> ERR315417 2 0.3861 0.568 0.004 0.816 0.012 0.108 0.028 NA
#> ERR315385 2 0.3861 0.568 0.004 0.816 0.012 0.108 0.028 NA
#> ERR315386 4 0.4662 0.155 0.000 0.408 0.012 0.560 0.008 NA
#> ERR315438 4 0.4662 0.155 0.000 0.408 0.012 0.560 0.008 NA
#> ERR315367 2 0.5493 0.401 0.004 0.652 0.000 0.032 0.124 NA
#> ERR315331 2 0.5493 0.401 0.004 0.652 0.000 0.032 0.124 NA
#> ERR315347 4 0.4940 0.725 0.048 0.056 0.184 0.708 0.000 NA
#> ERR315396 1 0.5242 0.707 0.620 0.004 0.008 0.012 0.060 NA
#> ERR315486 1 0.5242 0.707 0.620 0.004 0.008 0.012 0.060 NA
#> ERR315403 3 0.2849 0.951 0.060 0.000 0.876 0.044 0.004 NA
#> ERR315357 3 0.2849 0.951 0.060 0.000 0.876 0.044 0.004 NA
#> ERR315463 5 0.7617 0.478 0.004 0.252 0.136 0.044 0.464 NA
#> ERR315451 5 0.7617 0.478 0.004 0.252 0.136 0.044 0.464 NA
#> ERR315445 3 0.1668 0.970 0.060 0.000 0.928 0.004 0.000 NA
#> ERR315461 3 0.1668 0.970 0.060 0.000 0.928 0.004 0.000 NA
#> ERR315397 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315491 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315483 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315400 3 0.2313 0.965 0.060 0.000 0.904 0.016 0.004 NA
#> ERR315440 1 0.0436 0.891 0.988 0.004 0.004 0.000 0.000 NA
#> ERR315493 1 0.0436 0.891 0.988 0.004 0.004 0.000 0.000 NA
#> ERR315441 1 0.0436 0.891 0.988 0.004 0.004 0.000 0.000 NA
#> ERR315455 2 0.4712 0.456 0.004 0.752 0.016 0.016 0.112 NA
#> ERR315421 4 0.4623 0.730 0.056 0.056 0.148 0.740 0.000 NA
#> ERR315370 4 0.4623 0.730 0.056 0.056 0.148 0.740 0.000 NA
#> ERR315355 4 0.4623 0.730 0.056 0.056 0.148 0.740 0.000 NA
#> ERR315446 2 0.4652 0.439 0.000 0.752 0.016 0.020 0.116 NA
#> ERR315375 4 0.6541 0.563 0.044 0.180 0.056 0.628 0.024 NA
#> ERR315467 3 0.5040 0.771 0.092 0.000 0.724 0.136 0.028 NA
#> ERR315484 3 0.2401 0.964 0.060 0.000 0.900 0.020 0.004 NA
#> ERR315406 1 0.5079 0.707 0.620 0.004 0.008 0.004 0.060 NA
#> ERR315404 1 0.5079 0.707 0.620 0.004 0.008 0.004 0.060 NA
#> ERR315407 2 0.6651 0.261 0.000 0.448 0.040 0.380 0.104 NA
#> ERR315340 2 0.6651 0.261 0.000 0.448 0.040 0.380 0.104 NA
#> ERR315356 2 0.5493 0.401 0.004 0.652 0.000 0.032 0.124 NA
#> ERR315430 2 0.5493 0.401 0.004 0.652 0.000 0.032 0.124 NA
#> ERR315422 5 0.6735 0.183 0.000 0.412 0.020 0.076 0.412 NA
#> ERR315358 5 0.6735 0.183 0.000 0.412 0.020 0.076 0.412 NA
#> ERR315448 1 0.1241 0.888 0.960 0.004 0.004 0.004 0.008 NA
#> ERR315401 5 0.8002 0.399 0.000 0.152 0.060 0.224 0.420 NA
#> ERR315464 5 0.8002 0.399 0.000 0.152 0.060 0.224 0.420 NA
#> ERR315481 1 0.3065 0.815 0.864 0.000 0.052 0.060 0.004 NA
#> ERR315454 1 0.3065 0.815 0.864 0.000 0.052 0.060 0.004 NA
#> ERR315365 2 0.6651 0.261 0.000 0.448 0.040 0.380 0.104 NA
#> ERR315354 2 0.6651 0.261 0.000 0.448 0.040 0.380 0.104 NA
#> ERR315439 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315444 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315341 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315412 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315337 2 0.6770 -0.190 0.000 0.420 0.020 0.084 0.400 NA
#> ERR315429 5 0.5008 0.560 0.004 0.232 0.032 0.000 0.676 NA
#> ERR315436 5 0.5008 0.560 0.004 0.232 0.032 0.000 0.676 NA
#> ERR315379 3 0.2969 0.954 0.052 0.000 0.876 0.036 0.012 NA
#> ERR315443 5 0.7442 0.436 0.000 0.324 0.104 0.040 0.424 NA
#> ERR315415 2 0.4652 0.439 0.000 0.752 0.016 0.020 0.116 NA
#> ERR315456 2 0.4652 0.439 0.000 0.752 0.016 0.020 0.116 NA
#> ERR315336 4 0.6541 0.563 0.044 0.180 0.056 0.628 0.024 NA
#> ERR315399 4 0.6541 0.563 0.044 0.180 0.056 0.628 0.024 NA
#> ERR315477 2 0.4712 0.456 0.004 0.752 0.016 0.016 0.112 NA
#> ERR315346 4 0.6111 0.710 0.072 0.024 0.160 0.664 0.024 NA
#> ERR315383 5 0.7442 0.436 0.000 0.324 0.104 0.040 0.424 NA
#> ERR315494 5 0.7442 0.436 0.000 0.324 0.104 0.040 0.424 NA
#> ERR315492 2 0.4610 0.445 0.000 0.756 0.016 0.020 0.112 NA
#> ERR315432 2 0.4712 0.456 0.004 0.752 0.016 0.016 0.112 NA
#> ERR315338 1 0.1241 0.888 0.960 0.004 0.004 0.004 0.008 NA
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "skmeans"]
# you can also extract it by
# res = res_list["SD:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.960 0.983 0.4996 0.498 0.498
#> 3 3 0.606 0.711 0.829 0.2826 0.837 0.686
#> 4 4 0.597 0.698 0.815 0.1446 0.855 0.643
#> 5 5 0.770 0.767 0.876 0.0803 0.808 0.442
#> 6 6 0.800 0.811 0.859 0.0414 0.934 0.699
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.000 0.967 1.000 0.000
#> ERR315339 2 0.000 0.997 0.000 1.000
#> ERR315376 2 0.000 0.997 0.000 1.000
#> ERR315343 2 0.000 0.997 0.000 1.000
#> ERR315342 2 0.000 0.997 0.000 1.000
#> ERR315468 2 0.000 0.997 0.000 1.000
#> ERR315434 2 0.000 0.997 0.000 1.000
#> ERR315489 2 0.000 0.997 0.000 1.000
#> ERR315371 1 0.000 0.967 1.000 0.000
#> ERR315433 2 0.000 0.997 0.000 1.000
#> ERR315368 2 0.000 0.997 0.000 1.000
#> ERR315465 1 0.000 0.967 1.000 0.000
#> ERR315437 1 0.000 0.967 1.000 0.000
#> ERR315327 2 0.373 0.921 0.072 0.928
#> ERR315394 2 0.373 0.921 0.072 0.928
#> ERR315427 1 0.000 0.967 1.000 0.000
#> ERR315360 1 0.000 0.967 1.000 0.000
#> ERR315426 1 0.000 0.967 1.000 0.000
#> ERR315387 1 0.000 0.967 1.000 0.000
#> ERR315475 1 0.000 0.967 1.000 0.000
#> ERR315395 1 0.000 0.967 1.000 0.000
#> ERR315333 1 0.000 0.967 1.000 0.000
#> ERR315460 2 0.000 0.997 0.000 1.000
#> ERR315372 2 0.000 0.997 0.000 1.000
#> ERR315472 2 0.000 0.997 0.000 1.000
#> ERR315398 2 0.000 0.997 0.000 1.000
#> ERR315409 1 0.000 0.967 1.000 0.000
#> ERR315423 1 0.000 0.967 1.000 0.000
#> ERR315402 2 0.000 0.997 0.000 1.000
#> ERR315458 2 0.000 0.997 0.000 1.000
#> ERR315366 1 0.000 0.967 1.000 0.000
#> ERR315345 1 0.000 0.967 1.000 0.000
#> ERR315326 1 0.000 0.967 1.000 0.000
#> ERR315424 1 0.000 0.967 1.000 0.000
#> ERR315382 2 0.000 0.997 0.000 1.000
#> ERR315325 2 0.000 0.997 0.000 1.000
#> ERR315369 1 0.000 0.967 1.000 0.000
#> ERR315485 1 0.000 0.967 1.000 0.000
#> ERR315420 2 0.000 0.997 0.000 1.000
#> ERR315459 2 0.000 0.997 0.000 1.000
#> ERR315353 1 0.000 0.967 1.000 0.000
#> ERR315487 1 0.000 0.967 1.000 0.000
#> ERR315378 2 0.000 0.997 0.000 1.000
#> ERR315431 2 0.000 0.997 0.000 1.000
#> ERR315335 2 0.000 0.997 0.000 1.000
#> ERR315452 2 0.000 0.997 0.000 1.000
#> ERR315471 1 0.000 0.967 1.000 0.000
#> ERR315390 1 0.000 0.967 1.000 0.000
#> ERR315329 1 0.000 0.967 1.000 0.000
#> ERR315393 1 0.000 0.967 1.000 0.000
#> ERR315488 1 0.000 0.967 1.000 0.000
#> ERR315351 2 0.000 0.997 0.000 1.000
#> ERR315350 2 0.000 0.997 0.000 1.000
#> ERR315381 1 0.000 0.967 1.000 0.000
#> ERR315388 1 0.000 0.967 1.000 0.000
#> ERR315418 2 0.000 0.997 0.000 1.000
#> ERR315449 2 0.000 0.997 0.000 1.000
#> ERR315490 2 0.000 0.997 0.000 1.000
#> ERR315495 2 0.000 0.997 0.000 1.000
#> ERR315361 2 0.000 0.997 0.000 1.000
#> ERR315419 1 0.000 0.967 1.000 0.000
#> ERR315344 1 0.000 0.967 1.000 0.000
#> ERR315414 2 0.000 0.997 0.000 1.000
#> ERR315352 2 0.000 0.997 0.000 1.000
#> ERR315410 2 0.000 0.997 0.000 1.000
#> ERR315349 1 0.000 0.967 1.000 0.000
#> ERR315474 1 0.000 0.967 1.000 0.000
#> ERR315470 1 0.000 0.967 1.000 0.000
#> ERR315428 2 0.000 0.997 0.000 1.000
#> ERR315363 2 0.000 0.997 0.000 1.000
#> ERR315469 1 0.000 0.967 1.000 0.000
#> ERR315425 1 0.000 0.967 1.000 0.000
#> ERR315476 1 0.946 0.473 0.636 0.364
#> ERR315478 1 0.946 0.473 0.636 0.364
#> ERR315362 2 0.000 0.997 0.000 1.000
#> ERR315411 2 0.000 0.997 0.000 1.000
#> ERR315416 1 0.000 0.967 1.000 0.000
#> ERR315405 1 0.000 0.967 1.000 0.000
#> ERR315408 1 0.000 0.967 1.000 0.000
#> ERR315364 1 0.000 0.967 1.000 0.000
#> ERR315359 2 0.000 0.997 0.000 1.000
#> ERR315330 2 0.000 0.997 0.000 1.000
#> ERR315384 2 0.000 0.997 0.000 1.000
#> ERR315413 2 0.000 0.997 0.000 1.000
#> ERR315332 2 0.000 0.997 0.000 1.000
#> ERR315334 1 0.000 0.967 1.000 0.000
#> ERR315447 1 0.000 0.967 1.000 0.000
#> ERR315453 1 0.000 0.967 1.000 0.000
#> ERR315442 1 0.000 0.967 1.000 0.000
#> ERR315457 1 0.000 0.967 1.000 0.000
#> ERR315392 2 0.000 0.997 0.000 1.000
#> ERR315450 2 0.000 0.997 0.000 1.000
#> ERR315462 1 0.000 0.967 1.000 0.000
#> ERR315328 2 0.000 0.997 0.000 1.000
#> ERR315389 2 0.000 0.997 0.000 1.000
#> ERR315435 2 0.000 0.997 0.000 1.000
#> ERR315482 2 0.000 0.997 0.000 1.000
#> ERR315380 2 0.000 0.997 0.000 1.000
#> ERR315377 1 0.946 0.473 0.636 0.364
#> ERR315374 1 0.946 0.473 0.636 0.364
#> ERR315466 2 0.000 0.997 0.000 1.000
#> ERR315479 2 0.000 0.997 0.000 1.000
#> ERR315473 1 0.000 0.967 1.000 0.000
#> ERR315391 2 0.000 0.997 0.000 1.000
#> ERR315417 2 0.000 0.997 0.000 1.000
#> ERR315385 2 0.000 0.997 0.000 1.000
#> ERR315386 2 0.000 0.997 0.000 1.000
#> ERR315438 2 0.000 0.997 0.000 1.000
#> ERR315367 2 0.000 0.997 0.000 1.000
#> ERR315331 2 0.000 0.997 0.000 1.000
#> ERR315347 1 0.000 0.967 1.000 0.000
#> ERR315396 1 0.000 0.967 1.000 0.000
#> ERR315486 1 0.000 0.967 1.000 0.000
#> ERR315403 1 0.000 0.967 1.000 0.000
#> ERR315357 1 0.000 0.967 1.000 0.000
#> ERR315463 2 0.373 0.921 0.072 0.928
#> ERR315451 2 0.373 0.921 0.072 0.928
#> ERR315445 1 0.000 0.967 1.000 0.000
#> ERR315461 1 0.000 0.967 1.000 0.000
#> ERR315397 2 0.000 0.997 0.000 1.000
#> ERR315491 2 0.000 0.997 0.000 1.000
#> ERR315483 2 0.000 0.997 0.000 1.000
#> ERR315400 1 0.000 0.967 1.000 0.000
#> ERR315440 1 0.000 0.967 1.000 0.000
#> ERR315493 1 0.000 0.967 1.000 0.000
#> ERR315441 1 0.000 0.967 1.000 0.000
#> ERR315455 2 0.000 0.997 0.000 1.000
#> ERR315421 1 0.000 0.967 1.000 0.000
#> ERR315370 1 0.000 0.967 1.000 0.000
#> ERR315355 1 0.000 0.967 1.000 0.000
#> ERR315446 2 0.000 0.997 0.000 1.000
#> ERR315375 1 0.946 0.473 0.636 0.364
#> ERR315467 1 0.000 0.967 1.000 0.000
#> ERR315484 1 0.000 0.967 1.000 0.000
#> ERR315406 1 0.000 0.967 1.000 0.000
#> ERR315404 1 0.000 0.967 1.000 0.000
#> ERR315407 2 0.000 0.997 0.000 1.000
#> ERR315340 2 0.000 0.997 0.000 1.000
#> ERR315356 2 0.000 0.997 0.000 1.000
#> ERR315430 2 0.000 0.997 0.000 1.000
#> ERR315422 2 0.000 0.997 0.000 1.000
#> ERR315358 2 0.000 0.997 0.000 1.000
#> ERR315448 1 0.000 0.967 1.000 0.000
#> ERR315401 2 0.000 0.997 0.000 1.000
#> ERR315464 2 0.000 0.997 0.000 1.000
#> ERR315481 1 0.000 0.967 1.000 0.000
#> ERR315454 1 0.000 0.967 1.000 0.000
#> ERR315365 2 0.000 0.997 0.000 1.000
#> ERR315354 2 0.000 0.997 0.000 1.000
#> ERR315439 1 0.000 0.967 1.000 0.000
#> ERR315444 1 0.000 0.967 1.000 0.000
#> ERR315341 1 0.000 0.967 1.000 0.000
#> ERR315412 2 0.000 0.997 0.000 1.000
#> ERR315337 2 0.000 0.997 0.000 1.000
#> ERR315429 2 0.000 0.997 0.000 1.000
#> ERR315436 2 0.000 0.997 0.000 1.000
#> ERR315379 1 0.000 0.967 1.000 0.000
#> ERR315443 2 0.000 0.997 0.000 1.000
#> ERR315415 2 0.000 0.997 0.000 1.000
#> ERR315456 2 0.000 0.997 0.000 1.000
#> ERR315336 1 0.946 0.473 0.636 0.364
#> ERR315399 1 0.946 0.473 0.636 0.364
#> ERR315477 2 0.000 0.997 0.000 1.000
#> ERR315346 1 0.000 0.967 1.000 0.000
#> ERR315383 2 0.000 0.997 0.000 1.000
#> ERR315494 2 0.000 0.997 0.000 1.000
#> ERR315492 2 0.000 0.997 0.000 1.000
#> ERR315432 2 0.000 0.997 0.000 1.000
#> ERR315338 1 0.000 0.967 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.455 0.586 0.200 0.000 0.800
#> ERR315339 2 0.529 0.672 0.000 0.732 0.268
#> ERR315376 2 0.529 0.672 0.000 0.732 0.268
#> ERR315343 2 0.280 0.843 0.000 0.908 0.092
#> ERR315342 2 0.280 0.843 0.000 0.908 0.092
#> ERR315468 2 0.553 0.596 0.000 0.704 0.296
#> ERR315434 3 0.588 0.257 0.000 0.348 0.652
#> ERR315489 3 0.588 0.257 0.000 0.348 0.652
#> ERR315371 1 0.000 0.990 1.000 0.000 0.000
#> ERR315433 2 0.455 0.766 0.000 0.800 0.200
#> ERR315368 2 0.455 0.766 0.000 0.800 0.200
#> ERR315465 1 0.000 0.990 1.000 0.000 0.000
#> ERR315437 1 0.000 0.990 1.000 0.000 0.000
#> ERR315327 2 0.740 0.499 0.052 0.624 0.324
#> ERR315394 2 0.740 0.499 0.052 0.624 0.324
#> ERR315427 3 0.460 0.539 0.204 0.000 0.796
#> ERR315360 3 0.460 0.539 0.204 0.000 0.796
#> ERR315426 1 0.000 0.990 1.000 0.000 0.000
#> ERR315387 1 0.000 0.990 1.000 0.000 0.000
#> ERR315475 1 0.000 0.990 1.000 0.000 0.000
#> ERR315395 1 0.000 0.990 1.000 0.000 0.000
#> ERR315333 1 0.000 0.990 1.000 0.000 0.000
#> ERR315460 2 0.522 0.682 0.000 0.740 0.260
#> ERR315372 2 0.522 0.682 0.000 0.740 0.260
#> ERR315472 3 0.590 0.247 0.000 0.352 0.648
#> ERR315398 3 0.590 0.247 0.000 0.352 0.648
#> ERR315409 3 0.455 0.586 0.200 0.000 0.800
#> ERR315423 3 0.455 0.586 0.200 0.000 0.800
#> ERR315402 2 0.103 0.871 0.000 0.976 0.024
#> ERR315458 2 0.103 0.871 0.000 0.976 0.024
#> ERR315366 1 0.000 0.990 1.000 0.000 0.000
#> ERR315345 1 0.000 0.990 1.000 0.000 0.000
#> ERR315326 3 0.622 0.340 0.432 0.000 0.568
#> ERR315424 3 0.622 0.340 0.432 0.000 0.568
#> ERR315382 2 0.186 0.858 0.000 0.948 0.052
#> ERR315325 2 0.186 0.858 0.000 0.948 0.052
#> ERR315369 3 0.455 0.586 0.200 0.000 0.800
#> ERR315485 3 0.455 0.586 0.200 0.000 0.800
#> ERR315420 2 0.164 0.861 0.000 0.956 0.044
#> ERR315459 2 0.164 0.861 0.000 0.956 0.044
#> ERR315353 3 0.622 0.340 0.432 0.000 0.568
#> ERR315487 3 0.622 0.340 0.432 0.000 0.568
#> ERR315378 2 0.280 0.843 0.000 0.908 0.092
#> ERR315431 2 0.280 0.843 0.000 0.908 0.092
#> ERR315335 2 0.116 0.870 0.000 0.972 0.028
#> ERR315452 2 0.116 0.870 0.000 0.972 0.028
#> ERR315471 1 0.000 0.990 1.000 0.000 0.000
#> ERR315390 1 0.000 0.990 1.000 0.000 0.000
#> ERR315329 1 0.000 0.990 1.000 0.000 0.000
#> ERR315393 1 0.000 0.990 1.000 0.000 0.000
#> ERR315488 1 0.000 0.990 1.000 0.000 0.000
#> ERR315351 2 0.000 0.875 0.000 1.000 0.000
#> ERR315350 2 0.000 0.875 0.000 1.000 0.000
#> ERR315381 3 0.455 0.586 0.200 0.000 0.800
#> ERR315388 3 0.455 0.586 0.200 0.000 0.800
#> ERR315418 2 0.164 0.861 0.000 0.956 0.044
#> ERR315449 2 0.164 0.861 0.000 0.956 0.044
#> ERR315490 2 0.455 0.766 0.000 0.800 0.200
#> ERR315495 2 0.455 0.766 0.000 0.800 0.200
#> ERR315361 2 0.455 0.766 0.000 0.800 0.200
#> ERR315419 3 0.455 0.586 0.200 0.000 0.800
#> ERR315344 3 0.455 0.586 0.200 0.000 0.800
#> ERR315414 2 0.668 0.538 0.024 0.652 0.324
#> ERR315352 2 0.000 0.875 0.000 1.000 0.000
#> ERR315410 2 0.465 0.761 0.000 0.792 0.208
#> ERR315349 3 0.186 0.584 0.052 0.000 0.948
#> ERR315474 3 0.186 0.584 0.052 0.000 0.948
#> ERR315470 3 0.186 0.584 0.052 0.000 0.948
#> ERR315428 2 0.000 0.875 0.000 1.000 0.000
#> ERR315363 2 0.000 0.875 0.000 1.000 0.000
#> ERR315469 1 0.000 0.990 1.000 0.000 0.000
#> ERR315425 1 0.000 0.990 1.000 0.000 0.000
#> ERR315476 3 0.889 0.245 0.436 0.120 0.444
#> ERR315478 3 0.889 0.245 0.436 0.120 0.444
#> ERR315362 3 0.597 0.229 0.000 0.364 0.636
#> ERR315411 3 0.597 0.229 0.000 0.364 0.636
#> ERR315416 1 0.000 0.990 1.000 0.000 0.000
#> ERR315405 1 0.000 0.990 1.000 0.000 0.000
#> ERR315408 3 0.455 0.586 0.200 0.000 0.800
#> ERR315364 3 0.455 0.586 0.200 0.000 0.800
#> ERR315359 2 0.470 0.758 0.000 0.788 0.212
#> ERR315330 2 0.470 0.758 0.000 0.788 0.212
#> ERR315384 2 0.000 0.875 0.000 1.000 0.000
#> ERR315413 2 0.000 0.875 0.000 1.000 0.000
#> ERR315332 2 0.440 0.776 0.000 0.812 0.188
#> ERR315334 3 0.630 0.291 0.484 0.000 0.516
#> ERR315447 3 0.630 0.291 0.484 0.000 0.516
#> ERR315453 3 0.630 0.291 0.484 0.000 0.516
#> ERR315442 3 0.455 0.586 0.200 0.000 0.800
#> ERR315457 3 0.455 0.586 0.200 0.000 0.800
#> ERR315392 2 0.116 0.870 0.000 0.972 0.028
#> ERR315450 2 0.116 0.870 0.000 0.972 0.028
#> ERR315462 3 0.455 0.586 0.200 0.000 0.800
#> ERR315328 2 0.000 0.875 0.000 1.000 0.000
#> ERR315389 2 0.000 0.875 0.000 1.000 0.000
#> ERR315435 2 0.000 0.875 0.000 1.000 0.000
#> ERR315482 2 0.153 0.867 0.000 0.960 0.040
#> ERR315380 2 0.153 0.867 0.000 0.960 0.040
#> ERR315377 3 0.889 0.245 0.436 0.120 0.444
#> ERR315374 3 0.889 0.245 0.436 0.120 0.444
#> ERR315466 2 0.164 0.861 0.000 0.956 0.044
#> ERR315479 2 0.164 0.861 0.000 0.956 0.044
#> ERR315473 1 0.000 0.990 1.000 0.000 0.000
#> ERR315391 2 0.141 0.868 0.000 0.964 0.036
#> ERR315417 2 0.116 0.870 0.000 0.972 0.028
#> ERR315385 2 0.116 0.870 0.000 0.972 0.028
#> ERR315386 2 0.603 0.480 0.000 0.624 0.376
#> ERR315438 2 0.603 0.480 0.000 0.624 0.376
#> ERR315367 2 0.000 0.875 0.000 1.000 0.000
#> ERR315331 2 0.000 0.875 0.000 1.000 0.000
#> ERR315347 3 0.186 0.584 0.052 0.000 0.948
#> ERR315396 1 0.000 0.990 1.000 0.000 0.000
#> ERR315486 1 0.000 0.990 1.000 0.000 0.000
#> ERR315403 3 0.460 0.584 0.204 0.000 0.796
#> ERR315357 3 0.460 0.584 0.204 0.000 0.796
#> ERR315463 2 0.740 0.499 0.052 0.624 0.324
#> ERR315451 2 0.740 0.499 0.052 0.624 0.324
#> ERR315445 3 0.455 0.586 0.200 0.000 0.800
#> ERR315461 3 0.455 0.586 0.200 0.000 0.800
#> ERR315397 2 0.000 0.875 0.000 1.000 0.000
#> ERR315491 2 0.000 0.875 0.000 1.000 0.000
#> ERR315483 2 0.000 0.875 0.000 1.000 0.000
#> ERR315400 3 0.455 0.586 0.200 0.000 0.800
#> ERR315440 1 0.000 0.990 1.000 0.000 0.000
#> ERR315493 1 0.000 0.990 1.000 0.000 0.000
#> ERR315441 1 0.000 0.990 1.000 0.000 0.000
#> ERR315455 2 0.000 0.875 0.000 1.000 0.000
#> ERR315421 3 0.613 0.384 0.400 0.000 0.600
#> ERR315370 3 0.613 0.384 0.400 0.000 0.600
#> ERR315355 3 0.613 0.384 0.400 0.000 0.600
#> ERR315446 2 0.000 0.875 0.000 1.000 0.000
#> ERR315375 3 0.889 0.245 0.436 0.120 0.444
#> ERR315467 3 0.613 0.299 0.400 0.000 0.600
#> ERR315484 3 0.455 0.586 0.200 0.000 0.800
#> ERR315406 1 0.000 0.990 1.000 0.000 0.000
#> ERR315404 1 0.000 0.990 1.000 0.000 0.000
#> ERR315407 2 0.470 0.758 0.000 0.788 0.212
#> ERR315340 2 0.470 0.758 0.000 0.788 0.212
#> ERR315356 2 0.000 0.875 0.000 1.000 0.000
#> ERR315430 2 0.000 0.875 0.000 1.000 0.000
#> ERR315422 2 0.000 0.875 0.000 1.000 0.000
#> ERR315358 2 0.000 0.875 0.000 1.000 0.000
#> ERR315448 1 0.000 0.990 1.000 0.000 0.000
#> ERR315401 2 0.525 0.678 0.000 0.736 0.264
#> ERR315464 2 0.525 0.678 0.000 0.736 0.264
#> ERR315481 1 0.288 0.830 0.904 0.000 0.096
#> ERR315454 1 0.288 0.830 0.904 0.000 0.096
#> ERR315365 2 0.470 0.758 0.000 0.788 0.212
#> ERR315354 2 0.470 0.758 0.000 0.788 0.212
#> ERR315439 3 0.622 0.340 0.432 0.000 0.568
#> ERR315444 3 0.622 0.340 0.432 0.000 0.568
#> ERR315341 3 0.622 0.340 0.432 0.000 0.568
#> ERR315412 2 0.000 0.875 0.000 1.000 0.000
#> ERR315337 2 0.000 0.875 0.000 1.000 0.000
#> ERR315429 2 0.164 0.861 0.000 0.956 0.044
#> ERR315436 2 0.164 0.861 0.000 0.956 0.044
#> ERR315379 3 0.455 0.586 0.200 0.000 0.800
#> ERR315443 2 0.571 0.573 0.000 0.680 0.320
#> ERR315415 2 0.000 0.875 0.000 1.000 0.000
#> ERR315456 2 0.000 0.875 0.000 1.000 0.000
#> ERR315336 3 0.889 0.245 0.436 0.120 0.444
#> ERR315399 3 0.889 0.245 0.436 0.120 0.444
#> ERR315477 2 0.000 0.875 0.000 1.000 0.000
#> ERR315346 3 0.622 0.340 0.432 0.000 0.568
#> ERR315383 2 0.571 0.573 0.000 0.680 0.320
#> ERR315494 2 0.571 0.573 0.000 0.680 0.320
#> ERR315492 2 0.000 0.875 0.000 1.000 0.000
#> ERR315432 2 0.000 0.875 0.000 1.000 0.000
#> ERR315338 1 0.000 0.990 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315339 2 0.7762 0.352 0.000 0.384 0.236 0.380
#> ERR315376 2 0.7762 0.352 0.000 0.384 0.236 0.380
#> ERR315343 2 0.4250 0.385 0.000 0.724 0.000 0.276
#> ERR315342 2 0.4250 0.385 0.000 0.724 0.000 0.276
#> ERR315468 2 0.7480 0.328 0.000 0.444 0.376 0.180
#> ERR315434 4 0.5728 0.462 0.000 0.104 0.188 0.708
#> ERR315489 4 0.5728 0.462 0.000 0.104 0.188 0.708
#> ERR315371 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315433 2 0.5000 -0.307 0.000 0.500 0.000 0.500
#> ERR315368 4 0.5000 0.281 0.000 0.500 0.000 0.500
#> ERR315465 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315327 2 0.7527 0.294 0.016 0.464 0.400 0.120
#> ERR315394 2 0.7527 0.294 0.016 0.464 0.400 0.120
#> ERR315427 4 0.4769 0.608 0.008 0.000 0.308 0.684
#> ERR315360 4 0.4769 0.608 0.008 0.000 0.308 0.684
#> ERR315426 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315460 2 0.7762 0.352 0.000 0.384 0.236 0.380
#> ERR315372 2 0.7762 0.352 0.000 0.384 0.236 0.380
#> ERR315472 4 0.5705 0.459 0.000 0.108 0.180 0.712
#> ERR315398 4 0.5705 0.459 0.000 0.108 0.180 0.712
#> ERR315409 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315402 2 0.1389 0.676 0.000 0.952 0.000 0.048
#> ERR315458 2 0.1389 0.676 0.000 0.952 0.000 0.048
#> ERR315366 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315326 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315424 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315382 2 0.5979 0.635 0.000 0.652 0.076 0.272
#> ERR315325 2 0.5979 0.635 0.000 0.652 0.076 0.272
#> ERR315369 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315420 2 0.5817 0.649 0.000 0.676 0.076 0.248
#> ERR315459 2 0.5817 0.649 0.000 0.676 0.076 0.248
#> ERR315353 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315487 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315378 2 0.4250 0.385 0.000 0.724 0.000 0.276
#> ERR315431 2 0.4250 0.385 0.000 0.724 0.000 0.276
#> ERR315335 2 0.2973 0.599 0.000 0.856 0.000 0.144
#> ERR315452 2 0.2973 0.599 0.000 0.856 0.000 0.144
#> ERR315471 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315351 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315350 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315381 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315418 2 0.5817 0.649 0.000 0.676 0.076 0.248
#> ERR315449 2 0.5817 0.649 0.000 0.676 0.076 0.248
#> ERR315490 4 0.4916 0.455 0.000 0.424 0.000 0.576
#> ERR315495 4 0.4916 0.455 0.000 0.424 0.000 0.576
#> ERR315361 4 0.4916 0.455 0.000 0.424 0.000 0.576
#> ERR315419 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315414 2 0.7527 0.294 0.016 0.464 0.400 0.120
#> ERR315352 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315410 4 0.4477 0.547 0.000 0.312 0.000 0.688
#> ERR315349 4 0.4564 0.588 0.000 0.000 0.328 0.672
#> ERR315474 4 0.4564 0.588 0.000 0.000 0.328 0.672
#> ERR315470 4 0.4564 0.588 0.000 0.000 0.328 0.672
#> ERR315428 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315363 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315469 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315476 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315478 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315362 4 0.4727 0.550 0.000 0.100 0.108 0.792
#> ERR315411 4 0.4727 0.550 0.000 0.100 0.108 0.792
#> ERR315416 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315359 4 0.4103 0.558 0.000 0.256 0.000 0.744
#> ERR315330 4 0.4103 0.558 0.000 0.256 0.000 0.744
#> ERR315384 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315413 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315332 2 0.4981 -0.205 0.000 0.536 0.000 0.464
#> ERR315334 4 0.7317 0.498 0.268 0.000 0.204 0.528
#> ERR315447 4 0.7317 0.498 0.268 0.000 0.204 0.528
#> ERR315453 4 0.7317 0.498 0.268 0.000 0.204 0.528
#> ERR315442 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315392 2 0.2973 0.599 0.000 0.856 0.000 0.144
#> ERR315450 2 0.2973 0.599 0.000 0.856 0.000 0.144
#> ERR315462 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315328 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315389 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315435 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315482 2 0.3123 0.585 0.000 0.844 0.000 0.156
#> ERR315380 2 0.3123 0.585 0.000 0.844 0.000 0.156
#> ERR315377 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315374 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315466 2 0.5631 0.660 0.000 0.700 0.076 0.224
#> ERR315479 2 0.5631 0.660 0.000 0.700 0.076 0.224
#> ERR315473 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315391 2 0.3123 0.585 0.000 0.844 0.000 0.156
#> ERR315417 2 0.2973 0.599 0.000 0.856 0.000 0.144
#> ERR315385 2 0.2973 0.599 0.000 0.856 0.000 0.144
#> ERR315386 4 0.4040 0.662 0.000 0.248 0.000 0.752
#> ERR315438 4 0.4040 0.662 0.000 0.248 0.000 0.752
#> ERR315367 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315331 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315347 4 0.4585 0.584 0.000 0.000 0.332 0.668
#> ERR315396 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315403 3 0.1118 0.949 0.000 0.000 0.964 0.036
#> ERR315357 3 0.1118 0.949 0.000 0.000 0.964 0.036
#> ERR315463 2 0.7527 0.294 0.016 0.464 0.400 0.120
#> ERR315451 2 0.7527 0.294 0.016 0.464 0.400 0.120
#> ERR315445 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315397 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315491 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315483 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315400 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315455 2 0.0469 0.698 0.000 0.988 0.000 0.012
#> ERR315421 4 0.5240 0.683 0.072 0.000 0.188 0.740
#> ERR315370 4 0.5240 0.683 0.072 0.000 0.188 0.740
#> ERR315355 4 0.5240 0.683 0.072 0.000 0.188 0.740
#> ERR315446 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315375 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315467 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315484 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315407 4 0.4103 0.558 0.000 0.256 0.000 0.744
#> ERR315340 4 0.4103 0.558 0.000 0.256 0.000 0.744
#> ERR315356 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315430 2 0.0707 0.695 0.000 0.980 0.000 0.020
#> ERR315422 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315358 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315448 1 0.0000 0.992 1.000 0.000 0.000 0.000
#> ERR315401 2 0.7762 0.352 0.000 0.384 0.236 0.380
#> ERR315464 2 0.7762 0.352 0.000 0.384 0.236 0.380
#> ERR315481 1 0.2345 0.879 0.900 0.000 0.100 0.000
#> ERR315454 1 0.2345 0.879 0.900 0.000 0.100 0.000
#> ERR315365 4 0.4103 0.558 0.000 0.256 0.000 0.744
#> ERR315354 4 0.4103 0.558 0.000 0.256 0.000 0.744
#> ERR315439 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315444 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315341 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315412 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315337 2 0.4088 0.675 0.000 0.764 0.004 0.232
#> ERR315429 2 0.5631 0.660 0.000 0.700 0.076 0.224
#> ERR315436 2 0.5631 0.660 0.000 0.700 0.076 0.224
#> ERR315379 3 0.0000 0.995 0.000 0.000 1.000 0.000
#> ERR315443 2 0.7519 0.295 0.000 0.424 0.392 0.184
#> ERR315415 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315456 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315336 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315399 4 0.5277 0.696 0.040 0.196 0.016 0.748
#> ERR315477 2 0.0469 0.698 0.000 0.988 0.000 0.012
#> ERR315346 4 0.5705 0.678 0.108 0.000 0.180 0.712
#> ERR315383 2 0.7519 0.295 0.000 0.424 0.392 0.184
#> ERR315494 2 0.7519 0.295 0.000 0.424 0.392 0.184
#> ERR315492 2 0.0188 0.697 0.000 0.996 0.000 0.004
#> ERR315432 2 0.0469 0.698 0.000 0.988 0.000 0.012
#> ERR315338 1 0.0000 0.992 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315339 5 0.2263 0.711 0.000 0.020 0.024 0.036 0.920
#> ERR315376 5 0.2263 0.711 0.000 0.020 0.024 0.036 0.920
#> ERR315343 2 0.2209 0.810 0.000 0.912 0.000 0.056 0.032
#> ERR315342 2 0.2209 0.810 0.000 0.912 0.000 0.056 0.032
#> ERR315468 3 0.6274 0.117 0.000 0.148 0.432 0.000 0.420
#> ERR315434 5 0.5438 0.361 0.000 0.024 0.028 0.372 0.576
#> ERR315489 5 0.5438 0.361 0.000 0.024 0.028 0.372 0.576
#> ERR315371 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.2920 0.755 0.000 0.852 0.000 0.132 0.016
#> ERR315368 2 0.2920 0.755 0.000 0.852 0.000 0.132 0.016
#> ERR315465 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315327 3 0.6070 0.164 0.000 0.120 0.444 0.000 0.436
#> ERR315394 3 0.6070 0.164 0.000 0.120 0.444 0.000 0.436
#> ERR315427 4 0.1205 0.928 0.000 0.004 0.040 0.956 0.000
#> ERR315360 4 0.1205 0.928 0.000 0.004 0.040 0.956 0.000
#> ERR315426 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315460 5 0.2263 0.711 0.000 0.020 0.024 0.036 0.920
#> ERR315372 5 0.2263 0.711 0.000 0.020 0.024 0.036 0.920
#> ERR315472 5 0.5438 0.361 0.000 0.024 0.028 0.372 0.576
#> ERR315398 5 0.5438 0.361 0.000 0.024 0.028 0.372 0.576
#> ERR315409 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.0162 0.822 0.000 0.996 0.000 0.004 0.000
#> ERR315458 2 0.0162 0.822 0.000 0.996 0.000 0.004 0.000
#> ERR315366 1 0.0162 0.995 0.996 0.000 0.000 0.004 0.000
#> ERR315345 1 0.0162 0.995 0.996 0.000 0.000 0.004 0.000
#> ERR315326 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315424 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315382 5 0.0865 0.727 0.000 0.024 0.000 0.004 0.972
#> ERR315325 5 0.0865 0.727 0.000 0.024 0.000 0.004 0.972
#> ERR315369 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.1502 0.732 0.000 0.056 0.000 0.004 0.940
#> ERR315459 5 0.1502 0.732 0.000 0.056 0.000 0.004 0.940
#> ERR315353 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315487 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315378 2 0.2209 0.810 0.000 0.912 0.000 0.056 0.032
#> ERR315431 2 0.2209 0.810 0.000 0.912 0.000 0.056 0.032
#> ERR315335 2 0.0324 0.822 0.000 0.992 0.000 0.004 0.004
#> ERR315452 2 0.0324 0.822 0.000 0.992 0.000 0.004 0.004
#> ERR315471 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.1544 0.814 0.000 0.932 0.000 0.000 0.068
#> ERR315350 2 0.1544 0.814 0.000 0.932 0.000 0.000 0.068
#> ERR315381 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.1502 0.732 0.000 0.056 0.000 0.004 0.940
#> ERR315449 5 0.1502 0.732 0.000 0.056 0.000 0.004 0.940
#> ERR315490 2 0.3562 0.703 0.000 0.788 0.000 0.196 0.016
#> ERR315495 2 0.3562 0.703 0.000 0.788 0.000 0.196 0.016
#> ERR315361 2 0.3562 0.703 0.000 0.788 0.000 0.196 0.016
#> ERR315419 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315414 5 0.6070 -0.208 0.000 0.120 0.440 0.000 0.440
#> ERR315352 2 0.1732 0.809 0.000 0.920 0.000 0.000 0.080
#> ERR315410 2 0.6016 0.460 0.000 0.580 0.000 0.236 0.184
#> ERR315349 4 0.1502 0.922 0.000 0.004 0.056 0.940 0.000
#> ERR315474 4 0.1502 0.922 0.000 0.004 0.056 0.940 0.000
#> ERR315470 4 0.1502 0.922 0.000 0.004 0.056 0.940 0.000
#> ERR315428 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315363 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315469 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315478 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315362 5 0.5449 0.351 0.000 0.024 0.028 0.376 0.572
#> ERR315411 5 0.5449 0.351 0.000 0.024 0.028 0.376 0.572
#> ERR315416 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315359 2 0.6707 0.250 0.000 0.464 0.004 0.236 0.296
#> ERR315330 2 0.6707 0.250 0.000 0.464 0.004 0.236 0.296
#> ERR315384 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315413 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315332 2 0.2873 0.769 0.000 0.856 0.000 0.128 0.016
#> ERR315334 4 0.1774 0.908 0.052 0.000 0.016 0.932 0.000
#> ERR315447 4 0.1774 0.908 0.052 0.000 0.016 0.932 0.000
#> ERR315453 4 0.1774 0.908 0.052 0.000 0.016 0.932 0.000
#> ERR315442 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.0324 0.822 0.000 0.992 0.000 0.004 0.004
#> ERR315450 2 0.0324 0.822 0.000 0.992 0.000 0.004 0.004
#> ERR315462 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315328 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315389 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315435 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315482 2 0.0290 0.822 0.000 0.992 0.000 0.008 0.000
#> ERR315380 2 0.0290 0.822 0.000 0.992 0.000 0.008 0.000
#> ERR315377 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315374 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315466 5 0.3109 0.695 0.000 0.200 0.000 0.000 0.800
#> ERR315479 5 0.3109 0.695 0.000 0.200 0.000 0.000 0.800
#> ERR315473 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.0671 0.820 0.000 0.980 0.000 0.004 0.016
#> ERR315417 2 0.0324 0.822 0.000 0.992 0.000 0.004 0.004
#> ERR315385 2 0.0324 0.822 0.000 0.992 0.000 0.004 0.004
#> ERR315386 4 0.3086 0.807 0.000 0.180 0.000 0.816 0.004
#> ERR315438 4 0.3086 0.807 0.000 0.180 0.000 0.816 0.004
#> ERR315367 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315331 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315347 4 0.1571 0.919 0.000 0.004 0.060 0.936 0.000
#> ERR315396 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315357 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315463 3 0.6070 0.164 0.000 0.120 0.444 0.000 0.436
#> ERR315451 3 0.6070 0.164 0.000 0.120 0.444 0.000 0.436
#> ERR315445 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315491 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315483 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315400 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.1792 0.804 0.000 0.916 0.000 0.000 0.084
#> ERR315421 4 0.0486 0.927 0.004 0.004 0.004 0.988 0.000
#> ERR315370 4 0.0486 0.927 0.004 0.004 0.004 0.988 0.000
#> ERR315355 4 0.0486 0.927 0.004 0.004 0.004 0.988 0.000
#> ERR315446 2 0.1732 0.809 0.000 0.920 0.000 0.000 0.080
#> ERR315375 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315467 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315484 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315407 2 0.6690 0.257 0.000 0.468 0.004 0.232 0.296
#> ERR315340 2 0.6690 0.257 0.000 0.468 0.004 0.232 0.296
#> ERR315356 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315430 2 0.2516 0.771 0.000 0.860 0.000 0.000 0.140
#> ERR315422 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315358 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315448 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.2263 0.711 0.000 0.020 0.024 0.036 0.920
#> ERR315464 5 0.2263 0.711 0.000 0.020 0.024 0.036 0.920
#> ERR315481 1 0.0865 0.974 0.972 0.000 0.024 0.004 0.000
#> ERR315454 1 0.0865 0.974 0.972 0.000 0.024 0.004 0.000
#> ERR315365 2 0.6690 0.257 0.000 0.468 0.004 0.232 0.296
#> ERR315354 2 0.6690 0.257 0.000 0.468 0.004 0.232 0.296
#> ERR315439 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315444 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315341 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315412 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315337 5 0.3636 0.669 0.000 0.272 0.000 0.000 0.728
#> ERR315429 5 0.3109 0.695 0.000 0.200 0.000 0.000 0.800
#> ERR315436 5 0.3109 0.695 0.000 0.200 0.000 0.000 0.800
#> ERR315379 3 0.0000 0.830 0.000 0.000 1.000 0.000 0.000
#> ERR315443 3 0.6247 0.133 0.000 0.144 0.436 0.000 0.420
#> ERR315415 2 0.1732 0.809 0.000 0.920 0.000 0.000 0.080
#> ERR315456 2 0.1732 0.809 0.000 0.920 0.000 0.000 0.080
#> ERR315336 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315399 4 0.2408 0.891 0.008 0.096 0.000 0.892 0.004
#> ERR315477 2 0.1792 0.804 0.000 0.916 0.000 0.000 0.084
#> ERR315346 4 0.1211 0.932 0.024 0.000 0.016 0.960 0.000
#> ERR315383 3 0.6247 0.122 0.000 0.144 0.432 0.000 0.424
#> ERR315494 3 0.6247 0.122 0.000 0.144 0.432 0.000 0.424
#> ERR315492 2 0.1732 0.809 0.000 0.920 0.000 0.000 0.080
#> ERR315432 2 0.1792 0.804 0.000 0.916 0.000 0.000 0.084
#> ERR315338 1 0.0000 0.998 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 6 0.3219 0.583 0.000 0.000 0.012 0.004 0.192 0.792
#> ERR315376 6 0.3219 0.583 0.000 0.000 0.012 0.004 0.192 0.792
#> ERR315343 2 0.3842 0.758 0.000 0.808 0.000 0.044 0.096 0.052
#> ERR315342 2 0.3842 0.758 0.000 0.808 0.000 0.044 0.096 0.052
#> ERR315468 5 0.3873 0.701 0.000 0.032 0.176 0.000 0.772 0.020
#> ERR315434 6 0.3336 0.667 0.000 0.000 0.012 0.100 0.056 0.832
#> ERR315489 6 0.3336 0.667 0.000 0.000 0.012 0.100 0.056 0.832
#> ERR315371 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.3732 0.678 0.000 0.808 0.000 0.104 0.020 0.068
#> ERR315368 2 0.3732 0.678 0.000 0.808 0.000 0.104 0.020 0.068
#> ERR315465 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.4895 0.671 0.000 0.036 0.196 0.004 0.704 0.060
#> ERR315394 5 0.4895 0.671 0.000 0.036 0.196 0.004 0.704 0.060
#> ERR315427 4 0.2009 0.885 0.000 0.004 0.040 0.916 0.000 0.040
#> ERR315360 4 0.2009 0.885 0.000 0.004 0.040 0.916 0.000 0.040
#> ERR315426 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315333 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315460 6 0.3219 0.583 0.000 0.000 0.012 0.004 0.192 0.792
#> ERR315372 6 0.3219 0.583 0.000 0.000 0.012 0.004 0.192 0.792
#> ERR315472 6 0.3348 0.667 0.000 0.000 0.012 0.096 0.060 0.832
#> ERR315398 6 0.3348 0.667 0.000 0.000 0.012 0.096 0.060 0.832
#> ERR315409 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.0870 0.790 0.000 0.972 0.000 0.004 0.012 0.012
#> ERR315458 2 0.0870 0.790 0.000 0.972 0.000 0.004 0.012 0.012
#> ERR315366 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315326 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315424 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315382 5 0.3383 0.636 0.000 0.004 0.000 0.000 0.728 0.268
#> ERR315325 5 0.3383 0.636 0.000 0.004 0.000 0.000 0.728 0.268
#> ERR315369 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315485 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315420 5 0.3265 0.662 0.000 0.004 0.000 0.000 0.748 0.248
#> ERR315459 5 0.3265 0.662 0.000 0.004 0.000 0.000 0.748 0.248
#> ERR315353 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315487 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315378 2 0.3842 0.758 0.000 0.808 0.000 0.044 0.096 0.052
#> ERR315431 2 0.3842 0.758 0.000 0.808 0.000 0.044 0.096 0.052
#> ERR315335 2 0.1972 0.794 0.000 0.916 0.000 0.004 0.056 0.024
#> ERR315452 2 0.1972 0.794 0.000 0.916 0.000 0.004 0.056 0.024
#> ERR315471 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315350 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315381 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.3265 0.662 0.000 0.004 0.000 0.000 0.748 0.248
#> ERR315449 5 0.3265 0.662 0.000 0.004 0.000 0.000 0.748 0.248
#> ERR315490 2 0.4115 0.630 0.000 0.768 0.000 0.144 0.016 0.072
#> ERR315495 2 0.4115 0.630 0.000 0.768 0.000 0.144 0.016 0.072
#> ERR315361 2 0.4115 0.630 0.000 0.768 0.000 0.144 0.016 0.072
#> ERR315419 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.4895 0.671 0.000 0.036 0.196 0.004 0.704 0.060
#> ERR315352 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315410 6 0.6274 0.342 0.000 0.388 0.000 0.140 0.036 0.436
#> ERR315349 4 0.2380 0.874 0.000 0.004 0.068 0.892 0.000 0.036
#> ERR315474 4 0.2380 0.874 0.000 0.004 0.068 0.892 0.000 0.036
#> ERR315470 4 0.2380 0.874 0.000 0.004 0.068 0.892 0.000 0.036
#> ERR315428 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315363 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315469 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315425 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315476 4 0.3346 0.827 0.004 0.080 0.000 0.840 0.012 0.064
#> ERR315478 4 0.3346 0.827 0.004 0.080 0.000 0.840 0.012 0.064
#> ERR315362 6 0.3336 0.667 0.000 0.000 0.012 0.100 0.056 0.832
#> ERR315411 6 0.3336 0.667 0.000 0.000 0.012 0.100 0.056 0.832
#> ERR315416 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 6 0.6620 0.488 0.000 0.324 0.000 0.140 0.072 0.464
#> ERR315330 6 0.6620 0.488 0.000 0.324 0.000 0.140 0.072 0.464
#> ERR315384 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315413 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315332 2 0.3997 0.739 0.000 0.800 0.000 0.084 0.064 0.052
#> ERR315334 4 0.2318 0.877 0.028 0.000 0.020 0.904 0.000 0.048
#> ERR315447 4 0.2318 0.877 0.028 0.000 0.020 0.904 0.000 0.048
#> ERR315453 4 0.2318 0.877 0.028 0.000 0.020 0.904 0.000 0.048
#> ERR315442 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.1972 0.794 0.000 0.916 0.000 0.004 0.056 0.024
#> ERR315450 2 0.1972 0.794 0.000 0.916 0.000 0.004 0.056 0.024
#> ERR315462 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315389 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315435 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315482 2 0.0767 0.788 0.000 0.976 0.000 0.004 0.008 0.012
#> ERR315380 2 0.0767 0.788 0.000 0.976 0.000 0.004 0.008 0.012
#> ERR315377 4 0.3449 0.822 0.004 0.088 0.000 0.832 0.012 0.064
#> ERR315374 4 0.3449 0.822 0.004 0.088 0.000 0.832 0.012 0.064
#> ERR315466 5 0.2672 0.747 0.000 0.052 0.000 0.000 0.868 0.080
#> ERR315479 5 0.2672 0.747 0.000 0.052 0.000 0.000 0.868 0.080
#> ERR315473 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.3297 0.762 0.000 0.820 0.000 0.000 0.068 0.112
#> ERR315417 2 0.1972 0.794 0.000 0.916 0.000 0.004 0.056 0.024
#> ERR315385 2 0.1972 0.794 0.000 0.916 0.000 0.004 0.056 0.024
#> ERR315386 4 0.5042 0.598 0.000 0.244 0.000 0.648 0.012 0.096
#> ERR315438 4 0.5042 0.598 0.000 0.244 0.000 0.648 0.012 0.096
#> ERR315367 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315331 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315347 4 0.2380 0.874 0.000 0.004 0.068 0.892 0.000 0.036
#> ERR315396 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315486 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315403 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315357 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315463 5 0.4895 0.671 0.000 0.036 0.196 0.004 0.704 0.060
#> ERR315451 5 0.4895 0.671 0.000 0.036 0.196 0.004 0.704 0.060
#> ERR315445 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315491 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315483 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315400 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.3646 0.755 0.000 0.776 0.000 0.000 0.172 0.052
#> ERR315421 4 0.1493 0.882 0.000 0.004 0.004 0.936 0.000 0.056
#> ERR315370 4 0.1493 0.882 0.000 0.004 0.004 0.936 0.000 0.056
#> ERR315355 4 0.1493 0.882 0.000 0.004 0.004 0.936 0.000 0.056
#> ERR315446 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315375 4 0.3449 0.822 0.004 0.088 0.000 0.832 0.012 0.064
#> ERR315467 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315484 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315404 1 0.1148 0.970 0.960 0.000 0.000 0.004 0.020 0.016
#> ERR315407 6 0.6620 0.488 0.000 0.324 0.000 0.140 0.072 0.464
#> ERR315340 6 0.6620 0.488 0.000 0.324 0.000 0.140 0.072 0.464
#> ERR315356 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315430 2 0.4149 0.736 0.000 0.728 0.000 0.004 0.212 0.056
#> ERR315422 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315358 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315448 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 6 0.3219 0.583 0.000 0.000 0.012 0.004 0.192 0.792
#> ERR315464 6 0.3219 0.583 0.000 0.000 0.012 0.004 0.192 0.792
#> ERR315481 1 0.1075 0.946 0.952 0.000 0.048 0.000 0.000 0.000
#> ERR315454 1 0.1075 0.946 0.952 0.000 0.048 0.000 0.000 0.000
#> ERR315365 6 0.6620 0.488 0.000 0.324 0.000 0.140 0.072 0.464
#> ERR315354 6 0.6620 0.488 0.000 0.324 0.000 0.140 0.072 0.464
#> ERR315439 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315444 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315341 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315412 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315337 5 0.3748 0.728 0.000 0.112 0.000 0.004 0.792 0.092
#> ERR315429 5 0.2672 0.747 0.000 0.052 0.000 0.000 0.868 0.080
#> ERR315436 5 0.2672 0.747 0.000 0.052 0.000 0.000 0.868 0.080
#> ERR315379 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315443 5 0.3781 0.699 0.000 0.028 0.184 0.000 0.772 0.016
#> ERR315415 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315456 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315336 4 0.3449 0.822 0.004 0.088 0.000 0.832 0.012 0.064
#> ERR315399 4 0.3449 0.822 0.004 0.088 0.000 0.832 0.012 0.064
#> ERR315477 2 0.3646 0.755 0.000 0.776 0.000 0.000 0.172 0.052
#> ERR315346 4 0.1406 0.890 0.008 0.000 0.020 0.952 0.004 0.016
#> ERR315383 5 0.3781 0.699 0.000 0.028 0.184 0.000 0.772 0.016
#> ERR315494 5 0.3781 0.699 0.000 0.028 0.184 0.000 0.772 0.016
#> ERR315492 2 0.4121 0.735 0.000 0.748 0.000 0.000 0.136 0.116
#> ERR315432 2 0.3646 0.755 0.000 0.776 0.000 0.000 0.172 0.052
#> ERR315338 1 0.0000 0.987 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "pam"]
# you can also extract it by
# res = res_list["SD:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.487 0.665 0.836 0.4876 0.533 0.533
#> 3 3 0.851 0.908 0.963 0.0755 0.871 0.774
#> 4 4 0.733 0.795 0.900 0.3306 0.741 0.496
#> 5 5 0.667 0.586 0.821 0.0854 0.885 0.649
#> 6 6 0.768 0.659 0.799 0.0397 0.837 0.485
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.118 0.8447 0.984 0.016
#> ERR315339 2 0.969 0.5977 0.396 0.604
#> ERR315376 2 0.969 0.5977 0.396 0.604
#> ERR315343 2 0.000 0.7300 0.000 1.000
#> ERR315342 2 0.000 0.7300 0.000 1.000
#> ERR315468 2 0.969 0.5977 0.396 0.604
#> ERR315434 2 0.000 0.7300 0.000 1.000
#> ERR315489 2 0.000 0.7300 0.000 1.000
#> ERR315371 1 0.000 0.8451 1.000 0.000
#> ERR315433 2 0.000 0.7300 0.000 1.000
#> ERR315368 2 0.000 0.7300 0.000 1.000
#> ERR315465 1 0.969 0.4767 0.604 0.396
#> ERR315437 1 0.969 0.4767 0.604 0.396
#> ERR315327 2 0.969 0.5977 0.396 0.604
#> ERR315394 2 0.969 0.5977 0.396 0.604
#> ERR315427 2 0.949 0.0907 0.368 0.632
#> ERR315360 2 0.929 0.1632 0.344 0.656
#> ERR315426 1 0.184 0.8351 0.972 0.028
#> ERR315387 1 0.184 0.8351 0.972 0.028
#> ERR315475 1 0.184 0.8351 0.972 0.028
#> ERR315395 1 0.000 0.8451 1.000 0.000
#> ERR315333 1 0.000 0.8451 1.000 0.000
#> ERR315460 2 0.969 0.5977 0.396 0.604
#> ERR315372 2 0.969 0.5977 0.396 0.604
#> ERR315472 2 0.000 0.7300 0.000 1.000
#> ERR315398 2 0.000 0.7300 0.000 1.000
#> ERR315409 1 0.118 0.8447 0.984 0.016
#> ERR315423 1 0.118 0.8447 0.984 0.016
#> ERR315402 2 0.000 0.7300 0.000 1.000
#> ERR315458 2 0.000 0.7300 0.000 1.000
#> ERR315366 1 0.969 0.4767 0.604 0.396
#> ERR315345 1 0.969 0.4767 0.604 0.396
#> ERR315326 1 0.978 0.4639 0.588 0.412
#> ERR315424 1 0.978 0.4639 0.588 0.412
#> ERR315382 2 0.969 0.5977 0.396 0.604
#> ERR315325 2 0.969 0.5977 0.396 0.604
#> ERR315369 1 0.118 0.8447 0.984 0.016
#> ERR315485 1 0.118 0.8447 0.984 0.016
#> ERR315420 2 0.969 0.5977 0.396 0.604
#> ERR315459 2 0.969 0.5977 0.396 0.604
#> ERR315353 1 0.981 0.4523 0.580 0.420
#> ERR315487 1 0.980 0.4583 0.584 0.416
#> ERR315378 2 0.000 0.7300 0.000 1.000
#> ERR315431 2 0.000 0.7300 0.000 1.000
#> ERR315335 2 0.000 0.7300 0.000 1.000
#> ERR315452 2 0.000 0.7300 0.000 1.000
#> ERR315471 1 0.000 0.8451 1.000 0.000
#> ERR315390 1 0.000 0.8451 1.000 0.000
#> ERR315329 1 0.000 0.8451 1.000 0.000
#> ERR315393 1 0.000 0.8451 1.000 0.000
#> ERR315488 1 0.000 0.8451 1.000 0.000
#> ERR315351 2 0.795 0.6638 0.240 0.760
#> ERR315350 2 0.760 0.6705 0.220 0.780
#> ERR315381 1 0.118 0.8447 0.984 0.016
#> ERR315388 1 0.118 0.8447 0.984 0.016
#> ERR315418 2 0.969 0.5977 0.396 0.604
#> ERR315449 2 0.969 0.5977 0.396 0.604
#> ERR315490 2 0.000 0.7300 0.000 1.000
#> ERR315495 2 0.000 0.7300 0.000 1.000
#> ERR315361 2 0.000 0.7300 0.000 1.000
#> ERR315419 1 0.118 0.8447 0.984 0.016
#> ERR315344 1 0.118 0.8447 0.984 0.016
#> ERR315414 2 0.969 0.5977 0.396 0.604
#> ERR315352 2 0.969 0.5977 0.396 0.604
#> ERR315410 2 0.000 0.7300 0.000 1.000
#> ERR315349 2 0.971 -0.0181 0.400 0.600
#> ERR315474 2 0.978 -0.0578 0.412 0.588
#> ERR315470 2 0.978 -0.0578 0.412 0.588
#> ERR315428 2 0.969 0.5977 0.396 0.604
#> ERR315363 2 0.969 0.5977 0.396 0.604
#> ERR315469 1 0.000 0.8451 1.000 0.000
#> ERR315425 1 0.000 0.8451 1.000 0.000
#> ERR315476 2 0.000 0.7300 0.000 1.000
#> ERR315478 2 0.000 0.7300 0.000 1.000
#> ERR315362 2 0.000 0.7300 0.000 1.000
#> ERR315411 2 0.000 0.7300 0.000 1.000
#> ERR315416 1 0.416 0.7910 0.916 0.084
#> ERR315405 1 0.416 0.7910 0.916 0.084
#> ERR315408 1 0.118 0.8447 0.984 0.016
#> ERR315364 1 0.118 0.8447 0.984 0.016
#> ERR315359 2 0.000 0.7300 0.000 1.000
#> ERR315330 2 0.000 0.7300 0.000 1.000
#> ERR315384 2 0.000 0.7300 0.000 1.000
#> ERR315413 2 0.000 0.7300 0.000 1.000
#> ERR315332 2 0.000 0.7300 0.000 1.000
#> ERR315334 1 0.969 0.4767 0.604 0.396
#> ERR315447 1 0.969 0.4767 0.604 0.396
#> ERR315453 1 0.969 0.4767 0.604 0.396
#> ERR315442 1 0.118 0.8447 0.984 0.016
#> ERR315457 1 0.118 0.8447 0.984 0.016
#> ERR315392 2 0.000 0.7300 0.000 1.000
#> ERR315450 2 0.000 0.7300 0.000 1.000
#> ERR315462 1 0.118 0.8447 0.984 0.016
#> ERR315328 2 0.895 0.6341 0.312 0.688
#> ERR315389 2 0.929 0.6206 0.344 0.656
#> ERR315435 2 0.909 0.6290 0.324 0.676
#> ERR315482 2 0.000 0.7300 0.000 1.000
#> ERR315380 2 0.000 0.7300 0.000 1.000
#> ERR315377 2 0.000 0.7300 0.000 1.000
#> ERR315374 2 0.000 0.7300 0.000 1.000
#> ERR315466 2 0.969 0.5977 0.396 0.604
#> ERR315479 2 0.969 0.5977 0.396 0.604
#> ERR315473 1 0.827 0.6169 0.740 0.260
#> ERR315391 2 0.000 0.7300 0.000 1.000
#> ERR315417 2 0.000 0.7300 0.000 1.000
#> ERR315385 2 0.000 0.7300 0.000 1.000
#> ERR315386 2 0.000 0.7300 0.000 1.000
#> ERR315438 2 0.000 0.7300 0.000 1.000
#> ERR315367 2 0.000 0.7300 0.000 1.000
#> ERR315331 2 0.000 0.7300 0.000 1.000
#> ERR315347 1 0.978 0.4639 0.588 0.412
#> ERR315396 1 0.204 0.8205 0.968 0.032
#> ERR315486 1 0.118 0.8372 0.984 0.016
#> ERR315403 1 0.118 0.8447 0.984 0.016
#> ERR315357 1 0.118 0.8447 0.984 0.016
#> ERR315463 2 0.969 0.5977 0.396 0.604
#> ERR315451 2 0.969 0.5977 0.396 0.604
#> ERR315445 1 0.118 0.8447 0.984 0.016
#> ERR315461 1 0.118 0.8447 0.984 0.016
#> ERR315397 2 0.753 0.6711 0.216 0.784
#> ERR315491 2 0.795 0.6632 0.240 0.760
#> ERR315483 2 0.802 0.6618 0.244 0.756
#> ERR315400 1 0.118 0.8447 0.984 0.016
#> ERR315440 1 0.000 0.8451 1.000 0.000
#> ERR315493 1 0.000 0.8451 1.000 0.000
#> ERR315441 1 0.000 0.8451 1.000 0.000
#> ERR315455 2 0.969 0.5977 0.396 0.604
#> ERR315421 2 0.993 -0.1811 0.452 0.548
#> ERR315370 2 0.999 -0.2568 0.480 0.520
#> ERR315355 2 0.998 -0.2362 0.472 0.528
#> ERR315446 2 0.969 0.5977 0.396 0.604
#> ERR315375 2 0.000 0.7300 0.000 1.000
#> ERR315467 1 0.000 0.8451 1.000 0.000
#> ERR315484 1 0.118 0.8447 0.984 0.016
#> ERR315406 1 0.000 0.8451 1.000 0.000
#> ERR315404 1 0.000 0.8451 1.000 0.000
#> ERR315407 2 0.000 0.7300 0.000 1.000
#> ERR315340 2 0.000 0.7300 0.000 1.000
#> ERR315356 2 0.000 0.7300 0.000 1.000
#> ERR315430 2 0.000 0.7300 0.000 1.000
#> ERR315422 2 0.969 0.5977 0.396 0.604
#> ERR315358 2 0.969 0.5977 0.396 0.604
#> ERR315448 1 0.141 0.8393 0.980 0.020
#> ERR315401 2 0.969 0.5977 0.396 0.604
#> ERR315464 2 0.969 0.5977 0.396 0.604
#> ERR315481 1 0.000 0.8451 1.000 0.000
#> ERR315454 1 0.000 0.8451 1.000 0.000
#> ERR315365 2 0.000 0.7300 0.000 1.000
#> ERR315354 2 0.000 0.7300 0.000 1.000
#> ERR315439 2 0.000 0.7300 0.000 1.000
#> ERR315444 2 0.000 0.7300 0.000 1.000
#> ERR315341 2 0.689 0.5247 0.184 0.816
#> ERR315412 2 0.969 0.5977 0.396 0.604
#> ERR315337 2 0.969 0.5977 0.396 0.604
#> ERR315429 2 0.969 0.5977 0.396 0.604
#> ERR315436 2 0.969 0.5977 0.396 0.604
#> ERR315379 1 0.118 0.8447 0.984 0.016
#> ERR315443 2 0.969 0.5977 0.396 0.604
#> ERR315415 2 0.969 0.5977 0.396 0.604
#> ERR315456 2 0.969 0.5977 0.396 0.604
#> ERR315336 2 0.000 0.7300 0.000 1.000
#> ERR315399 2 0.000 0.7300 0.000 1.000
#> ERR315477 2 0.969 0.5977 0.396 0.604
#> ERR315346 1 0.993 0.3972 0.548 0.452
#> ERR315383 2 0.969 0.5977 0.396 0.604
#> ERR315494 2 0.969 0.5977 0.396 0.604
#> ERR315492 2 0.969 0.5977 0.396 0.604
#> ERR315432 2 0.969 0.5977 0.396 0.604
#> ERR315338 1 0.969 0.4767 0.604 0.396
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315339 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315376 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315343 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315342 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315468 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315434 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315489 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315371 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315433 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315368 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315465 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315437 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315327 2 0.6180 0.308 0.000 0.584 0.416
#> ERR315394 2 0.6180 0.308 0.000 0.584 0.416
#> ERR315427 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315360 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315426 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315460 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315372 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315472 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315398 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315409 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315423 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315402 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315458 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315366 1 0.4062 0.751 0.836 0.164 0.000
#> ERR315345 1 0.3941 0.762 0.844 0.156 0.000
#> ERR315326 2 0.2625 0.879 0.084 0.916 0.000
#> ERR315424 2 0.2711 0.875 0.088 0.912 0.000
#> ERR315382 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315325 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315369 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315485 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315420 2 0.4121 0.795 0.000 0.832 0.168
#> ERR315459 2 0.4121 0.795 0.000 0.832 0.168
#> ERR315353 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315487 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315378 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315431 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315335 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315452 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315471 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315351 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315350 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315381 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315388 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315418 2 0.4062 0.800 0.000 0.836 0.164
#> ERR315449 2 0.4121 0.795 0.000 0.832 0.168
#> ERR315490 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315495 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315361 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315419 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315344 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315414 2 0.6126 0.354 0.000 0.600 0.400
#> ERR315352 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315410 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315349 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315474 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315470 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315428 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315363 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315469 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315476 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315478 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315362 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315411 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315416 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315408 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315364 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315359 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315330 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315384 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315413 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315332 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315334 1 0.4291 0.729 0.820 0.180 0.000
#> ERR315447 1 0.4291 0.729 0.820 0.180 0.000
#> ERR315453 1 0.4346 0.722 0.816 0.184 0.000
#> ERR315442 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315457 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315392 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315450 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315462 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315328 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315389 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315435 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315482 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315377 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315374 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315466 2 0.4291 0.780 0.000 0.820 0.180
#> ERR315479 2 0.4291 0.780 0.000 0.820 0.180
#> ERR315473 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315391 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315417 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315385 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315386 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315438 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315367 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315331 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315347 3 0.4931 0.648 0.000 0.232 0.768
#> ERR315396 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315403 3 0.4121 0.722 0.000 0.168 0.832
#> ERR315357 3 0.4235 0.712 0.000 0.176 0.824
#> ERR315463 3 0.5859 0.468 0.000 0.344 0.656
#> ERR315451 3 0.5859 0.468 0.000 0.344 0.656
#> ERR315445 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315461 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315397 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315491 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315483 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315400 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315440 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315455 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315421 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315370 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315355 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315446 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315375 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315467 1 0.6235 0.234 0.564 0.000 0.436
#> ERR315484 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315406 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315407 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315340 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315356 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315430 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315422 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315358 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315448 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315401 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315464 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315481 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315454 1 0.0000 0.948 1.000 0.000 0.000
#> ERR315365 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315354 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315439 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315444 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315341 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315412 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315337 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315429 2 0.4291 0.780 0.000 0.820 0.180
#> ERR315436 2 0.4291 0.780 0.000 0.820 0.180
#> ERR315379 3 0.0000 0.913 0.000 0.000 1.000
#> ERR315443 2 0.5733 0.538 0.000 0.676 0.324
#> ERR315415 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315456 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315336 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315399 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315477 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315346 2 0.0000 0.964 0.000 1.000 0.000
#> ERR315383 2 0.4291 0.780 0.000 0.820 0.180
#> ERR315494 2 0.4399 0.770 0.000 0.812 0.188
#> ERR315492 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315432 2 0.0237 0.963 0.000 0.996 0.004
#> ERR315338 1 0.0000 0.948 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315339 4 0.5000 0.273 0.000 0.496 0.000 0.504
#> ERR315376 2 0.5000 -0.269 0.000 0.504 0.000 0.496
#> ERR315343 4 0.4776 0.548 0.000 0.376 0.000 0.624
#> ERR315342 4 0.4790 0.541 0.000 0.380 0.000 0.620
#> ERR315468 2 0.0592 0.879 0.000 0.984 0.000 0.016
#> ERR315434 4 0.0707 0.760 0.000 0.020 0.000 0.980
#> ERR315489 4 0.0707 0.760 0.000 0.020 0.000 0.980
#> ERR315371 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315433 4 0.4866 0.492 0.000 0.404 0.000 0.596
#> ERR315368 4 0.4855 0.500 0.000 0.400 0.000 0.600
#> ERR315465 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315327 2 0.0336 0.878 0.000 0.992 0.008 0.000
#> ERR315394 2 0.0336 0.878 0.000 0.992 0.008 0.000
#> ERR315427 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315360 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315426 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315460 2 0.1637 0.844 0.000 0.940 0.000 0.060
#> ERR315372 2 0.1637 0.844 0.000 0.940 0.000 0.060
#> ERR315472 4 0.0188 0.767 0.000 0.004 0.000 0.996
#> ERR315398 4 0.0188 0.767 0.000 0.004 0.000 0.996
#> ERR315409 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315402 2 0.2149 0.860 0.000 0.912 0.000 0.088
#> ERR315458 2 0.2149 0.860 0.000 0.912 0.000 0.088
#> ERR315366 4 0.4277 0.430 0.280 0.000 0.000 0.720
#> ERR315345 4 0.4193 0.454 0.268 0.000 0.000 0.732
#> ERR315326 4 0.0336 0.764 0.008 0.000 0.000 0.992
#> ERR315424 4 0.0336 0.764 0.008 0.000 0.000 0.992
#> ERR315382 2 0.0188 0.880 0.000 0.996 0.000 0.004
#> ERR315325 2 0.0188 0.880 0.000 0.996 0.000 0.004
#> ERR315369 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315420 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315459 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315353 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315487 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315378 4 0.4776 0.548 0.000 0.376 0.000 0.624
#> ERR315431 4 0.4776 0.548 0.000 0.376 0.000 0.624
#> ERR315335 2 0.3400 0.759 0.000 0.820 0.000 0.180
#> ERR315452 2 0.3400 0.759 0.000 0.820 0.000 0.180
#> ERR315471 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315351 2 0.3356 0.764 0.000 0.824 0.000 0.176
#> ERR315350 2 0.3356 0.764 0.000 0.824 0.000 0.176
#> ERR315381 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315418 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315449 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315490 4 0.4304 0.665 0.000 0.284 0.000 0.716
#> ERR315495 4 0.4304 0.665 0.000 0.284 0.000 0.716
#> ERR315361 4 0.4304 0.665 0.000 0.284 0.000 0.716
#> ERR315419 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315414 2 0.0336 0.878 0.000 0.992 0.008 0.000
#> ERR315352 2 0.2011 0.866 0.000 0.920 0.000 0.080
#> ERR315410 4 0.4222 0.676 0.000 0.272 0.000 0.728
#> ERR315349 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315474 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315470 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315428 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315363 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315469 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315476 4 0.0336 0.770 0.000 0.008 0.000 0.992
#> ERR315478 4 0.0336 0.770 0.000 0.008 0.000 0.992
#> ERR315362 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315411 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315416 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315359 4 0.4222 0.676 0.000 0.272 0.000 0.728
#> ERR315330 4 0.4222 0.676 0.000 0.272 0.000 0.728
#> ERR315384 2 0.4817 0.276 0.000 0.612 0.000 0.388
#> ERR315413 2 0.4843 0.247 0.000 0.604 0.000 0.396
#> ERR315332 4 0.4522 0.627 0.000 0.320 0.000 0.680
#> ERR315334 4 0.1867 0.709 0.072 0.000 0.000 0.928
#> ERR315447 4 0.1867 0.709 0.072 0.000 0.000 0.928
#> ERR315453 4 0.1867 0.709 0.072 0.000 0.000 0.928
#> ERR315442 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315392 2 0.4679 0.397 0.000 0.648 0.000 0.352
#> ERR315450 2 0.4585 0.454 0.000 0.668 0.000 0.332
#> ERR315462 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315328 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315389 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315435 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315482 4 0.4898 0.465 0.000 0.416 0.000 0.584
#> ERR315380 4 0.4907 0.454 0.000 0.420 0.000 0.580
#> ERR315377 4 0.2530 0.754 0.000 0.112 0.000 0.888
#> ERR315374 4 0.2647 0.751 0.000 0.120 0.000 0.880
#> ERR315466 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315479 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315473 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315391 4 0.4898 0.465 0.000 0.416 0.000 0.584
#> ERR315417 4 0.4898 0.465 0.000 0.416 0.000 0.584
#> ERR315385 4 0.4898 0.465 0.000 0.416 0.000 0.584
#> ERR315386 4 0.4222 0.676 0.000 0.272 0.000 0.728
#> ERR315438 4 0.4222 0.676 0.000 0.272 0.000 0.728
#> ERR315367 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315331 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315347 4 0.1867 0.701 0.000 0.000 0.072 0.928
#> ERR315396 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315403 3 0.3356 0.815 0.000 0.000 0.824 0.176
#> ERR315357 3 0.3400 0.810 0.000 0.000 0.820 0.180
#> ERR315463 2 0.4277 0.594 0.000 0.720 0.280 0.000
#> ERR315451 2 0.4250 0.600 0.000 0.724 0.276 0.000
#> ERR315445 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315397 2 0.1211 0.872 0.000 0.960 0.000 0.040
#> ERR315491 2 0.0707 0.879 0.000 0.980 0.000 0.020
#> ERR315483 2 0.1022 0.876 0.000 0.968 0.000 0.032
#> ERR315400 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315455 2 0.2216 0.858 0.000 0.908 0.000 0.092
#> ERR315421 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315370 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315355 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315446 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315375 4 0.3726 0.714 0.000 0.212 0.000 0.788
#> ERR315467 1 0.8222 0.190 0.492 0.104 0.332 0.072
#> ERR315484 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315407 4 0.4713 0.569 0.000 0.360 0.000 0.640
#> ERR315340 4 0.4713 0.569 0.000 0.360 0.000 0.640
#> ERR315356 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315430 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315422 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315358 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315448 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315401 2 0.2589 0.802 0.000 0.884 0.000 0.116
#> ERR315464 2 0.2704 0.793 0.000 0.876 0.000 0.124
#> ERR315481 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> ERR315365 4 0.4830 0.525 0.000 0.392 0.000 0.608
#> ERR315354 4 0.4843 0.517 0.000 0.396 0.000 0.604
#> ERR315439 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315444 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315341 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315412 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315337 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315429 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315436 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315379 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> ERR315443 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315415 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315456 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315336 4 0.3610 0.721 0.000 0.200 0.000 0.800
#> ERR315399 4 0.3610 0.721 0.000 0.200 0.000 0.800
#> ERR315477 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315346 4 0.0000 0.769 0.000 0.000 0.000 1.000
#> ERR315383 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315494 2 0.0000 0.880 0.000 1.000 0.000 0.000
#> ERR315492 2 0.4936 0.290 0.004 0.624 0.000 0.372
#> ERR315432 2 0.1867 0.871 0.000 0.928 0.000 0.072
#> ERR315338 1 0.0000 0.984 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315339 5 0.5519 0.359 0.000 0.084 0.000 0.332 0.584
#> ERR315376 5 0.5519 0.359 0.000 0.084 0.000 0.332 0.584
#> ERR315343 2 0.4171 0.186 0.000 0.604 0.000 0.396 0.000
#> ERR315342 2 0.4425 0.192 0.000 0.600 0.000 0.392 0.008
#> ERR315468 2 0.4738 -0.194 0.000 0.520 0.000 0.016 0.464
#> ERR315434 4 0.3039 0.748 0.000 0.000 0.000 0.808 0.192
#> ERR315489 4 0.3039 0.748 0.000 0.000 0.000 0.808 0.192
#> ERR315371 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.4192 0.166 0.000 0.596 0.000 0.404 0.000
#> ERR315368 2 0.4210 0.144 0.000 0.588 0.000 0.412 0.000
#> ERR315465 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315327 2 0.2505 0.384 0.000 0.888 0.020 0.000 0.092
#> ERR315394 2 0.2505 0.384 0.000 0.888 0.020 0.000 0.092
#> ERR315427 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315360 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315426 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315460 5 0.3966 0.480 0.000 0.336 0.000 0.000 0.664
#> ERR315372 5 0.3966 0.480 0.000 0.336 0.000 0.000 0.664
#> ERR315472 4 0.3039 0.748 0.000 0.000 0.000 0.808 0.192
#> ERR315398 4 0.3039 0.748 0.000 0.000 0.000 0.808 0.192
#> ERR315409 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.0451 0.433 0.000 0.988 0.000 0.008 0.004
#> ERR315458 2 0.0451 0.433 0.000 0.988 0.000 0.008 0.004
#> ERR315366 4 0.4201 0.364 0.408 0.000 0.000 0.592 0.000
#> ERR315345 4 0.4171 0.394 0.396 0.000 0.000 0.604 0.000
#> ERR315326 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315424 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315382 2 0.4450 -0.208 0.000 0.508 0.000 0.004 0.488
#> ERR315325 2 0.4450 -0.208 0.000 0.508 0.000 0.004 0.488
#> ERR315369 3 0.0290 0.956 0.000 0.000 0.992 0.008 0.000
#> ERR315485 3 0.0290 0.956 0.000 0.000 0.992 0.008 0.000
#> ERR315420 2 0.4306 -0.203 0.000 0.508 0.000 0.000 0.492
#> ERR315459 2 0.4306 -0.203 0.000 0.508 0.000 0.000 0.492
#> ERR315353 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315487 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315378 2 0.4171 0.186 0.000 0.604 0.000 0.396 0.000
#> ERR315431 2 0.4171 0.186 0.000 0.604 0.000 0.396 0.000
#> ERR315335 2 0.1043 0.436 0.000 0.960 0.000 0.040 0.000
#> ERR315452 2 0.0963 0.437 0.000 0.964 0.000 0.036 0.000
#> ERR315471 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.0404 0.435 0.000 0.988 0.000 0.012 0.000
#> ERR315350 2 0.0404 0.435 0.000 0.988 0.000 0.012 0.000
#> ERR315381 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315418 2 0.4307 -0.212 0.000 0.504 0.000 0.000 0.496
#> ERR315449 2 0.4307 -0.212 0.000 0.504 0.000 0.000 0.496
#> ERR315490 4 0.3305 0.736 0.000 0.224 0.000 0.776 0.000
#> ERR315495 4 0.3305 0.736 0.000 0.224 0.000 0.776 0.000
#> ERR315361 4 0.3305 0.736 0.000 0.224 0.000 0.776 0.000
#> ERR315419 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315414 2 0.2773 0.386 0.000 0.868 0.020 0.000 0.112
#> ERR315352 2 0.0000 0.431 0.000 1.000 0.000 0.000 0.000
#> ERR315410 4 0.3242 0.744 0.000 0.216 0.000 0.784 0.000
#> ERR315349 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315474 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315470 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315428 2 0.4305 -0.199 0.000 0.512 0.000 0.000 0.488
#> ERR315363 2 0.4305 -0.199 0.000 0.512 0.000 0.000 0.488
#> ERR315469 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.2280 0.788 0.000 0.120 0.000 0.880 0.000
#> ERR315478 4 0.2230 0.789 0.000 0.116 0.000 0.884 0.000
#> ERR315362 4 0.3039 0.748 0.000 0.000 0.000 0.808 0.192
#> ERR315411 4 0.3039 0.748 0.000 0.000 0.000 0.808 0.192
#> ERR315416 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315359 4 0.3242 0.744 0.000 0.216 0.000 0.784 0.000
#> ERR315330 4 0.3242 0.744 0.000 0.216 0.000 0.784 0.000
#> ERR315384 2 0.4639 0.328 0.000 0.632 0.000 0.024 0.344
#> ERR315413 2 0.4703 0.328 0.000 0.632 0.000 0.028 0.340
#> ERR315332 4 0.4262 0.313 0.000 0.440 0.000 0.560 0.000
#> ERR315334 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315447 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315453 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315442 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.3424 0.386 0.000 0.760 0.000 0.240 0.000
#> ERR315450 2 0.3366 0.389 0.000 0.768 0.000 0.232 0.000
#> ERR315462 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315328 2 0.4101 0.319 0.000 0.628 0.000 0.000 0.372
#> ERR315389 2 0.4126 0.313 0.000 0.620 0.000 0.000 0.380
#> ERR315435 2 0.4101 0.319 0.000 0.628 0.000 0.000 0.372
#> ERR315482 2 0.3932 0.314 0.000 0.672 0.000 0.328 0.000
#> ERR315380 2 0.3932 0.314 0.000 0.672 0.000 0.328 0.000
#> ERR315377 4 0.3074 0.755 0.000 0.196 0.000 0.804 0.000
#> ERR315374 4 0.3109 0.753 0.000 0.200 0.000 0.800 0.000
#> ERR315466 5 0.3534 0.455 0.000 0.256 0.000 0.000 0.744
#> ERR315479 5 0.3534 0.455 0.000 0.256 0.000 0.000 0.744
#> ERR315473 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.3876 0.328 0.000 0.684 0.000 0.316 0.000
#> ERR315417 2 0.4030 0.277 0.000 0.648 0.000 0.352 0.000
#> ERR315385 2 0.4030 0.277 0.000 0.648 0.000 0.352 0.000
#> ERR315386 4 0.3242 0.744 0.000 0.216 0.000 0.784 0.000
#> ERR315438 4 0.3242 0.744 0.000 0.216 0.000 0.784 0.000
#> ERR315367 2 0.4060 0.325 0.000 0.640 0.000 0.000 0.360
#> ERR315331 2 0.4060 0.325 0.000 0.640 0.000 0.000 0.360
#> ERR315347 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315396 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.1732 0.875 0.000 0.000 0.920 0.080 0.000
#> ERR315357 3 0.1792 0.870 0.000 0.000 0.916 0.084 0.000
#> ERR315463 2 0.5128 0.270 0.000 0.656 0.268 0.000 0.076
#> ERR315451 2 0.5105 0.272 0.000 0.660 0.264 0.000 0.076
#> ERR315445 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315397 2 0.4900 -0.198 0.000 0.512 0.000 0.024 0.464
#> ERR315491 2 0.4650 -0.193 0.000 0.520 0.000 0.012 0.468
#> ERR315483 2 0.4900 -0.198 0.000 0.512 0.000 0.024 0.464
#> ERR315400 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.0404 0.432 0.000 0.988 0.000 0.000 0.012
#> ERR315421 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315370 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315355 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315446 2 0.0000 0.431 0.000 1.000 0.000 0.000 0.000
#> ERR315375 4 0.3177 0.749 0.000 0.208 0.000 0.792 0.000
#> ERR315467 3 0.7515 0.109 0.380 0.012 0.392 0.184 0.032
#> ERR315484 3 0.0000 0.961 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315407 4 0.3491 0.731 0.000 0.228 0.000 0.768 0.004
#> ERR315340 4 0.3491 0.731 0.000 0.228 0.000 0.768 0.004
#> ERR315356 2 0.4060 0.325 0.000 0.640 0.000 0.000 0.360
#> ERR315430 2 0.4060 0.325 0.000 0.640 0.000 0.000 0.360
#> ERR315422 2 0.4306 -0.203 0.000 0.508 0.000 0.000 0.492
#> ERR315358 2 0.4306 -0.203 0.000 0.508 0.000 0.000 0.492
#> ERR315448 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.5312 0.542 0.000 0.248 0.000 0.100 0.652
#> ERR315464 5 0.5354 0.542 0.000 0.240 0.000 0.108 0.652
#> ERR315481 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315365 4 0.4367 0.382 0.000 0.416 0.000 0.580 0.004
#> ERR315354 4 0.4375 0.371 0.000 0.420 0.000 0.576 0.004
#> ERR315439 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315444 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315341 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315412 2 0.4306 -0.203 0.000 0.508 0.000 0.000 0.492
#> ERR315337 2 0.4306 -0.203 0.000 0.508 0.000 0.000 0.492
#> ERR315429 5 0.3508 0.461 0.000 0.252 0.000 0.000 0.748
#> ERR315436 5 0.3508 0.461 0.000 0.252 0.000 0.000 0.748
#> ERR315379 3 0.0290 0.956 0.000 0.000 0.992 0.008 0.000
#> ERR315443 2 0.4302 -0.193 0.000 0.520 0.000 0.000 0.480
#> ERR315415 2 0.0000 0.431 0.000 1.000 0.000 0.000 0.000
#> ERR315456 2 0.0000 0.431 0.000 1.000 0.000 0.000 0.000
#> ERR315336 4 0.3143 0.752 0.000 0.204 0.000 0.796 0.000
#> ERR315399 4 0.3143 0.752 0.000 0.204 0.000 0.796 0.000
#> ERR315477 2 0.0290 0.432 0.000 0.992 0.000 0.000 0.008
#> ERR315346 4 0.0000 0.810 0.000 0.000 0.000 1.000 0.000
#> ERR315383 2 0.4302 -0.193 0.000 0.520 0.000 0.000 0.480
#> ERR315494 2 0.4302 -0.193 0.000 0.520 0.000 0.000 0.480
#> ERR315492 2 0.3752 0.361 0.000 0.708 0.000 0.292 0.000
#> ERR315432 2 0.1121 0.429 0.000 0.956 0.000 0.000 0.044
#> ERR315338 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 2 0.5862 -0.2216 0.000 0.464 0.000 0.212 0.324 0.000
#> ERR315376 2 0.5877 -0.2341 0.000 0.456 0.000 0.212 0.332 0.000
#> ERR315343 4 0.2331 0.4355 0.000 0.032 0.000 0.888 0.000 0.080
#> ERR315342 4 0.3101 0.2954 0.000 0.032 0.000 0.820 0.000 0.148
#> ERR315468 5 0.1444 0.7811 0.000 0.000 0.000 0.072 0.928 0.000
#> ERR315434 4 0.3934 0.4927 0.000 0.376 0.000 0.616 0.000 0.008
#> ERR315489 4 0.3934 0.4927 0.000 0.376 0.000 0.616 0.000 0.008
#> ERR315371 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 4 0.1007 0.5229 0.000 0.044 0.000 0.956 0.000 0.000
#> ERR315368 4 0.1007 0.5229 0.000 0.044 0.000 0.956 0.000 0.000
#> ERR315465 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.4288 0.6328 0.000 0.044 0.020 0.204 0.732 0.000
#> ERR315394 5 0.4288 0.6328 0.000 0.044 0.020 0.204 0.732 0.000
#> ERR315427 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315360 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315426 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315333 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315460 5 0.3695 0.5563 0.000 0.376 0.000 0.000 0.624 0.000
#> ERR315372 5 0.3695 0.5563 0.000 0.376 0.000 0.000 0.624 0.000
#> ERR315472 4 0.3934 0.4927 0.000 0.376 0.000 0.616 0.000 0.008
#> ERR315398 4 0.3934 0.4927 0.000 0.376 0.000 0.616 0.000 0.008
#> ERR315409 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.5836 0.4864 0.000 0.420 0.000 0.392 0.188 0.000
#> ERR315458 2 0.5961 0.4853 0.000 0.420 0.000 0.388 0.188 0.004
#> ERR315366 1 0.4002 0.2383 0.588 0.000 0.000 0.404 0.000 0.008
#> ERR315345 1 0.4025 0.2033 0.576 0.000 0.000 0.416 0.000 0.008
#> ERR315326 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315424 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315382 5 0.3515 0.4722 0.000 0.000 0.000 0.324 0.676 0.000
#> ERR315325 5 0.3499 0.4802 0.000 0.000 0.000 0.320 0.680 0.000
#> ERR315369 3 0.0260 0.9627 0.000 0.000 0.992 0.000 0.000 0.008
#> ERR315485 3 0.0260 0.9627 0.000 0.000 0.992 0.000 0.000 0.008
#> ERR315420 5 0.1327 0.7847 0.000 0.000 0.000 0.064 0.936 0.000
#> ERR315459 5 0.1327 0.7847 0.000 0.000 0.000 0.064 0.936 0.000
#> ERR315353 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315487 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315378 4 0.2046 0.4672 0.000 0.032 0.000 0.908 0.000 0.060
#> ERR315431 4 0.1334 0.5185 0.000 0.032 0.000 0.948 0.000 0.020
#> ERR315335 4 0.5633 -0.6859 0.000 0.412 0.000 0.440 0.148 0.000
#> ERR315452 4 0.5633 -0.6859 0.000 0.412 0.000 0.440 0.148 0.000
#> ERR315471 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315350 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315381 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.1610 0.7769 0.000 0.000 0.000 0.084 0.916 0.000
#> ERR315449 5 0.1663 0.7746 0.000 0.000 0.000 0.088 0.912 0.000
#> ERR315490 4 0.0146 0.5592 0.000 0.004 0.000 0.996 0.000 0.000
#> ERR315495 4 0.0146 0.5592 0.000 0.004 0.000 0.996 0.000 0.000
#> ERR315361 4 0.0146 0.5592 0.000 0.004 0.000 0.996 0.000 0.000
#> ERR315419 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.4861 0.6185 0.000 0.048 0.020 0.204 0.708 0.020
#> ERR315352 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315410 4 0.0000 0.5616 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315349 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315474 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315470 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315428 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315363 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315469 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315425 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315476 4 0.3198 0.6058 0.000 0.000 0.000 0.740 0.000 0.260
#> ERR315478 4 0.3221 0.6063 0.000 0.000 0.000 0.736 0.000 0.264
#> ERR315362 4 0.3934 0.4927 0.000 0.376 0.000 0.616 0.000 0.008
#> ERR315411 4 0.3934 0.4927 0.000 0.376 0.000 0.616 0.000 0.008
#> ERR315416 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 4 0.0000 0.5616 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315330 4 0.0000 0.5616 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315384 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315413 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315332 4 0.0713 0.5405 0.000 0.028 0.000 0.972 0.000 0.000
#> ERR315334 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315447 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315453 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315442 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 4 0.4269 -0.5004 0.000 0.412 0.000 0.568 0.020 0.000
#> ERR315450 4 0.4269 -0.5004 0.000 0.412 0.000 0.568 0.020 0.000
#> ERR315462 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315389 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315435 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315482 4 0.3782 -0.4567 0.000 0.412 0.000 0.588 0.000 0.000
#> ERR315380 4 0.3782 -0.4567 0.000 0.412 0.000 0.588 0.000 0.000
#> ERR315377 4 0.0363 0.5676 0.000 0.000 0.000 0.988 0.000 0.012
#> ERR315374 4 0.0260 0.5657 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315466 5 0.6119 0.2154 0.000 0.016 0.000 0.176 0.460 0.348
#> ERR315479 5 0.6119 0.2154 0.000 0.016 0.000 0.176 0.460 0.348
#> ERR315473 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315417 4 0.3309 -0.0608 0.000 0.280 0.000 0.720 0.000 0.000
#> ERR315385 4 0.3266 -0.0315 0.000 0.272 0.000 0.728 0.000 0.000
#> ERR315386 4 0.0000 0.5616 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315438 4 0.0000 0.5616 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315367 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315331 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315347 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315396 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315486 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315403 3 0.0806 0.9398 0.000 0.000 0.972 0.020 0.000 0.008
#> ERR315357 3 0.0891 0.9344 0.000 0.000 0.968 0.024 0.000 0.008
#> ERR315463 5 0.6505 0.3908 0.000 0.044 0.280 0.196 0.480 0.000
#> ERR315451 5 0.6493 0.3962 0.000 0.044 0.276 0.196 0.484 0.000
#> ERR315445 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.1501 0.7790 0.000 0.000 0.000 0.076 0.924 0.000
#> ERR315491 5 0.1444 0.7811 0.000 0.000 0.000 0.072 0.928 0.000
#> ERR315483 5 0.1501 0.7790 0.000 0.000 0.000 0.076 0.924 0.000
#> ERR315400 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315421 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315370 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315355 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315446 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315375 4 0.0508 0.5662 0.000 0.004 0.000 0.984 0.000 0.012
#> ERR315467 3 0.6879 0.1291 0.336 0.000 0.380 0.000 0.056 0.228
#> ERR315484 3 0.0000 0.9674 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315404 1 0.1398 0.9283 0.940 0.008 0.000 0.000 0.052 0.000
#> ERR315407 4 0.0937 0.5309 0.000 0.000 0.000 0.960 0.040 0.000
#> ERR315340 4 0.0937 0.5309 0.000 0.000 0.000 0.960 0.040 0.000
#> ERR315356 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315430 6 0.3841 1.0000 0.000 0.000 0.000 0.380 0.004 0.616
#> ERR315422 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315358 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315448 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.5079 0.4738 0.000 0.380 0.000 0.084 0.536 0.000
#> ERR315464 5 0.5120 0.4688 0.000 0.380 0.000 0.088 0.532 0.000
#> ERR315481 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315365 4 0.1492 0.5142 0.000 0.024 0.000 0.940 0.036 0.000
#> ERR315354 4 0.1564 0.5094 0.000 0.024 0.000 0.936 0.040 0.000
#> ERR315439 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315444 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315341 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315412 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315337 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315429 5 0.5978 0.2807 0.000 0.016 0.000 0.152 0.484 0.348
#> ERR315436 5 0.5924 0.2993 0.000 0.016 0.000 0.144 0.492 0.348
#> ERR315379 3 0.0260 0.9627 0.000 0.000 0.992 0.000 0.000 0.008
#> ERR315443 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315415 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315456 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315336 4 0.0777 0.5704 0.000 0.004 0.000 0.972 0.000 0.024
#> ERR315399 4 0.0692 0.5692 0.000 0.004 0.000 0.976 0.000 0.020
#> ERR315477 2 0.4218 0.6828 0.000 0.616 0.000 0.360 0.024 0.000
#> ERR315346 4 0.3717 0.6095 0.000 0.000 0.000 0.616 0.000 0.384
#> ERR315383 5 0.1267 0.7851 0.000 0.000 0.000 0.060 0.940 0.000
#> ERR315494 5 0.1204 0.7848 0.000 0.000 0.000 0.056 0.944 0.000
#> ERR315492 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315432 2 0.3717 0.7212 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315338 1 0.0000 0.9501 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "mclust"]
# you can also extract it by
# res = res_list["SD:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 5.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.616 0.852 0.928 0.4107 0.618 0.618
#> 3 3 0.461 0.613 0.728 0.4830 0.703 0.550
#> 4 4 0.648 0.454 0.753 0.1281 0.803 0.575
#> 5 5 0.620 0.630 0.754 0.0997 0.806 0.479
#> 6 6 0.640 0.559 0.762 0.0139 0.852 0.544
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.2778 0.8790 0.048 0.952
#> ERR315339 2 0.0000 0.9168 0.000 1.000
#> ERR315376 2 0.0000 0.9168 0.000 1.000
#> ERR315343 2 0.0000 0.9168 0.000 1.000
#> ERR315342 2 0.0000 0.9168 0.000 1.000
#> ERR315468 2 0.0000 0.9168 0.000 1.000
#> ERR315434 2 0.0376 0.9151 0.004 0.996
#> ERR315489 2 0.0376 0.9151 0.004 0.996
#> ERR315371 1 0.0000 0.9120 1.000 0.000
#> ERR315433 2 0.0000 0.9168 0.000 1.000
#> ERR315368 2 0.0000 0.9168 0.000 1.000
#> ERR315465 1 0.0000 0.9120 1.000 0.000
#> ERR315437 1 0.0000 0.9120 1.000 0.000
#> ERR315327 2 0.0000 0.9168 0.000 1.000
#> ERR315394 2 0.0000 0.9168 0.000 1.000
#> ERR315427 2 0.8327 0.7044 0.264 0.736
#> ERR315360 2 0.8327 0.7044 0.264 0.736
#> ERR315426 1 0.0000 0.9120 1.000 0.000
#> ERR315387 1 0.0000 0.9120 1.000 0.000
#> ERR315475 1 0.0000 0.9120 1.000 0.000
#> ERR315395 1 0.0000 0.9120 1.000 0.000
#> ERR315333 1 0.0000 0.9120 1.000 0.000
#> ERR315460 2 0.0000 0.9168 0.000 1.000
#> ERR315372 2 0.0000 0.9168 0.000 1.000
#> ERR315472 2 0.0000 0.9168 0.000 1.000
#> ERR315398 2 0.0000 0.9168 0.000 1.000
#> ERR315409 1 0.8327 0.7234 0.736 0.264
#> ERR315423 1 0.8327 0.7234 0.736 0.264
#> ERR315402 2 0.0000 0.9168 0.000 1.000
#> ERR315458 2 0.0000 0.9168 0.000 1.000
#> ERR315366 1 0.0000 0.9120 1.000 0.000
#> ERR315345 1 0.0000 0.9120 1.000 0.000
#> ERR315326 2 0.8327 0.7044 0.264 0.736
#> ERR315424 2 0.8327 0.7044 0.264 0.736
#> ERR315382 2 0.0000 0.9168 0.000 1.000
#> ERR315325 2 0.0000 0.9168 0.000 1.000
#> ERR315369 2 0.9286 0.3775 0.344 0.656
#> ERR315485 2 0.9209 0.3994 0.336 0.664
#> ERR315420 2 0.0000 0.9168 0.000 1.000
#> ERR315459 2 0.0000 0.9168 0.000 1.000
#> ERR315353 2 0.8327 0.7044 0.264 0.736
#> ERR315487 2 0.8327 0.7044 0.264 0.736
#> ERR315378 2 0.0000 0.9168 0.000 1.000
#> ERR315431 2 0.0000 0.9168 0.000 1.000
#> ERR315335 2 0.0000 0.9168 0.000 1.000
#> ERR315452 2 0.0000 0.9168 0.000 1.000
#> ERR315471 1 0.0000 0.9120 1.000 0.000
#> ERR315390 1 0.0000 0.9120 1.000 0.000
#> ERR315329 1 0.0000 0.9120 1.000 0.000
#> ERR315393 1 0.0000 0.9120 1.000 0.000
#> ERR315488 1 0.0000 0.9120 1.000 0.000
#> ERR315351 2 0.0000 0.9168 0.000 1.000
#> ERR315350 2 0.0000 0.9168 0.000 1.000
#> ERR315381 1 0.8327 0.7234 0.736 0.264
#> ERR315388 1 0.8327 0.7234 0.736 0.264
#> ERR315418 2 0.0000 0.9168 0.000 1.000
#> ERR315449 2 0.0000 0.9168 0.000 1.000
#> ERR315490 2 0.0000 0.9168 0.000 1.000
#> ERR315495 2 0.0000 0.9168 0.000 1.000
#> ERR315361 2 0.0000 0.9168 0.000 1.000
#> ERR315419 1 0.8327 0.7234 0.736 0.264
#> ERR315344 1 0.8327 0.7234 0.736 0.264
#> ERR315414 2 0.0000 0.9168 0.000 1.000
#> ERR315352 2 0.0000 0.9168 0.000 1.000
#> ERR315410 2 0.1633 0.9042 0.024 0.976
#> ERR315349 2 0.0000 0.9168 0.000 1.000
#> ERR315474 2 0.0000 0.9168 0.000 1.000
#> ERR315470 2 0.0000 0.9168 0.000 1.000
#> ERR315428 2 0.0000 0.9168 0.000 1.000
#> ERR315363 2 0.0000 0.9168 0.000 1.000
#> ERR315469 1 0.0000 0.9120 1.000 0.000
#> ERR315425 1 0.0000 0.9120 1.000 0.000
#> ERR315476 2 0.8327 0.7044 0.264 0.736
#> ERR315478 2 0.8327 0.7044 0.264 0.736
#> ERR315362 2 0.1633 0.9042 0.024 0.976
#> ERR315411 2 0.1633 0.9042 0.024 0.976
#> ERR315416 1 0.0000 0.9120 1.000 0.000
#> ERR315405 1 0.0000 0.9120 1.000 0.000
#> ERR315408 1 0.8327 0.7234 0.736 0.264
#> ERR315364 1 0.8327 0.7234 0.736 0.264
#> ERR315359 2 0.0672 0.9131 0.008 0.992
#> ERR315330 2 0.0672 0.9131 0.008 0.992
#> ERR315384 2 0.0000 0.9168 0.000 1.000
#> ERR315413 2 0.0000 0.9168 0.000 1.000
#> ERR315332 2 0.0000 0.9168 0.000 1.000
#> ERR315334 2 0.8327 0.7044 0.264 0.736
#> ERR315447 2 0.8327 0.7044 0.264 0.736
#> ERR315453 2 0.8327 0.7044 0.264 0.736
#> ERR315442 1 0.8327 0.7234 0.736 0.264
#> ERR315457 1 0.8327 0.7234 0.736 0.264
#> ERR315392 2 0.0000 0.9168 0.000 1.000
#> ERR315450 2 0.0000 0.9168 0.000 1.000
#> ERR315462 2 0.0376 0.9143 0.004 0.996
#> ERR315328 2 0.0000 0.9168 0.000 1.000
#> ERR315389 2 0.0000 0.9168 0.000 1.000
#> ERR315435 2 0.0000 0.9168 0.000 1.000
#> ERR315482 2 0.0000 0.9168 0.000 1.000
#> ERR315380 2 0.0000 0.9168 0.000 1.000
#> ERR315377 2 0.8327 0.7044 0.264 0.736
#> ERR315374 2 0.8327 0.7044 0.264 0.736
#> ERR315466 2 0.0000 0.9168 0.000 1.000
#> ERR315479 2 0.0000 0.9168 0.000 1.000
#> ERR315473 1 0.0000 0.9120 1.000 0.000
#> ERR315391 2 0.4815 0.8491 0.104 0.896
#> ERR315417 2 0.5408 0.8335 0.124 0.876
#> ERR315385 2 0.5408 0.8336 0.124 0.876
#> ERR315386 2 0.7299 0.7640 0.204 0.796
#> ERR315438 2 0.7299 0.7640 0.204 0.796
#> ERR315367 2 0.0000 0.9168 0.000 1.000
#> ERR315331 2 0.0000 0.9168 0.000 1.000
#> ERR315347 2 0.0000 0.9168 0.000 1.000
#> ERR315396 1 0.0000 0.9120 1.000 0.000
#> ERR315486 1 0.0000 0.9120 1.000 0.000
#> ERR315403 2 0.4022 0.8482 0.080 0.920
#> ERR315357 2 0.3733 0.8563 0.072 0.928
#> ERR315463 2 0.0000 0.9168 0.000 1.000
#> ERR315451 2 0.0000 0.9168 0.000 1.000
#> ERR315445 1 0.8327 0.7234 0.736 0.264
#> ERR315461 1 0.8327 0.7234 0.736 0.264
#> ERR315397 2 0.0000 0.9168 0.000 1.000
#> ERR315491 2 0.0000 0.9168 0.000 1.000
#> ERR315483 2 0.0000 0.9168 0.000 1.000
#> ERR315400 2 0.9866 0.0839 0.432 0.568
#> ERR315440 1 0.0000 0.9120 1.000 0.000
#> ERR315493 1 0.0000 0.9120 1.000 0.000
#> ERR315441 1 0.0000 0.9120 1.000 0.000
#> ERR315455 2 0.0000 0.9168 0.000 1.000
#> ERR315421 2 0.8327 0.7044 0.264 0.736
#> ERR315370 2 0.8327 0.7044 0.264 0.736
#> ERR315355 2 0.8327 0.7044 0.264 0.736
#> ERR315446 2 0.0000 0.9168 0.000 1.000
#> ERR315375 2 0.8327 0.7044 0.264 0.736
#> ERR315467 2 0.0000 0.9168 0.000 1.000
#> ERR315484 2 0.9686 0.2170 0.396 0.604
#> ERR315406 1 0.0000 0.9120 1.000 0.000
#> ERR315404 1 0.0000 0.9120 1.000 0.000
#> ERR315407 2 0.0376 0.9151 0.004 0.996
#> ERR315340 2 0.0376 0.9151 0.004 0.996
#> ERR315356 2 0.0000 0.9168 0.000 1.000
#> ERR315430 2 0.0000 0.9168 0.000 1.000
#> ERR315422 2 0.0000 0.9168 0.000 1.000
#> ERR315358 2 0.0000 0.9168 0.000 1.000
#> ERR315448 1 0.0000 0.9120 1.000 0.000
#> ERR315401 2 0.0000 0.9168 0.000 1.000
#> ERR315464 2 0.0000 0.9168 0.000 1.000
#> ERR315481 1 0.0000 0.9120 1.000 0.000
#> ERR315454 1 0.0000 0.9120 1.000 0.000
#> ERR315365 2 0.0938 0.9111 0.012 0.988
#> ERR315354 2 0.0938 0.9111 0.012 0.988
#> ERR315439 2 0.8327 0.7044 0.264 0.736
#> ERR315444 2 0.8327 0.7044 0.264 0.736
#> ERR315341 2 0.8327 0.7044 0.264 0.736
#> ERR315412 2 0.0000 0.9168 0.000 1.000
#> ERR315337 2 0.0000 0.9168 0.000 1.000
#> ERR315429 2 0.0000 0.9168 0.000 1.000
#> ERR315436 2 0.0000 0.9168 0.000 1.000
#> ERR315379 2 0.0000 0.9168 0.000 1.000
#> ERR315443 2 0.0000 0.9168 0.000 1.000
#> ERR315415 2 0.0000 0.9168 0.000 1.000
#> ERR315456 2 0.0000 0.9168 0.000 1.000
#> ERR315336 2 0.8327 0.7044 0.264 0.736
#> ERR315399 2 0.8327 0.7044 0.264 0.736
#> ERR315477 2 0.0000 0.9168 0.000 1.000
#> ERR315346 2 0.8327 0.7044 0.264 0.736
#> ERR315383 2 0.0000 0.9168 0.000 1.000
#> ERR315494 2 0.0000 0.9168 0.000 1.000
#> ERR315492 2 0.8016 0.7250 0.244 0.756
#> ERR315432 2 0.0000 0.9168 0.000 1.000
#> ERR315338 1 0.0000 0.9120 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 1 0.5098 0.3975 0.752 0.248 0.000
#> ERR315339 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315376 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315343 2 0.5905 0.5046 0.000 0.648 0.352
#> ERR315342 2 0.5905 0.5046 0.000 0.648 0.352
#> ERR315468 2 0.4172 0.5747 0.156 0.840 0.004
#> ERR315434 2 0.6599 0.6385 0.084 0.748 0.168
#> ERR315489 2 0.6677 0.6361 0.088 0.744 0.168
#> ERR315371 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315433 2 0.5948 0.4923 0.000 0.640 0.360
#> ERR315368 2 0.5948 0.4923 0.000 0.640 0.360
#> ERR315465 1 0.6189 0.6833 0.632 0.004 0.364
#> ERR315437 1 0.6189 0.6833 0.632 0.004 0.364
#> ERR315327 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315394 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315427 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315360 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315426 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315387 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315475 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315395 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315333 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315460 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315372 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315472 2 0.6239 0.6502 0.072 0.768 0.160
#> ERR315398 2 0.6295 0.6477 0.072 0.764 0.164
#> ERR315409 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315423 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315402 2 0.5529 0.5479 0.000 0.704 0.296
#> ERR315458 2 0.5529 0.5479 0.000 0.704 0.296
#> ERR315366 1 0.6189 0.6833 0.632 0.004 0.364
#> ERR315345 1 0.6189 0.6833 0.632 0.004 0.364
#> ERR315326 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315424 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315382 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315325 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315369 1 0.4178 0.5069 0.828 0.172 0.000
#> ERR315485 1 0.4178 0.5069 0.828 0.172 0.000
#> ERR315420 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315459 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315353 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315487 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315378 2 0.5988 0.4794 0.000 0.632 0.368
#> ERR315431 2 0.5988 0.4794 0.000 0.632 0.368
#> ERR315335 2 0.5905 0.5040 0.000 0.648 0.352
#> ERR315452 2 0.5905 0.5040 0.000 0.648 0.352
#> ERR315471 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315390 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315329 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315393 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315488 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315351 2 0.0237 0.7197 0.000 0.996 0.004
#> ERR315350 2 0.0237 0.7197 0.000 0.996 0.004
#> ERR315381 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315388 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315418 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315449 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315490 2 0.5905 0.5028 0.000 0.648 0.352
#> ERR315495 2 0.5905 0.5028 0.000 0.648 0.352
#> ERR315361 2 0.5905 0.5028 0.000 0.648 0.352
#> ERR315419 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315344 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315414 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315352 2 0.0237 0.7197 0.000 0.996 0.004
#> ERR315410 2 0.7710 0.5821 0.144 0.680 0.176
#> ERR315349 3 0.8665 0.7263 0.384 0.108 0.508
#> ERR315474 3 0.8665 0.7263 0.384 0.108 0.508
#> ERR315470 3 0.8665 0.7263 0.384 0.108 0.508
#> ERR315428 2 0.1411 0.7162 0.000 0.964 0.036
#> ERR315363 2 0.1643 0.7146 0.000 0.956 0.044
#> ERR315469 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315425 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315476 3 0.9008 0.7845 0.164 0.296 0.540
#> ERR315478 3 0.9008 0.7845 0.164 0.296 0.540
#> ERR315362 2 0.7398 0.6025 0.120 0.700 0.180
#> ERR315411 2 0.7398 0.6025 0.120 0.700 0.180
#> ERR315416 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315405 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315408 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315364 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315359 2 0.7875 0.5648 0.156 0.668 0.176
#> ERR315330 2 0.7875 0.5648 0.156 0.668 0.176
#> ERR315384 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315413 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315332 2 0.6026 0.4628 0.000 0.624 0.376
#> ERR315334 1 0.9299 -0.4855 0.512 0.196 0.292
#> ERR315447 1 0.9299 -0.4855 0.512 0.196 0.292
#> ERR315453 1 0.9278 -0.4745 0.516 0.196 0.288
#> ERR315442 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315457 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315392 2 0.5926 0.4976 0.000 0.644 0.356
#> ERR315450 2 0.5926 0.4976 0.000 0.644 0.356
#> ERR315462 1 0.5327 0.3619 0.728 0.272 0.000
#> ERR315328 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315389 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315435 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315482 2 0.6008 0.4716 0.000 0.628 0.372
#> ERR315380 2 0.6008 0.4716 0.000 0.628 0.372
#> ERR315377 3 0.9050 0.7735 0.164 0.304 0.532
#> ERR315374 3 0.9050 0.7735 0.164 0.304 0.532
#> ERR315466 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315479 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315473 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315391 2 0.6026 0.4628 0.000 0.624 0.376
#> ERR315417 2 0.6008 0.4716 0.000 0.628 0.372
#> ERR315385 2 0.6008 0.4716 0.000 0.628 0.372
#> ERR315386 2 0.6398 0.3223 0.004 0.580 0.416
#> ERR315438 2 0.6398 0.3223 0.004 0.580 0.416
#> ERR315367 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315331 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315347 1 0.8045 -0.2270 0.624 0.104 0.272
#> ERR315396 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315486 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315403 1 0.4390 0.4746 0.840 0.148 0.012
#> ERR315357 1 0.4390 0.4746 0.840 0.148 0.012
#> ERR315463 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315451 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315445 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315461 1 0.3941 0.5201 0.844 0.156 0.000
#> ERR315397 2 0.2959 0.6973 0.000 0.900 0.100
#> ERR315491 2 0.2959 0.6973 0.000 0.900 0.100
#> ERR315483 2 0.2959 0.6973 0.000 0.900 0.100
#> ERR315400 1 0.4178 0.5069 0.828 0.172 0.000
#> ERR315440 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315493 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315441 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315455 2 0.0424 0.7193 0.000 0.992 0.008
#> ERR315421 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315370 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315355 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315446 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315375 3 0.9002 0.7528 0.156 0.312 0.532
#> ERR315467 1 0.6111 0.0773 0.604 0.396 0.000
#> ERR315484 1 0.4178 0.5069 0.828 0.172 0.000
#> ERR315406 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315404 1 0.6280 0.6994 0.540 0.000 0.460
#> ERR315407 2 0.7825 0.5683 0.156 0.672 0.172
#> ERR315340 2 0.7825 0.5683 0.156 0.672 0.172
#> ERR315356 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315430 2 0.5968 0.4875 0.000 0.636 0.364
#> ERR315422 2 0.0000 0.7194 0.000 1.000 0.000
#> ERR315358 2 0.0000 0.7194 0.000 1.000 0.000
#> ERR315448 1 0.6286 0.6995 0.536 0.000 0.464
#> ERR315401 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315464 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315481 1 0.6189 0.6833 0.632 0.004 0.364
#> ERR315454 1 0.6189 0.6833 0.632 0.004 0.364
#> ERR315365 2 0.7970 0.5571 0.156 0.660 0.184
#> ERR315354 2 0.7970 0.5571 0.156 0.660 0.184
#> ERR315439 3 0.9147 0.8904 0.260 0.200 0.540
#> ERR315444 3 0.9147 0.8904 0.260 0.200 0.540
#> ERR315341 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315412 2 0.0000 0.7194 0.000 1.000 0.000
#> ERR315337 2 0.0000 0.7194 0.000 1.000 0.000
#> ERR315429 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315436 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315379 1 0.5327 0.3619 0.728 0.272 0.000
#> ERR315443 2 0.3941 0.5727 0.156 0.844 0.000
#> ERR315415 2 0.0592 0.7169 0.012 0.988 0.000
#> ERR315456 2 0.0661 0.7182 0.008 0.988 0.004
#> ERR315336 3 0.9050 0.7735 0.164 0.304 0.532
#> ERR315399 3 0.9050 0.7735 0.164 0.304 0.532
#> ERR315477 2 0.0237 0.7197 0.000 0.996 0.004
#> ERR315346 3 0.9136 0.8925 0.264 0.196 0.540
#> ERR315383 2 0.3941 0.5727 0.156 0.844 0.000
#> ERR315494 2 0.3941 0.5727 0.156 0.844 0.000
#> ERR315492 2 0.1031 0.7155 0.000 0.976 0.024
#> ERR315432 2 0.0237 0.7197 0.000 0.996 0.004
#> ERR315338 1 0.6286 0.6995 0.536 0.000 0.464
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.2053 0.852 0.000 0.004 0.924 0.072
#> ERR315339 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315376 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315343 2 0.0817 0.430 0.000 0.976 0.000 0.024
#> ERR315342 2 0.0707 0.433 0.000 0.980 0.000 0.020
#> ERR315468 2 0.5404 0.490 0.000 0.512 0.012 0.476
#> ERR315434 4 0.4977 -0.347 0.000 0.460 0.000 0.540
#> ERR315489 4 0.4977 -0.347 0.000 0.460 0.000 0.540
#> ERR315371 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315433 2 0.1211 0.440 0.000 0.960 0.000 0.040
#> ERR315368 2 0.1211 0.440 0.000 0.960 0.000 0.040
#> ERR315465 1 0.6039 0.541 0.608 0.004 0.048 0.340
#> ERR315437 1 0.6039 0.541 0.608 0.004 0.048 0.340
#> ERR315327 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315394 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315427 4 0.6114 0.388 0.000 0.428 0.048 0.524
#> ERR315360 4 0.6114 0.388 0.000 0.428 0.048 0.524
#> ERR315426 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315460 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315372 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315472 4 0.4989 -0.364 0.000 0.472 0.000 0.528
#> ERR315398 4 0.4989 -0.364 0.000 0.472 0.000 0.528
#> ERR315409 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315402 2 0.1022 0.454 0.000 0.968 0.000 0.032
#> ERR315458 2 0.1022 0.454 0.000 0.968 0.000 0.032
#> ERR315366 1 0.6156 0.503 0.576 0.004 0.048 0.372
#> ERR315345 1 0.6156 0.503 0.576 0.004 0.048 0.372
#> ERR315326 4 0.5678 0.401 0.000 0.452 0.024 0.524
#> ERR315424 4 0.5678 0.401 0.000 0.452 0.024 0.524
#> ERR315382 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315325 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315369 3 0.1867 0.853 0.000 0.000 0.928 0.072
#> ERR315485 3 0.1867 0.853 0.000 0.000 0.928 0.072
#> ERR315420 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315459 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315353 4 0.5151 0.406 0.000 0.464 0.004 0.532
#> ERR315487 4 0.5151 0.406 0.000 0.464 0.004 0.532
#> ERR315378 2 0.0817 0.430 0.000 0.976 0.000 0.024
#> ERR315431 2 0.1022 0.437 0.000 0.968 0.000 0.032
#> ERR315335 2 0.0921 0.455 0.000 0.972 0.000 0.028
#> ERR315452 2 0.0921 0.454 0.000 0.972 0.000 0.028
#> ERR315471 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315351 2 0.4624 0.497 0.000 0.660 0.000 0.340
#> ERR315350 2 0.4624 0.497 0.000 0.660 0.000 0.340
#> ERR315381 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315418 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315449 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315490 2 0.1557 0.423 0.000 0.944 0.000 0.056
#> ERR315495 2 0.1557 0.423 0.000 0.944 0.000 0.056
#> ERR315361 2 0.1557 0.423 0.000 0.944 0.000 0.056
#> ERR315419 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315414 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315352 2 0.4925 0.511 0.000 0.572 0.000 0.428
#> ERR315410 4 0.5277 -0.346 0.000 0.460 0.008 0.532
#> ERR315349 4 0.6327 -0.385 0.000 0.060 0.444 0.496
#> ERR315474 4 0.6268 -0.391 0.000 0.056 0.448 0.496
#> ERR315470 4 0.6327 -0.385 0.000 0.060 0.444 0.496
#> ERR315428 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315363 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315469 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315476 2 0.4972 -0.351 0.000 0.544 0.000 0.456
#> ERR315478 2 0.4972 -0.351 0.000 0.544 0.000 0.456
#> ERR315362 4 0.4977 -0.347 0.000 0.460 0.000 0.540
#> ERR315411 4 0.4977 -0.347 0.000 0.460 0.000 0.540
#> ERR315416 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315359 4 0.5388 -0.341 0.000 0.456 0.012 0.532
#> ERR315330 4 0.5388 -0.341 0.000 0.456 0.012 0.532
#> ERR315384 2 0.0188 0.444 0.000 0.996 0.000 0.004
#> ERR315413 2 0.0188 0.444 0.000 0.996 0.000 0.004
#> ERR315332 2 0.0921 0.426 0.000 0.972 0.000 0.028
#> ERR315334 4 0.7147 0.334 0.008 0.376 0.108 0.508
#> ERR315447 4 0.7147 0.334 0.008 0.376 0.108 0.508
#> ERR315453 4 0.7147 0.334 0.008 0.376 0.108 0.508
#> ERR315442 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315392 2 0.0921 0.454 0.000 0.972 0.000 0.028
#> ERR315450 2 0.0921 0.454 0.000 0.972 0.000 0.028
#> ERR315462 3 0.6194 0.547 0.000 0.200 0.668 0.132
#> ERR315328 2 0.0188 0.445 0.000 0.996 0.000 0.004
#> ERR315389 2 0.0188 0.445 0.000 0.996 0.000 0.004
#> ERR315435 2 0.0188 0.445 0.000 0.996 0.000 0.004
#> ERR315482 2 0.0592 0.451 0.000 0.984 0.000 0.016
#> ERR315380 2 0.0592 0.451 0.000 0.984 0.000 0.016
#> ERR315377 2 0.4948 -0.329 0.000 0.560 0.000 0.440
#> ERR315374 2 0.4948 -0.329 0.000 0.560 0.000 0.440
#> ERR315466 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315479 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315473 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315391 2 0.1118 0.437 0.000 0.964 0.000 0.036
#> ERR315417 2 0.1302 0.430 0.000 0.956 0.000 0.044
#> ERR315385 2 0.1302 0.430 0.000 0.956 0.000 0.044
#> ERR315386 2 0.4855 -0.238 0.000 0.600 0.000 0.400
#> ERR315438 2 0.4830 -0.225 0.000 0.608 0.000 0.392
#> ERR315367 2 0.0336 0.442 0.000 0.992 0.000 0.008
#> ERR315331 2 0.0336 0.442 0.000 0.992 0.000 0.008
#> ERR315347 3 0.5781 0.414 0.000 0.028 0.492 0.480
#> ERR315396 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315403 3 0.5244 0.501 0.000 0.008 0.556 0.436
#> ERR315357 3 0.5244 0.501 0.000 0.008 0.556 0.436
#> ERR315463 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315451 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315445 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.867 0.000 0.000 1.000 0.000
#> ERR315397 2 0.4977 0.516 0.000 0.540 0.000 0.460
#> ERR315491 2 0.4977 0.516 0.000 0.540 0.000 0.460
#> ERR315483 2 0.4977 0.516 0.000 0.540 0.000 0.460
#> ERR315400 3 0.1867 0.853 0.000 0.000 0.928 0.072
#> ERR315440 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315455 2 0.3764 0.478 0.000 0.784 0.000 0.216
#> ERR315421 4 0.6542 0.362 0.000 0.428 0.076 0.496
#> ERR315370 4 0.6542 0.362 0.000 0.428 0.076 0.496
#> ERR315355 4 0.6542 0.362 0.000 0.428 0.076 0.496
#> ERR315446 2 0.4967 0.515 0.000 0.548 0.000 0.452
#> ERR315375 2 0.4877 -0.287 0.000 0.592 0.000 0.408
#> ERR315467 3 0.7495 0.175 0.000 0.340 0.468 0.192
#> ERR315484 3 0.1867 0.853 0.000 0.000 0.928 0.072
#> ERR315406 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315407 4 0.5388 -0.341 0.000 0.456 0.012 0.532
#> ERR315340 4 0.5388 -0.341 0.000 0.456 0.012 0.532
#> ERR315356 2 0.0336 0.442 0.000 0.992 0.000 0.008
#> ERR315430 2 0.0336 0.442 0.000 0.992 0.000 0.008
#> ERR315422 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315358 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315448 1 0.0000 0.908 1.000 0.000 0.000 0.000
#> ERR315401 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315464 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315481 1 0.6223 0.470 0.552 0.004 0.048 0.396
#> ERR315454 1 0.6223 0.470 0.552 0.004 0.048 0.396
#> ERR315365 4 0.5388 -0.341 0.000 0.456 0.012 0.532
#> ERR315354 4 0.5388 -0.341 0.000 0.456 0.012 0.532
#> ERR315439 4 0.4981 0.406 0.000 0.464 0.000 0.536
#> ERR315444 4 0.4981 0.406 0.000 0.464 0.000 0.536
#> ERR315341 4 0.5383 0.404 0.000 0.452 0.012 0.536
#> ERR315412 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315337 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315429 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315436 2 0.4981 0.516 0.000 0.536 0.000 0.464
#> ERR315379 3 0.2053 0.852 0.000 0.004 0.924 0.072
#> ERR315443 2 0.5404 0.490 0.000 0.512 0.012 0.476
#> ERR315415 2 0.4955 0.514 0.000 0.556 0.000 0.444
#> ERR315456 2 0.4933 0.512 0.000 0.568 0.000 0.432
#> ERR315336 2 0.4925 -0.313 0.000 0.572 0.000 0.428
#> ERR315399 2 0.4925 -0.313 0.000 0.572 0.000 0.428
#> ERR315477 2 0.4522 0.493 0.000 0.680 0.000 0.320
#> ERR315346 4 0.5744 0.398 0.000 0.436 0.028 0.536
#> ERR315383 2 0.5404 0.490 0.000 0.512 0.012 0.476
#> ERR315494 2 0.5404 0.490 0.000 0.512 0.012 0.476
#> ERR315492 2 0.2589 0.461 0.000 0.884 0.000 0.116
#> ERR315432 2 0.4661 0.497 0.000 0.652 0.000 0.348
#> ERR315338 1 0.0000 0.908 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.2193 0.8862 0.000 0.000 0.900 0.092 0.008
#> ERR315339 5 0.1996 0.7241 0.000 0.032 0.004 0.036 0.928
#> ERR315376 5 0.1996 0.7241 0.000 0.032 0.004 0.036 0.928
#> ERR315343 2 0.3949 0.6329 0.000 0.668 0.000 0.000 0.332
#> ERR315342 2 0.4060 0.6278 0.000 0.640 0.000 0.000 0.360
#> ERR315468 5 0.5343 0.6233 0.000 0.156 0.012 0.132 0.700
#> ERR315434 5 0.5191 0.5107 0.000 0.244 0.004 0.080 0.672
#> ERR315489 5 0.5191 0.5107 0.000 0.244 0.004 0.080 0.672
#> ERR315371 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.3684 0.6282 0.000 0.720 0.000 0.000 0.280
#> ERR315368 2 0.3707 0.6294 0.000 0.716 0.000 0.000 0.284
#> ERR315465 1 0.4182 0.4400 0.600 0.000 0.000 0.400 0.000
#> ERR315437 1 0.4182 0.4400 0.600 0.000 0.000 0.400 0.000
#> ERR315327 5 0.2423 0.7123 0.000 0.024 0.000 0.080 0.896
#> ERR315394 5 0.2423 0.7123 0.000 0.024 0.000 0.080 0.896
#> ERR315427 4 0.3508 0.7043 0.000 0.252 0.000 0.748 0.000
#> ERR315360 4 0.3508 0.7043 0.000 0.252 0.000 0.748 0.000
#> ERR315426 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315333 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315460 5 0.1579 0.7257 0.000 0.024 0.000 0.032 0.944
#> ERR315372 5 0.1579 0.7257 0.000 0.024 0.000 0.032 0.944
#> ERR315472 5 0.4563 0.5471 0.000 0.244 0.000 0.048 0.708
#> ERR315398 5 0.4563 0.5471 0.000 0.244 0.000 0.048 0.708
#> ERR315409 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.4443 0.5186 0.000 0.524 0.000 0.004 0.472
#> ERR315458 2 0.4443 0.5186 0.000 0.524 0.000 0.004 0.472
#> ERR315366 1 0.4182 0.4400 0.600 0.000 0.000 0.400 0.000
#> ERR315345 1 0.4182 0.4400 0.600 0.000 0.000 0.400 0.000
#> ERR315326 4 0.3809 0.7042 0.000 0.256 0.008 0.736 0.000
#> ERR315424 4 0.3809 0.7042 0.000 0.256 0.008 0.736 0.000
#> ERR315382 5 0.1281 0.7261 0.000 0.012 0.000 0.032 0.956
#> ERR315325 5 0.1281 0.7261 0.000 0.012 0.000 0.032 0.956
#> ERR315369 3 0.1908 0.8893 0.000 0.000 0.908 0.092 0.000
#> ERR315485 3 0.1908 0.8893 0.000 0.000 0.908 0.092 0.000
#> ERR315420 5 0.2017 0.7165 0.000 0.008 0.000 0.080 0.912
#> ERR315459 5 0.2017 0.7165 0.000 0.008 0.000 0.080 0.912
#> ERR315353 4 0.3796 0.6719 0.000 0.300 0.000 0.700 0.000
#> ERR315487 4 0.3752 0.6789 0.000 0.292 0.000 0.708 0.000
#> ERR315378 2 0.3913 0.6330 0.000 0.676 0.000 0.000 0.324
#> ERR315431 2 0.3966 0.6188 0.000 0.664 0.000 0.000 0.336
#> ERR315335 2 0.4306 0.4849 0.000 0.508 0.000 0.000 0.492
#> ERR315452 2 0.4306 0.4849 0.000 0.508 0.000 0.000 0.492
#> ERR315471 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315351 5 0.3916 0.5797 0.000 0.256 0.000 0.012 0.732
#> ERR315350 5 0.3942 0.5714 0.000 0.260 0.000 0.012 0.728
#> ERR315381 3 0.0404 0.9181 0.000 0.000 0.988 0.012 0.000
#> ERR315388 3 0.0404 0.9181 0.000 0.000 0.988 0.012 0.000
#> ERR315418 5 0.2017 0.7165 0.000 0.008 0.000 0.080 0.912
#> ERR315449 5 0.2017 0.7165 0.000 0.008 0.000 0.080 0.912
#> ERR315490 2 0.4409 0.5614 0.000 0.752 0.000 0.072 0.176
#> ERR315495 2 0.4372 0.5601 0.000 0.756 0.000 0.072 0.172
#> ERR315361 2 0.4430 0.5551 0.000 0.752 0.000 0.076 0.172
#> ERR315419 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315414 5 0.2423 0.7123 0.000 0.024 0.000 0.080 0.896
#> ERR315352 5 0.3462 0.6474 0.000 0.196 0.000 0.012 0.792
#> ERR315410 5 0.5658 0.4196 0.000 0.408 0.000 0.080 0.512
#> ERR315349 4 0.3218 0.6709 0.000 0.032 0.096 0.860 0.012
#> ERR315474 4 0.3218 0.6709 0.000 0.032 0.096 0.860 0.012
#> ERR315470 4 0.3218 0.6709 0.000 0.032 0.096 0.860 0.012
#> ERR315428 5 0.2813 0.6847 0.000 0.168 0.000 0.000 0.832
#> ERR315363 5 0.2813 0.6847 0.000 0.168 0.000 0.000 0.832
#> ERR315469 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315425 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315476 2 0.4630 -0.1649 0.000 0.588 0.000 0.396 0.016
#> ERR315478 2 0.4630 -0.1649 0.000 0.588 0.000 0.396 0.016
#> ERR315362 5 0.5425 0.4806 0.000 0.320 0.000 0.080 0.600
#> ERR315411 5 0.5441 0.4795 0.000 0.324 0.000 0.080 0.596
#> ERR315416 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315359 5 0.5409 0.4743 0.000 0.316 0.000 0.080 0.604
#> ERR315330 5 0.5409 0.4743 0.000 0.316 0.000 0.080 0.604
#> ERR315384 2 0.4235 0.5967 0.000 0.576 0.000 0.000 0.424
#> ERR315413 2 0.4235 0.5967 0.000 0.576 0.000 0.000 0.424
#> ERR315332 2 0.3732 0.5963 0.000 0.792 0.000 0.032 0.176
#> ERR315334 4 0.2856 0.7225 0.008 0.104 0.016 0.872 0.000
#> ERR315447 4 0.2856 0.7225 0.008 0.104 0.016 0.872 0.000
#> ERR315453 4 0.2856 0.7225 0.008 0.104 0.016 0.872 0.000
#> ERR315442 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.4161 0.5425 0.000 0.608 0.000 0.000 0.392
#> ERR315450 2 0.4171 0.5376 0.000 0.604 0.000 0.000 0.396
#> ERR315462 3 0.3994 0.7433 0.000 0.000 0.772 0.188 0.040
#> ERR315328 2 0.4641 0.5594 0.000 0.532 0.000 0.012 0.456
#> ERR315389 2 0.4641 0.5594 0.000 0.532 0.000 0.012 0.456
#> ERR315435 2 0.4641 0.5594 0.000 0.532 0.000 0.012 0.456
#> ERR315482 2 0.4235 0.5898 0.000 0.576 0.000 0.000 0.424
#> ERR315380 2 0.4227 0.5909 0.000 0.580 0.000 0.000 0.420
#> ERR315377 2 0.4630 -0.1649 0.000 0.588 0.000 0.396 0.016
#> ERR315374 2 0.4630 -0.1649 0.000 0.588 0.000 0.396 0.016
#> ERR315466 5 0.2130 0.7153 0.000 0.012 0.000 0.080 0.908
#> ERR315479 5 0.2130 0.7153 0.000 0.012 0.000 0.080 0.908
#> ERR315473 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.3809 0.5876 0.000 0.736 0.000 0.008 0.256
#> ERR315417 2 0.3689 0.5872 0.000 0.740 0.000 0.004 0.256
#> ERR315385 2 0.3689 0.5872 0.000 0.740 0.000 0.004 0.256
#> ERR315386 2 0.4963 -0.0600 0.000 0.608 0.000 0.352 0.040
#> ERR315438 2 0.4963 -0.0600 0.000 0.608 0.000 0.352 0.040
#> ERR315367 2 0.4637 0.5647 0.000 0.536 0.000 0.012 0.452
#> ERR315331 2 0.4637 0.5647 0.000 0.536 0.000 0.012 0.452
#> ERR315347 4 0.3314 0.6432 0.000 0.020 0.124 0.844 0.012
#> ERR315396 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315486 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315403 4 0.4403 0.3602 0.000 0.012 0.316 0.668 0.004
#> ERR315357 4 0.4403 0.3602 0.000 0.012 0.316 0.668 0.004
#> ERR315463 5 0.2423 0.7123 0.000 0.024 0.000 0.080 0.896
#> ERR315451 5 0.2423 0.7123 0.000 0.024 0.000 0.080 0.896
#> ERR315445 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.9224 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.2930 0.6720 0.000 0.164 0.000 0.004 0.832
#> ERR315491 5 0.2970 0.6718 0.000 0.168 0.000 0.004 0.828
#> ERR315483 5 0.2930 0.6720 0.000 0.164 0.000 0.004 0.832
#> ERR315400 3 0.1908 0.8893 0.000 0.000 0.908 0.092 0.000
#> ERR315440 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315455 5 0.4270 0.4327 0.000 0.320 0.000 0.012 0.668
#> ERR315421 4 0.3910 0.6603 0.000 0.272 0.000 0.720 0.008
#> ERR315370 4 0.3910 0.6603 0.000 0.272 0.000 0.720 0.008
#> ERR315355 4 0.3910 0.6603 0.000 0.272 0.000 0.720 0.008
#> ERR315446 5 0.3353 0.6504 0.000 0.196 0.000 0.008 0.796
#> ERR315375 2 0.4620 -0.1582 0.000 0.592 0.000 0.392 0.016
#> ERR315467 3 0.7840 0.2340 0.000 0.108 0.448 0.184 0.260
#> ERR315484 3 0.1908 0.8893 0.000 0.000 0.908 0.092 0.000
#> ERR315406 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315404 1 0.2864 0.8534 0.852 0.136 0.000 0.012 0.000
#> ERR315407 5 0.5409 0.4743 0.000 0.316 0.000 0.080 0.604
#> ERR315340 5 0.5409 0.4743 0.000 0.316 0.000 0.080 0.604
#> ERR315356 2 0.4637 0.5647 0.000 0.536 0.000 0.012 0.452
#> ERR315430 2 0.4637 0.5647 0.000 0.536 0.000 0.012 0.452
#> ERR315422 5 0.2074 0.6756 0.000 0.104 0.000 0.000 0.896
#> ERR315358 5 0.2074 0.6756 0.000 0.104 0.000 0.000 0.896
#> ERR315448 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.1753 0.7259 0.000 0.032 0.000 0.032 0.936
#> ERR315464 5 0.1753 0.7259 0.000 0.032 0.000 0.032 0.936
#> ERR315481 4 0.4219 0.0895 0.416 0.000 0.000 0.584 0.000
#> ERR315454 4 0.4219 0.0895 0.416 0.000 0.000 0.584 0.000
#> ERR315365 5 0.5409 0.4743 0.000 0.316 0.000 0.080 0.604
#> ERR315354 5 0.5409 0.4743 0.000 0.316 0.000 0.080 0.604
#> ERR315439 4 0.4448 0.3831 0.000 0.480 0.000 0.516 0.004
#> ERR315444 4 0.4448 0.3831 0.000 0.480 0.000 0.516 0.004
#> ERR315341 4 0.4390 0.4890 0.000 0.428 0.000 0.568 0.004
#> ERR315412 5 0.3053 0.6662 0.000 0.164 0.000 0.008 0.828
#> ERR315337 5 0.3093 0.6658 0.000 0.168 0.000 0.008 0.824
#> ERR315429 5 0.2130 0.7153 0.000 0.012 0.000 0.080 0.908
#> ERR315436 5 0.2130 0.7153 0.000 0.012 0.000 0.080 0.908
#> ERR315379 3 0.2193 0.8862 0.000 0.000 0.900 0.092 0.008
#> ERR315443 5 0.5647 0.6129 0.000 0.164 0.012 0.156 0.668
#> ERR315415 5 0.3462 0.6474 0.000 0.196 0.000 0.012 0.792
#> ERR315456 5 0.3462 0.6474 0.000 0.196 0.000 0.012 0.792
#> ERR315336 2 0.4630 -0.1649 0.000 0.588 0.000 0.396 0.016
#> ERR315399 2 0.4630 -0.1649 0.000 0.588 0.000 0.396 0.016
#> ERR315477 5 0.3242 0.5879 0.000 0.172 0.000 0.012 0.816
#> ERR315346 4 0.4196 0.6038 0.000 0.356 0.000 0.640 0.004
#> ERR315383 5 0.5647 0.6129 0.000 0.164 0.012 0.156 0.668
#> ERR315494 5 0.5647 0.6129 0.000 0.164 0.012 0.156 0.668
#> ERR315492 5 0.5166 0.1472 0.000 0.444 0.016 0.016 0.524
#> ERR315432 5 0.3242 0.5879 0.000 0.172 0.000 0.012 0.816
#> ERR315338 1 0.0000 0.9016 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.3472 0.7926 0.000 0.000 0.808 0.092 0.100 0.000
#> ERR315339 5 0.1411 0.6078 0.000 0.060 0.000 0.000 0.936 0.004
#> ERR315376 5 0.1411 0.6078 0.000 0.060 0.000 0.000 0.936 0.004
#> ERR315343 2 0.5071 0.7247 0.000 0.540 0.000 0.084 0.376 0.000
#> ERR315342 2 0.5123 0.6618 0.000 0.508 0.000 0.084 0.408 0.000
#> ERR315468 5 0.4449 0.4601 0.000 0.284 0.000 0.048 0.664 0.004
#> ERR315434 5 0.4434 0.3214 0.000 0.284 0.000 0.040 0.668 0.008
#> ERR315489 5 0.4434 0.3214 0.000 0.284 0.000 0.040 0.668 0.008
#> ERR315371 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315433 2 0.5046 0.8265 0.000 0.608 0.000 0.112 0.280 0.000
#> ERR315368 2 0.5008 0.8272 0.000 0.612 0.000 0.108 0.280 0.000
#> ERR315465 1 0.3508 0.7102 0.704 0.000 0.004 0.292 0.000 0.000
#> ERR315437 1 0.3508 0.7102 0.704 0.000 0.004 0.292 0.000 0.000
#> ERR315327 5 0.3323 0.5430 0.000 0.240 0.000 0.000 0.752 0.008
#> ERR315394 5 0.3323 0.5430 0.000 0.240 0.000 0.000 0.752 0.008
#> ERR315427 4 0.2340 0.7027 0.000 0.148 0.000 0.852 0.000 0.000
#> ERR315360 4 0.2340 0.7027 0.000 0.148 0.000 0.852 0.000 0.000
#> ERR315426 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315387 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315475 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315395 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315333 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315460 5 0.1444 0.6071 0.000 0.072 0.000 0.000 0.928 0.000
#> ERR315372 5 0.1444 0.6071 0.000 0.072 0.000 0.000 0.928 0.000
#> ERR315472 5 0.4216 0.3389 0.000 0.292 0.000 0.020 0.676 0.012
#> ERR315398 5 0.4216 0.3389 0.000 0.292 0.000 0.020 0.676 0.012
#> ERR315409 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 5 0.3925 0.0971 0.000 0.332 0.000 0.008 0.656 0.004
#> ERR315458 5 0.3925 0.0971 0.000 0.332 0.000 0.008 0.656 0.004
#> ERR315366 1 0.3508 0.7102 0.704 0.000 0.004 0.292 0.000 0.000
#> ERR315345 1 0.3508 0.7102 0.704 0.000 0.004 0.292 0.000 0.000
#> ERR315326 4 0.2613 0.7046 0.000 0.140 0.012 0.848 0.000 0.000
#> ERR315424 4 0.2613 0.7046 0.000 0.140 0.012 0.848 0.000 0.000
#> ERR315382 5 0.1531 0.6067 0.000 0.068 0.000 0.000 0.928 0.004
#> ERR315325 5 0.1531 0.6067 0.000 0.068 0.000 0.000 0.928 0.004
#> ERR315369 3 0.1970 0.8845 0.000 0.000 0.900 0.092 0.008 0.000
#> ERR315485 3 0.1970 0.8845 0.000 0.000 0.900 0.092 0.008 0.000
#> ERR315420 5 0.3189 0.5468 0.000 0.236 0.000 0.000 0.760 0.004
#> ERR315459 5 0.3189 0.5468 0.000 0.236 0.000 0.000 0.760 0.004
#> ERR315353 4 0.2416 0.7009 0.000 0.156 0.000 0.844 0.000 0.000
#> ERR315487 4 0.2416 0.7009 0.000 0.156 0.000 0.844 0.000 0.000
#> ERR315378 2 0.4938 0.7841 0.000 0.580 0.000 0.080 0.340 0.000
#> ERR315431 2 0.4950 0.7681 0.000 0.576 0.000 0.080 0.344 0.000
#> ERR315335 5 0.4147 0.1433 0.000 0.304 0.000 0.024 0.668 0.004
#> ERR315452 5 0.4289 0.1208 0.000 0.304 0.000 0.032 0.660 0.004
#> ERR315471 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315390 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315329 1 0.0146 0.9011 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315393 1 0.0363 0.8981 0.988 0.000 0.000 0.000 0.000 0.012
#> ERR315488 1 0.0363 0.8981 0.988 0.000 0.000 0.000 0.000 0.012
#> ERR315351 5 0.1082 0.6023 0.000 0.040 0.000 0.004 0.956 0.000
#> ERR315350 5 0.1082 0.6023 0.000 0.040 0.000 0.004 0.956 0.000
#> ERR315381 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.3189 0.5468 0.000 0.236 0.000 0.000 0.760 0.004
#> ERR315449 5 0.3189 0.5468 0.000 0.236 0.000 0.000 0.760 0.004
#> ERR315490 2 0.5183 0.8259 0.000 0.608 0.000 0.116 0.272 0.004
#> ERR315495 2 0.5165 0.8261 0.000 0.612 0.000 0.116 0.268 0.004
#> ERR315361 2 0.5183 0.8259 0.000 0.608 0.000 0.116 0.272 0.004
#> ERR315419 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.3271 0.5482 0.000 0.232 0.000 0.000 0.760 0.008
#> ERR315352 5 0.0865 0.6030 0.000 0.036 0.000 0.000 0.964 0.000
#> ERR315410 5 0.5235 0.1191 0.000 0.416 0.000 0.064 0.508 0.012
#> ERR315349 4 0.2237 0.6496 0.000 0.004 0.020 0.896 0.080 0.000
#> ERR315474 4 0.2237 0.6496 0.000 0.004 0.020 0.896 0.080 0.000
#> ERR315470 4 0.2237 0.6496 0.000 0.004 0.020 0.896 0.080 0.000
#> ERR315428 5 0.1501 0.5940 0.000 0.076 0.000 0.000 0.924 0.000
#> ERR315363 5 0.1501 0.5940 0.000 0.076 0.000 0.000 0.924 0.000
#> ERR315469 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315425 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315476 4 0.4412 0.3795 0.000 0.480 0.000 0.500 0.012 0.008
#> ERR315478 4 0.4412 0.3795 0.000 0.480 0.000 0.500 0.012 0.008
#> ERR315362 5 0.5084 0.1954 0.000 0.360 0.000 0.060 0.568 0.012
#> ERR315411 5 0.5084 0.1954 0.000 0.360 0.000 0.060 0.568 0.012
#> ERR315416 1 0.0000 0.9006 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9006 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 5 0.5200 0.1117 0.000 0.428 0.000 0.060 0.500 0.012
#> ERR315330 5 0.5200 0.1117 0.000 0.428 0.000 0.060 0.500 0.012
#> ERR315384 5 0.4191 -0.1070 0.000 0.388 0.000 0.012 0.596 0.004
#> ERR315413 5 0.4181 -0.0938 0.000 0.384 0.000 0.012 0.600 0.004
#> ERR315332 2 0.5148 0.8015 0.000 0.588 0.000 0.116 0.296 0.000
#> ERR315334 4 0.2662 0.6136 0.108 0.008 0.012 0.868 0.004 0.000
#> ERR315447 4 0.2662 0.6136 0.108 0.008 0.012 0.868 0.004 0.000
#> ERR315453 4 0.2662 0.6136 0.108 0.008 0.012 0.868 0.004 0.000
#> ERR315442 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 5 0.4735 -0.0160 0.000 0.328 0.000 0.048 0.616 0.008
#> ERR315450 5 0.4677 0.0109 0.000 0.328 0.000 0.044 0.620 0.008
#> ERR315462 3 0.4596 0.6820 0.000 0.016 0.724 0.100 0.160 0.000
#> ERR315328 5 0.4015 -0.1020 0.000 0.396 0.000 0.004 0.596 0.004
#> ERR315389 5 0.4015 -0.1020 0.000 0.396 0.000 0.004 0.596 0.004
#> ERR315435 5 0.4015 -0.1020 0.000 0.396 0.000 0.004 0.596 0.004
#> ERR315482 5 0.5269 -0.3156 0.000 0.380 0.000 0.080 0.532 0.008
#> ERR315380 5 0.5262 -0.3194 0.000 0.376 0.000 0.080 0.536 0.008
#> ERR315377 4 0.4492 0.3701 0.000 0.480 0.000 0.496 0.016 0.008
#> ERR315374 4 0.4492 0.3701 0.000 0.480 0.000 0.496 0.016 0.008
#> ERR315466 5 0.3483 0.5416 0.000 0.236 0.000 0.000 0.748 0.016
#> ERR315479 5 0.3483 0.5416 0.000 0.236 0.000 0.000 0.748 0.016
#> ERR315473 1 0.0000 0.9006 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 5 0.5377 -0.4854 0.000 0.444 0.000 0.084 0.464 0.008
#> ERR315417 5 0.5255 -0.4500 0.000 0.440 0.000 0.072 0.480 0.008
#> ERR315385 5 0.5255 -0.4500 0.000 0.440 0.000 0.072 0.480 0.008
#> ERR315386 2 0.5374 0.3270 0.000 0.564 0.000 0.312 0.120 0.004
#> ERR315438 2 0.5434 0.3756 0.000 0.564 0.000 0.300 0.132 0.004
#> ERR315367 5 0.4127 -0.1233 0.000 0.400 0.000 0.004 0.588 0.008
#> ERR315331 5 0.4127 -0.1233 0.000 0.400 0.000 0.004 0.588 0.008
#> ERR315347 4 0.3155 0.6189 0.000 0.004 0.068 0.840 0.088 0.000
#> ERR315396 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315486 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315403 4 0.4845 0.1437 0.008 0.000 0.364 0.580 0.048 0.000
#> ERR315357 4 0.4845 0.1437 0.008 0.000 0.364 0.580 0.048 0.000
#> ERR315463 5 0.3323 0.5430 0.000 0.240 0.000 0.000 0.752 0.008
#> ERR315451 5 0.3323 0.5430 0.000 0.240 0.000 0.000 0.752 0.008
#> ERR315445 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.9296 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.1471 0.5955 0.000 0.064 0.000 0.000 0.932 0.004
#> ERR315491 5 0.1471 0.5955 0.000 0.064 0.000 0.000 0.932 0.004
#> ERR315483 5 0.1471 0.5955 0.000 0.064 0.000 0.000 0.932 0.004
#> ERR315400 3 0.1858 0.8849 0.000 0.000 0.904 0.092 0.004 0.000
#> ERR315440 1 0.0363 0.8981 0.988 0.000 0.000 0.000 0.000 0.012
#> ERR315493 1 0.0363 0.8981 0.988 0.000 0.000 0.000 0.000 0.012
#> ERR315441 1 0.0363 0.8981 0.988 0.000 0.000 0.000 0.000 0.012
#> ERR315455 5 0.1285 0.5988 0.000 0.052 0.000 0.004 0.944 0.000
#> ERR315421 4 0.1814 0.6986 0.000 0.100 0.000 0.900 0.000 0.000
#> ERR315370 4 0.1814 0.6986 0.000 0.100 0.000 0.900 0.000 0.000
#> ERR315355 4 0.1814 0.6986 0.000 0.100 0.000 0.900 0.000 0.000
#> ERR315446 5 0.1075 0.6059 0.000 0.048 0.000 0.000 0.952 0.000
#> ERR315375 4 0.4493 0.3593 0.000 0.484 0.000 0.492 0.016 0.008
#> ERR315467 5 0.6930 0.1012 0.012 0.044 0.292 0.168 0.476 0.008
#> ERR315484 3 0.1970 0.8845 0.000 0.000 0.900 0.092 0.008 0.000
#> ERR315406 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315404 6 0.0713 1.0000 0.028 0.000 0.000 0.000 0.000 0.972
#> ERR315407 5 0.5200 0.1117 0.000 0.428 0.000 0.060 0.500 0.012
#> ERR315340 5 0.5200 0.1117 0.000 0.428 0.000 0.060 0.500 0.012
#> ERR315356 5 0.4118 -0.1076 0.000 0.396 0.000 0.004 0.592 0.008
#> ERR315430 5 0.4118 -0.1076 0.000 0.396 0.000 0.004 0.592 0.008
#> ERR315422 5 0.0260 0.6034 0.000 0.008 0.000 0.000 0.992 0.000
#> ERR315358 5 0.0260 0.6034 0.000 0.008 0.000 0.000 0.992 0.000
#> ERR315448 1 0.0000 0.9006 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.1588 0.6072 0.000 0.072 0.000 0.000 0.924 0.004
#> ERR315464 5 0.1588 0.6072 0.000 0.072 0.000 0.000 0.924 0.004
#> ERR315481 1 0.3528 0.7059 0.700 0.000 0.004 0.296 0.000 0.000
#> ERR315454 1 0.3528 0.7059 0.700 0.000 0.004 0.296 0.000 0.000
#> ERR315365 5 0.5200 0.1117 0.000 0.428 0.000 0.060 0.500 0.012
#> ERR315354 5 0.5200 0.1117 0.000 0.428 0.000 0.060 0.500 0.012
#> ERR315439 4 0.3565 0.5970 0.000 0.304 0.000 0.692 0.004 0.000
#> ERR315444 4 0.3584 0.5948 0.000 0.308 0.000 0.688 0.004 0.000
#> ERR315341 4 0.3489 0.6142 0.000 0.288 0.000 0.708 0.004 0.000
#> ERR315412 5 0.0458 0.6038 0.000 0.016 0.000 0.000 0.984 0.000
#> ERR315337 5 0.0363 0.6044 0.000 0.012 0.000 0.000 0.988 0.000
#> ERR315429 5 0.3483 0.5416 0.000 0.236 0.000 0.000 0.748 0.016
#> ERR315436 5 0.3483 0.5416 0.000 0.236 0.000 0.000 0.748 0.016
#> ERR315379 3 0.3472 0.7926 0.000 0.000 0.808 0.092 0.100 0.000
#> ERR315443 5 0.4172 0.4897 0.000 0.300 0.000 0.016 0.672 0.012
#> ERR315415 5 0.0937 0.6038 0.000 0.040 0.000 0.000 0.960 0.000
#> ERR315456 5 0.0865 0.6030 0.000 0.036 0.000 0.000 0.964 0.000
#> ERR315336 4 0.4492 0.3701 0.000 0.480 0.000 0.496 0.016 0.008
#> ERR315399 4 0.4492 0.3701 0.000 0.480 0.000 0.496 0.016 0.008
#> ERR315477 5 0.0790 0.5968 0.000 0.032 0.000 0.000 0.968 0.000
#> ERR315346 4 0.3076 0.6588 0.000 0.240 0.000 0.760 0.000 0.000
#> ERR315383 5 0.4172 0.4897 0.000 0.300 0.000 0.016 0.672 0.012
#> ERR315494 5 0.4172 0.4897 0.000 0.300 0.000 0.016 0.672 0.012
#> ERR315492 5 0.2060 0.5832 0.000 0.084 0.000 0.016 0.900 0.000
#> ERR315432 5 0.0790 0.5968 0.000 0.032 0.000 0.000 0.968 0.000
#> ERR315338 1 0.0000 0.9006 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "NMF"]
# you can also extract it by
# res = res_list["SD:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.891 0.946 0.958 0.3316 0.699 0.699
#> 3 3 0.848 0.933 0.966 0.8862 0.652 0.506
#> 4 4 0.931 0.913 0.950 0.1817 0.817 0.544
#> 5 5 0.760 0.721 0.808 0.0701 0.894 0.630
#> 6 6 0.771 0.704 0.804 0.0384 0.913 0.626
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.2423 0.932 0.040 0.960
#> ERR315339 2 0.0000 0.945 0.000 1.000
#> ERR315376 2 0.0000 0.945 0.000 1.000
#> ERR315343 2 0.3879 0.944 0.076 0.924
#> ERR315342 2 0.3879 0.944 0.076 0.924
#> ERR315468 2 0.0000 0.945 0.000 1.000
#> ERR315434 2 0.0000 0.945 0.000 1.000
#> ERR315489 2 0.0000 0.945 0.000 1.000
#> ERR315371 1 0.0000 0.999 1.000 0.000
#> ERR315433 2 0.3879 0.944 0.076 0.924
#> ERR315368 2 0.3879 0.944 0.076 0.924
#> ERR315465 1 0.0000 0.999 1.000 0.000
#> ERR315437 1 0.0000 0.999 1.000 0.000
#> ERR315327 2 0.2423 0.932 0.040 0.960
#> ERR315394 2 0.2423 0.932 0.040 0.960
#> ERR315427 2 0.1184 0.947 0.016 0.984
#> ERR315360 2 0.1184 0.947 0.016 0.984
#> ERR315426 1 0.0000 0.999 1.000 0.000
#> ERR315387 1 0.0000 0.999 1.000 0.000
#> ERR315475 1 0.0000 0.999 1.000 0.000
#> ERR315395 1 0.0000 0.999 1.000 0.000
#> ERR315333 1 0.0000 0.999 1.000 0.000
#> ERR315460 2 0.0000 0.945 0.000 1.000
#> ERR315372 2 0.0000 0.945 0.000 1.000
#> ERR315472 2 0.0000 0.945 0.000 1.000
#> ERR315398 2 0.0000 0.945 0.000 1.000
#> ERR315409 2 0.3431 0.918 0.064 0.936
#> ERR315423 2 0.3431 0.918 0.064 0.936
#> ERR315402 2 0.3879 0.944 0.076 0.924
#> ERR315458 2 0.3879 0.944 0.076 0.924
#> ERR315366 1 0.0000 0.999 1.000 0.000
#> ERR315345 1 0.0000 0.999 1.000 0.000
#> ERR315326 2 0.5178 0.915 0.116 0.884
#> ERR315424 2 0.5059 0.919 0.112 0.888
#> ERR315382 2 0.0000 0.945 0.000 1.000
#> ERR315325 2 0.0000 0.945 0.000 1.000
#> ERR315369 2 0.2778 0.928 0.048 0.952
#> ERR315485 2 0.2778 0.928 0.048 0.952
#> ERR315420 2 0.0000 0.945 0.000 1.000
#> ERR315459 2 0.0000 0.945 0.000 1.000
#> ERR315353 2 0.4022 0.942 0.080 0.920
#> ERR315487 2 0.4022 0.942 0.080 0.920
#> ERR315378 2 0.3879 0.944 0.076 0.924
#> ERR315431 2 0.3879 0.944 0.076 0.924
#> ERR315335 2 0.3879 0.944 0.076 0.924
#> ERR315452 2 0.3879 0.944 0.076 0.924
#> ERR315471 1 0.0000 0.999 1.000 0.000
#> ERR315390 1 0.0000 0.999 1.000 0.000
#> ERR315329 1 0.0000 0.999 1.000 0.000
#> ERR315393 1 0.0000 0.999 1.000 0.000
#> ERR315488 1 0.0000 0.999 1.000 0.000
#> ERR315351 2 0.3879 0.944 0.076 0.924
#> ERR315350 2 0.3879 0.944 0.076 0.924
#> ERR315381 2 0.3733 0.913 0.072 0.928
#> ERR315388 2 0.3879 0.910 0.076 0.924
#> ERR315418 2 0.0000 0.945 0.000 1.000
#> ERR315449 2 0.0000 0.945 0.000 1.000
#> ERR315490 2 0.3879 0.944 0.076 0.924
#> ERR315495 2 0.3879 0.944 0.076 0.924
#> ERR315361 2 0.3879 0.944 0.076 0.924
#> ERR315419 2 0.4298 0.900 0.088 0.912
#> ERR315344 2 0.4298 0.900 0.088 0.912
#> ERR315414 2 0.2423 0.932 0.040 0.960
#> ERR315352 2 0.3879 0.944 0.076 0.924
#> ERR315410 2 0.3733 0.945 0.072 0.928
#> ERR315349 2 0.0000 0.945 0.000 1.000
#> ERR315474 2 0.0000 0.945 0.000 1.000
#> ERR315470 2 0.0000 0.945 0.000 1.000
#> ERR315428 2 0.0000 0.945 0.000 1.000
#> ERR315363 2 0.0000 0.945 0.000 1.000
#> ERR315469 1 0.0000 0.999 1.000 0.000
#> ERR315425 1 0.0000 0.999 1.000 0.000
#> ERR315476 2 0.4022 0.942 0.080 0.920
#> ERR315478 2 0.4161 0.939 0.084 0.916
#> ERR315362 2 0.0000 0.945 0.000 1.000
#> ERR315411 2 0.0000 0.945 0.000 1.000
#> ERR315416 1 0.0000 0.999 1.000 0.000
#> ERR315405 1 0.0000 0.999 1.000 0.000
#> ERR315408 2 0.4022 0.906 0.080 0.920
#> ERR315364 2 0.4022 0.906 0.080 0.920
#> ERR315359 2 0.0000 0.945 0.000 1.000
#> ERR315330 2 0.0000 0.945 0.000 1.000
#> ERR315384 2 0.3879 0.944 0.076 0.924
#> ERR315413 2 0.3879 0.944 0.076 0.924
#> ERR315332 2 0.3879 0.944 0.076 0.924
#> ERR315334 2 0.8207 0.669 0.256 0.744
#> ERR315447 2 0.7674 0.722 0.224 0.776
#> ERR315453 2 0.8081 0.682 0.248 0.752
#> ERR315442 2 0.3584 0.915 0.068 0.932
#> ERR315457 2 0.3584 0.915 0.068 0.932
#> ERR315392 2 0.3879 0.944 0.076 0.924
#> ERR315450 2 0.3879 0.944 0.076 0.924
#> ERR315462 2 0.1414 0.940 0.020 0.980
#> ERR315328 2 0.3879 0.944 0.076 0.924
#> ERR315389 2 0.3879 0.944 0.076 0.924
#> ERR315435 2 0.3879 0.944 0.076 0.924
#> ERR315482 2 0.3879 0.944 0.076 0.924
#> ERR315380 2 0.3879 0.944 0.076 0.924
#> ERR315377 2 0.3879 0.944 0.076 0.924
#> ERR315374 2 0.3879 0.944 0.076 0.924
#> ERR315466 2 0.0000 0.945 0.000 1.000
#> ERR315479 2 0.0000 0.945 0.000 1.000
#> ERR315473 1 0.0000 0.999 1.000 0.000
#> ERR315391 2 0.3879 0.944 0.076 0.924
#> ERR315417 2 0.3879 0.944 0.076 0.924
#> ERR315385 2 0.3879 0.944 0.076 0.924
#> ERR315386 2 0.3879 0.944 0.076 0.924
#> ERR315438 2 0.3879 0.944 0.076 0.924
#> ERR315367 2 0.3879 0.944 0.076 0.924
#> ERR315331 2 0.3879 0.944 0.076 0.924
#> ERR315347 2 0.1414 0.940 0.020 0.980
#> ERR315396 1 0.0000 0.999 1.000 0.000
#> ERR315486 1 0.0000 0.999 1.000 0.000
#> ERR315403 2 0.3114 0.923 0.056 0.944
#> ERR315357 2 0.3114 0.923 0.056 0.944
#> ERR315463 2 0.2778 0.928 0.048 0.952
#> ERR315451 2 0.2778 0.928 0.048 0.952
#> ERR315445 2 0.3431 0.918 0.064 0.936
#> ERR315461 2 0.3431 0.918 0.064 0.936
#> ERR315397 2 0.0000 0.945 0.000 1.000
#> ERR315491 2 0.0376 0.946 0.004 0.996
#> ERR315483 2 0.0376 0.946 0.004 0.996
#> ERR315400 2 0.3274 0.921 0.060 0.940
#> ERR315440 1 0.0000 0.999 1.000 0.000
#> ERR315493 1 0.0000 0.999 1.000 0.000
#> ERR315441 1 0.0000 0.999 1.000 0.000
#> ERR315455 2 0.3879 0.944 0.076 0.924
#> ERR315421 2 0.3879 0.944 0.076 0.924
#> ERR315370 2 0.3879 0.944 0.076 0.924
#> ERR315355 2 0.3879 0.944 0.076 0.924
#> ERR315446 2 0.3879 0.944 0.076 0.924
#> ERR315375 2 0.3879 0.944 0.076 0.924
#> ERR315467 2 0.3114 0.923 0.056 0.944
#> ERR315484 2 0.3114 0.923 0.056 0.944
#> ERR315406 1 0.0000 0.999 1.000 0.000
#> ERR315404 1 0.0000 0.999 1.000 0.000
#> ERR315407 2 0.0000 0.945 0.000 1.000
#> ERR315340 2 0.0000 0.945 0.000 1.000
#> ERR315356 2 0.3879 0.944 0.076 0.924
#> ERR315430 2 0.3879 0.944 0.076 0.924
#> ERR315422 2 0.0000 0.945 0.000 1.000
#> ERR315358 2 0.0000 0.945 0.000 1.000
#> ERR315448 1 0.0000 0.999 1.000 0.000
#> ERR315401 2 0.0000 0.945 0.000 1.000
#> ERR315464 2 0.0000 0.945 0.000 1.000
#> ERR315481 1 0.1184 0.983 0.984 0.016
#> ERR315454 1 0.0938 0.987 0.988 0.012
#> ERR315365 2 0.0000 0.945 0.000 1.000
#> ERR315354 2 0.0000 0.945 0.000 1.000
#> ERR315439 2 0.3879 0.944 0.076 0.924
#> ERR315444 2 0.3879 0.944 0.076 0.924
#> ERR315341 2 0.3879 0.944 0.076 0.924
#> ERR315412 2 0.0000 0.945 0.000 1.000
#> ERR315337 2 0.0000 0.945 0.000 1.000
#> ERR315429 2 0.0000 0.945 0.000 1.000
#> ERR315436 2 0.0000 0.945 0.000 1.000
#> ERR315379 2 0.1633 0.939 0.024 0.976
#> ERR315443 2 0.0000 0.945 0.000 1.000
#> ERR315415 2 0.3879 0.944 0.076 0.924
#> ERR315456 2 0.3879 0.944 0.076 0.924
#> ERR315336 2 0.3879 0.944 0.076 0.924
#> ERR315399 2 0.3879 0.944 0.076 0.924
#> ERR315477 2 0.3879 0.944 0.076 0.924
#> ERR315346 2 0.3879 0.944 0.076 0.924
#> ERR315383 2 0.0000 0.945 0.000 1.000
#> ERR315494 2 0.0000 0.945 0.000 1.000
#> ERR315492 2 0.3879 0.944 0.076 0.924
#> ERR315432 2 0.3879 0.944 0.076 0.924
#> ERR315338 1 0.0000 0.999 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315339 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315376 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315343 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315342 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315468 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315434 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315489 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315371 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315433 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315368 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315465 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315437 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315327 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315394 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315427 2 0.3619 0.828 0.000 0.864 0.136
#> ERR315360 2 0.3340 0.850 0.000 0.880 0.120
#> ERR315426 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315460 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315372 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315472 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315398 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315409 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315423 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315402 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315458 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315366 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315345 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315326 2 0.2261 0.926 0.068 0.932 0.000
#> ERR315424 2 0.2165 0.930 0.064 0.936 0.000
#> ERR315382 3 0.4504 0.804 0.000 0.196 0.804
#> ERR315325 3 0.4504 0.804 0.000 0.196 0.804
#> ERR315369 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315485 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315420 3 0.4399 0.809 0.000 0.188 0.812
#> ERR315459 3 0.4399 0.809 0.000 0.188 0.812
#> ERR315353 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315487 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315378 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315431 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315335 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315452 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315471 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315351 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315350 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315381 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315388 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315418 3 0.4399 0.809 0.000 0.188 0.812
#> ERR315449 3 0.4399 0.809 0.000 0.188 0.812
#> ERR315490 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315495 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315361 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315419 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315344 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315414 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315352 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315410 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315349 3 0.5905 0.494 0.000 0.352 0.648
#> ERR315474 3 0.6008 0.447 0.000 0.372 0.628
#> ERR315470 3 0.5882 0.503 0.000 0.348 0.652
#> ERR315428 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315363 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315469 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315476 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315478 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315362 3 0.5706 0.651 0.000 0.320 0.680
#> ERR315411 3 0.5706 0.651 0.000 0.320 0.680
#> ERR315416 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315408 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315364 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315359 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315330 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315384 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315413 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315332 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315334 1 0.2625 0.909 0.916 0.000 0.084
#> ERR315447 1 0.2537 0.913 0.920 0.000 0.080
#> ERR315453 1 0.2796 0.900 0.908 0.000 0.092
#> ERR315442 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315457 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315392 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315450 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315462 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315328 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315389 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315435 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315482 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315377 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315374 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315466 3 0.0424 0.884 0.000 0.008 0.992
#> ERR315479 3 0.0237 0.885 0.000 0.004 0.996
#> ERR315473 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315391 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315417 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315385 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315386 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315438 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315367 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315331 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315347 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315396 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315403 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315357 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315463 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315451 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315445 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315461 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315397 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315491 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315483 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315400 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315440 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315455 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315421 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315370 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315355 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315446 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315375 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315467 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315484 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315406 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315407 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315340 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315356 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315430 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315422 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315358 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315448 1 0.0000 0.986 1.000 0.000 0.000
#> ERR315401 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315464 3 0.4654 0.797 0.000 0.208 0.792
#> ERR315481 1 0.2878 0.905 0.904 0.000 0.096
#> ERR315454 1 0.2711 0.913 0.912 0.000 0.088
#> ERR315365 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315354 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315439 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315444 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315341 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315412 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315337 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315429 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315436 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315379 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315443 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315415 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315456 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315336 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315399 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315477 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315346 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315383 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315494 3 0.0000 0.887 0.000 0.000 1.000
#> ERR315492 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315432 2 0.0000 0.994 0.000 1.000 0.000
#> ERR315338 1 0.0000 0.986 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315339 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315376 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315343 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315342 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315468 3 0.1706 0.930 0.000 0.016 0.948 0.036
#> ERR315434 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315489 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315371 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315433 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315368 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315465 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315327 3 0.0921 0.948 0.000 0.000 0.972 0.028
#> ERR315394 3 0.0921 0.948 0.000 0.000 0.972 0.028
#> ERR315427 2 0.4365 0.733 0.028 0.784 0.188 0.000
#> ERR315360 2 0.4238 0.751 0.028 0.796 0.176 0.000
#> ERR315426 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315333 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315460 4 0.1118 0.901 0.000 0.000 0.036 0.964
#> ERR315372 4 0.1118 0.901 0.000 0.000 0.036 0.964
#> ERR315472 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315398 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315409 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315402 2 0.0707 0.956 0.000 0.980 0.000 0.020
#> ERR315458 2 0.0707 0.956 0.000 0.980 0.000 0.020
#> ERR315366 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315326 4 0.5911 0.730 0.112 0.196 0.000 0.692
#> ERR315424 4 0.5615 0.753 0.096 0.188 0.000 0.716
#> ERR315382 4 0.1557 0.896 0.000 0.000 0.056 0.944
#> ERR315325 4 0.1474 0.897 0.000 0.000 0.052 0.948
#> ERR315369 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315420 4 0.1474 0.896 0.000 0.000 0.052 0.948
#> ERR315459 4 0.1474 0.896 0.000 0.000 0.052 0.948
#> ERR315353 4 0.5442 0.573 0.028 0.336 0.000 0.636
#> ERR315487 4 0.5442 0.573 0.028 0.336 0.000 0.636
#> ERR315378 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315431 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315335 2 0.0817 0.955 0.000 0.976 0.000 0.024
#> ERR315452 2 0.0817 0.955 0.000 0.976 0.000 0.024
#> ERR315471 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315351 2 0.1557 0.937 0.000 0.944 0.000 0.056
#> ERR315350 2 0.1557 0.937 0.000 0.944 0.000 0.056
#> ERR315381 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315418 4 0.1474 0.896 0.000 0.000 0.052 0.948
#> ERR315449 4 0.1474 0.896 0.000 0.000 0.052 0.948
#> ERR315490 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315495 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315361 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315419 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315414 3 0.0921 0.948 0.000 0.000 0.972 0.028
#> ERR315352 2 0.1557 0.937 0.000 0.944 0.000 0.056
#> ERR315410 2 0.0469 0.957 0.000 0.988 0.000 0.012
#> ERR315349 3 0.4713 0.452 0.000 0.360 0.640 0.000
#> ERR315474 3 0.4730 0.443 0.000 0.364 0.636 0.000
#> ERR315470 3 0.4679 0.468 0.000 0.352 0.648 0.000
#> ERR315428 4 0.1302 0.907 0.000 0.044 0.000 0.956
#> ERR315363 4 0.1302 0.907 0.000 0.044 0.000 0.956
#> ERR315469 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315425 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315476 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315478 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315362 4 0.2002 0.908 0.000 0.044 0.020 0.936
#> ERR315411 4 0.2002 0.908 0.000 0.044 0.020 0.936
#> ERR315416 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315359 4 0.2081 0.896 0.000 0.084 0.000 0.916
#> ERR315330 4 0.2011 0.898 0.000 0.080 0.000 0.920
#> ERR315384 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315413 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315332 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315334 4 0.2635 0.876 0.076 0.000 0.020 0.904
#> ERR315447 4 0.2635 0.876 0.076 0.000 0.020 0.904
#> ERR315453 4 0.2635 0.876 0.076 0.000 0.020 0.904
#> ERR315442 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315392 2 0.0817 0.955 0.000 0.976 0.000 0.024
#> ERR315450 2 0.0817 0.955 0.000 0.976 0.000 0.024
#> ERR315462 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315328 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315389 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315435 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315482 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315380 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315377 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315374 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315466 3 0.0707 0.951 0.000 0.000 0.980 0.020
#> ERR315479 3 0.0707 0.951 0.000 0.000 0.980 0.020
#> ERR315473 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315391 2 0.1557 0.937 0.000 0.944 0.000 0.056
#> ERR315417 2 0.0817 0.955 0.000 0.976 0.000 0.024
#> ERR315385 2 0.0817 0.955 0.000 0.976 0.000 0.024
#> ERR315386 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315438 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315367 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315331 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315347 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315396 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315486 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315403 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315357 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315463 3 0.0921 0.948 0.000 0.000 0.972 0.028
#> ERR315451 3 0.0921 0.948 0.000 0.000 0.972 0.028
#> ERR315445 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315397 4 0.2011 0.894 0.000 0.080 0.000 0.920
#> ERR315491 4 0.2081 0.892 0.000 0.084 0.000 0.916
#> ERR315483 4 0.2011 0.894 0.000 0.080 0.000 0.920
#> ERR315400 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315455 2 0.0921 0.954 0.000 0.972 0.000 0.028
#> ERR315421 2 0.4277 0.561 0.000 0.720 0.000 0.280
#> ERR315370 2 0.4193 0.587 0.000 0.732 0.000 0.268
#> ERR315355 2 0.3975 0.644 0.000 0.760 0.000 0.240
#> ERR315446 2 0.1637 0.935 0.000 0.940 0.000 0.060
#> ERR315375 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315467 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315484 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315404 1 0.0921 0.972 0.972 0.000 0.000 0.028
#> ERR315407 4 0.1637 0.905 0.000 0.060 0.000 0.940
#> ERR315340 4 0.1637 0.905 0.000 0.060 0.000 0.940
#> ERR315356 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315430 2 0.0188 0.960 0.000 0.996 0.000 0.004
#> ERR315422 4 0.0921 0.905 0.000 0.028 0.000 0.972
#> ERR315358 4 0.0921 0.905 0.000 0.028 0.000 0.972
#> ERR315448 1 0.0000 0.983 1.000 0.000 0.000 0.000
#> ERR315401 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315464 4 0.1211 0.901 0.000 0.000 0.040 0.960
#> ERR315481 1 0.3074 0.819 0.848 0.000 0.152 0.000
#> ERR315454 1 0.2868 0.841 0.864 0.000 0.136 0.000
#> ERR315365 4 0.1474 0.906 0.000 0.052 0.000 0.948
#> ERR315354 4 0.1474 0.906 0.000 0.052 0.000 0.948
#> ERR315439 4 0.5112 0.493 0.008 0.384 0.000 0.608
#> ERR315444 4 0.5125 0.484 0.008 0.388 0.000 0.604
#> ERR315341 4 0.4797 0.710 0.020 0.260 0.000 0.720
#> ERR315412 4 0.1302 0.907 0.000 0.044 0.000 0.956
#> ERR315337 4 0.1302 0.907 0.000 0.044 0.000 0.956
#> ERR315429 3 0.0707 0.951 0.000 0.000 0.980 0.020
#> ERR315436 3 0.0707 0.951 0.000 0.000 0.980 0.020
#> ERR315379 3 0.0000 0.957 0.000 0.000 1.000 0.000
#> ERR315443 3 0.1118 0.943 0.000 0.000 0.964 0.036
#> ERR315415 2 0.1557 0.937 0.000 0.944 0.000 0.056
#> ERR315456 2 0.1557 0.937 0.000 0.944 0.000 0.056
#> ERR315336 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315399 2 0.0000 0.961 0.000 1.000 0.000 0.000
#> ERR315477 2 0.1302 0.945 0.000 0.956 0.000 0.044
#> ERR315346 4 0.3554 0.854 0.020 0.136 0.000 0.844
#> ERR315383 3 0.1118 0.943 0.000 0.000 0.964 0.036
#> ERR315494 3 0.1118 0.943 0.000 0.000 0.964 0.036
#> ERR315492 2 0.1792 0.931 0.000 0.932 0.000 0.068
#> ERR315432 2 0.0921 0.954 0.000 0.972 0.000 0.028
#> ERR315338 1 0.0000 0.983 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315339 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315376 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315343 4 0.0510 0.5471 0.000 0.016 0.000 0.984 0.000
#> ERR315342 4 0.0404 0.5509 0.000 0.012 0.000 0.988 0.000
#> ERR315468 3 0.6496 0.6473 0.000 0.260 0.576 0.032 0.132
#> ERR315434 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315489 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315371 1 0.0162 0.9590 0.996 0.004 0.000 0.000 0.000
#> ERR315433 4 0.0162 0.5533 0.000 0.004 0.000 0.996 0.000
#> ERR315368 4 0.0162 0.5533 0.000 0.004 0.000 0.996 0.000
#> ERR315465 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315327 3 0.3530 0.8295 0.000 0.204 0.784 0.000 0.012
#> ERR315394 3 0.3530 0.8295 0.000 0.204 0.784 0.000 0.012
#> ERR315427 4 0.4435 0.5027 0.092 0.008 0.124 0.776 0.000
#> ERR315360 4 0.4342 0.5060 0.092 0.008 0.116 0.784 0.000
#> ERR315426 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315333 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315460 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315372 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315472 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315398 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315409 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.4305 0.8388 0.000 0.512 0.000 0.488 0.000
#> ERR315458 2 0.4305 0.8388 0.000 0.512 0.000 0.488 0.000
#> ERR315366 1 0.0162 0.9572 0.996 0.004 0.000 0.000 0.000
#> ERR315345 1 0.0162 0.9572 0.996 0.004 0.000 0.000 0.000
#> ERR315326 4 0.6990 0.3187 0.128 0.056 0.000 0.520 0.296
#> ERR315424 4 0.7017 0.3036 0.128 0.056 0.000 0.512 0.304
#> ERR315382 5 0.1732 0.8614 0.000 0.080 0.000 0.000 0.920
#> ERR315325 5 0.1732 0.8614 0.000 0.080 0.000 0.000 0.920
#> ERR315369 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.1792 0.8605 0.000 0.084 0.000 0.000 0.916
#> ERR315459 5 0.1792 0.8605 0.000 0.084 0.000 0.000 0.916
#> ERR315353 4 0.6542 0.3711 0.084 0.056 0.000 0.564 0.296
#> ERR315487 4 0.6542 0.3711 0.084 0.056 0.000 0.564 0.296
#> ERR315378 4 0.0609 0.5427 0.000 0.020 0.000 0.980 0.000
#> ERR315431 4 0.0510 0.5471 0.000 0.016 0.000 0.984 0.000
#> ERR315335 2 0.4219 0.9683 0.000 0.584 0.000 0.416 0.000
#> ERR315452 2 0.4219 0.9683 0.000 0.584 0.000 0.416 0.000
#> ERR315471 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0290 0.9578 0.992 0.008 0.000 0.000 0.000
#> ERR315488 1 0.0290 0.9578 0.992 0.008 0.000 0.000 0.000
#> ERR315351 2 0.4201 0.9676 0.000 0.592 0.000 0.408 0.000
#> ERR315350 2 0.4201 0.9676 0.000 0.592 0.000 0.408 0.000
#> ERR315381 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.1851 0.8597 0.000 0.088 0.000 0.000 0.912
#> ERR315449 5 0.1851 0.8597 0.000 0.088 0.000 0.000 0.912
#> ERR315490 4 0.0162 0.5588 0.000 0.004 0.000 0.996 0.000
#> ERR315495 4 0.0162 0.5588 0.000 0.004 0.000 0.996 0.000
#> ERR315361 4 0.0162 0.5588 0.000 0.004 0.000 0.996 0.000
#> ERR315419 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315414 3 0.3530 0.8295 0.000 0.204 0.784 0.000 0.012
#> ERR315352 2 0.4192 0.9657 0.000 0.596 0.000 0.404 0.000
#> ERR315410 4 0.4009 -0.1721 0.000 0.312 0.000 0.684 0.004
#> ERR315349 4 0.5238 0.1765 0.036 0.004 0.440 0.520 0.000
#> ERR315474 4 0.5242 0.1675 0.036 0.004 0.444 0.516 0.000
#> ERR315470 4 0.5242 0.1675 0.036 0.004 0.444 0.516 0.000
#> ERR315428 5 0.3231 0.8214 0.000 0.196 0.000 0.004 0.800
#> ERR315363 5 0.3231 0.8214 0.000 0.196 0.000 0.004 0.800
#> ERR315469 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315425 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315476 4 0.0912 0.5629 0.016 0.012 0.000 0.972 0.000
#> ERR315478 4 0.0912 0.5629 0.016 0.012 0.000 0.972 0.000
#> ERR315362 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315411 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315416 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315359 5 0.0992 0.8714 0.000 0.024 0.000 0.008 0.968
#> ERR315330 5 0.1082 0.8716 0.000 0.028 0.000 0.008 0.964
#> ERR315384 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315413 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315332 4 0.0290 0.5541 0.000 0.008 0.000 0.992 0.000
#> ERR315334 5 0.4393 0.8077 0.068 0.132 0.000 0.016 0.784
#> ERR315447 5 0.4393 0.8077 0.068 0.132 0.000 0.016 0.784
#> ERR315453 5 0.4449 0.8085 0.068 0.132 0.004 0.012 0.784
#> ERR315442 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.4219 0.9683 0.000 0.584 0.000 0.416 0.000
#> ERR315450 2 0.4219 0.9683 0.000 0.584 0.000 0.416 0.000
#> ERR315462 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315328 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315389 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315435 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315482 4 0.3707 -0.1311 0.000 0.284 0.000 0.716 0.000
#> ERR315380 4 0.3636 -0.0826 0.000 0.272 0.000 0.728 0.000
#> ERR315377 4 0.0992 0.5608 0.008 0.024 0.000 0.968 0.000
#> ERR315374 4 0.0798 0.5611 0.008 0.016 0.000 0.976 0.000
#> ERR315466 3 0.5937 0.6394 0.000 0.300 0.564 0.000 0.136
#> ERR315479 3 0.5937 0.6394 0.000 0.300 0.564 0.000 0.136
#> ERR315473 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.4210 0.9688 0.000 0.588 0.000 0.412 0.000
#> ERR315417 2 0.4219 0.9683 0.000 0.584 0.000 0.416 0.000
#> ERR315385 2 0.4219 0.9683 0.000 0.584 0.000 0.416 0.000
#> ERR315386 4 0.0162 0.5588 0.000 0.004 0.000 0.996 0.000
#> ERR315438 4 0.0162 0.5588 0.000 0.004 0.000 0.996 0.000
#> ERR315367 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315331 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315347 3 0.2378 0.8345 0.016 0.012 0.908 0.064 0.000
#> ERR315396 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315486 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315403 3 0.0162 0.8963 0.000 0.004 0.996 0.000 0.000
#> ERR315357 3 0.0162 0.8963 0.000 0.004 0.996 0.000 0.000
#> ERR315463 3 0.3530 0.8295 0.000 0.204 0.784 0.000 0.012
#> ERR315451 3 0.3530 0.8295 0.000 0.204 0.784 0.000 0.012
#> ERR315445 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.3266 0.8195 0.000 0.200 0.000 0.004 0.796
#> ERR315491 5 0.3266 0.8195 0.000 0.200 0.000 0.004 0.796
#> ERR315483 5 0.3333 0.8147 0.000 0.208 0.000 0.004 0.788
#> ERR315400 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0162 0.9590 0.996 0.004 0.000 0.000 0.000
#> ERR315493 1 0.0162 0.9590 0.996 0.004 0.000 0.000 0.000
#> ERR315441 1 0.0162 0.9590 0.996 0.004 0.000 0.000 0.000
#> ERR315455 2 0.4210 0.9684 0.000 0.588 0.000 0.412 0.000
#> ERR315421 4 0.6512 0.4605 0.092 0.120 0.000 0.636 0.152
#> ERR315370 4 0.6476 0.4622 0.092 0.120 0.000 0.640 0.148
#> ERR315355 4 0.6206 0.4746 0.096 0.116 0.000 0.668 0.120
#> ERR315446 2 0.4150 0.9461 0.000 0.612 0.000 0.388 0.000
#> ERR315375 4 0.0693 0.5629 0.012 0.008 0.000 0.980 0.000
#> ERR315467 3 0.0854 0.8886 0.012 0.004 0.976 0.000 0.008
#> ERR315484 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315404 1 0.2230 0.9175 0.884 0.116 0.000 0.000 0.000
#> ERR315407 5 0.1041 0.8702 0.000 0.032 0.000 0.004 0.964
#> ERR315340 5 0.1041 0.8702 0.000 0.032 0.000 0.004 0.964
#> ERR315356 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315430 4 0.3837 -0.1787 0.000 0.308 0.000 0.692 0.000
#> ERR315422 5 0.3491 0.8005 0.000 0.228 0.000 0.004 0.768
#> ERR315358 5 0.3461 0.8037 0.000 0.224 0.000 0.004 0.772
#> ERR315448 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315464 5 0.2536 0.8584 0.000 0.128 0.004 0.000 0.868
#> ERR315481 1 0.3196 0.7652 0.804 0.004 0.192 0.000 0.000
#> ERR315454 1 0.3160 0.7709 0.808 0.004 0.188 0.000 0.000
#> ERR315365 5 0.1197 0.8696 0.000 0.048 0.000 0.000 0.952
#> ERR315354 5 0.1121 0.8703 0.000 0.044 0.000 0.000 0.956
#> ERR315439 4 0.6194 0.3624 0.052 0.056 0.000 0.576 0.316
#> ERR315444 4 0.6133 0.3649 0.048 0.056 0.000 0.580 0.316
#> ERR315341 4 0.6365 0.2856 0.052 0.060 0.000 0.536 0.352
#> ERR315412 5 0.3333 0.8147 0.000 0.208 0.000 0.004 0.788
#> ERR315337 5 0.3333 0.8147 0.000 0.208 0.000 0.004 0.788
#> ERR315429 3 0.5775 0.6702 0.000 0.264 0.600 0.000 0.136
#> ERR315436 3 0.5815 0.6639 0.000 0.272 0.592 0.000 0.136
#> ERR315379 3 0.0000 0.8983 0.000 0.000 1.000 0.000 0.000
#> ERR315443 3 0.3759 0.8171 0.000 0.220 0.764 0.000 0.016
#> ERR315415 2 0.4171 0.9573 0.000 0.604 0.000 0.396 0.000
#> ERR315456 2 0.4182 0.9617 0.000 0.600 0.000 0.400 0.000
#> ERR315336 4 0.0898 0.5612 0.008 0.020 0.000 0.972 0.000
#> ERR315399 4 0.0898 0.5612 0.008 0.020 0.000 0.972 0.000
#> ERR315477 2 0.4201 0.9666 0.000 0.592 0.000 0.408 0.000
#> ERR315346 4 0.6252 0.0583 0.036 0.060 0.000 0.460 0.444
#> ERR315383 3 0.3659 0.8198 0.000 0.220 0.768 0.000 0.012
#> ERR315494 3 0.4536 0.7793 0.000 0.240 0.712 0.000 0.048
#> ERR315492 2 0.4138 0.9413 0.000 0.616 0.000 0.384 0.000
#> ERR315432 2 0.4192 0.9627 0.000 0.596 0.000 0.404 0.000
#> ERR315338 1 0.0000 0.9595 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0146 0.8788 0.000 0.000 0.996 0.000 0.000 0.004
#> ERR315339 6 0.0146 0.7920 0.000 0.000 0.000 0.000 0.004 0.996
#> ERR315376 6 0.0146 0.7920 0.000 0.000 0.000 0.000 0.004 0.996
#> ERR315343 4 0.4408 0.5827 0.000 0.280 0.000 0.664 0.056 0.000
#> ERR315342 4 0.4388 0.5891 0.000 0.276 0.000 0.668 0.056 0.000
#> ERR315468 5 0.4716 0.5770 0.000 0.056 0.152 0.060 0.732 0.000
#> ERR315434 6 0.0000 0.7922 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315489 6 0.0000 0.7922 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315371 1 0.0260 0.9148 0.992 0.000 0.000 0.008 0.000 0.000
#> ERR315433 4 0.3198 0.6749 0.000 0.260 0.000 0.740 0.000 0.000
#> ERR315368 4 0.3198 0.6749 0.000 0.260 0.000 0.740 0.000 0.000
#> ERR315465 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315437 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315327 3 0.5759 0.4938 0.000 0.072 0.560 0.052 0.316 0.000
#> ERR315394 3 0.5759 0.4938 0.000 0.072 0.560 0.052 0.316 0.000
#> ERR315427 4 0.4437 0.6727 0.116 0.044 0.068 0.768 0.000 0.004
#> ERR315360 4 0.4388 0.6752 0.116 0.048 0.060 0.772 0.000 0.004
#> ERR315426 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315387 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315475 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315395 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315333 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315460 6 0.0146 0.7920 0.000 0.000 0.000 0.000 0.004 0.996
#> ERR315372 6 0.0146 0.7920 0.000 0.000 0.000 0.000 0.004 0.996
#> ERR315472 6 0.0000 0.7922 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315398 6 0.0000 0.7922 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315409 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.1141 0.8093 0.000 0.948 0.000 0.052 0.000 0.000
#> ERR315458 2 0.1141 0.8093 0.000 0.948 0.000 0.052 0.000 0.000
#> ERR315366 1 0.0547 0.9115 0.980 0.000 0.000 0.020 0.000 0.000
#> ERR315345 1 0.0547 0.9115 0.980 0.000 0.000 0.020 0.000 0.000
#> ERR315326 4 0.6200 0.3706 0.100 0.000 0.000 0.540 0.288 0.072
#> ERR315424 4 0.6245 0.3765 0.108 0.000 0.000 0.540 0.280 0.072
#> ERR315382 5 0.3817 0.4355 0.000 0.000 0.000 0.000 0.568 0.432
#> ERR315325 5 0.3810 0.4470 0.000 0.000 0.000 0.000 0.572 0.428
#> ERR315369 3 0.0146 0.8788 0.000 0.000 0.996 0.000 0.000 0.004
#> ERR315485 3 0.0146 0.8788 0.000 0.000 0.996 0.000 0.000 0.004
#> ERR315420 5 0.3727 0.5355 0.000 0.000 0.000 0.000 0.612 0.388
#> ERR315459 5 0.3727 0.5355 0.000 0.000 0.000 0.000 0.612 0.388
#> ERR315353 4 0.5319 0.5166 0.048 0.000 0.000 0.640 0.248 0.064
#> ERR315487 4 0.5376 0.5130 0.052 0.000 0.000 0.636 0.248 0.064
#> ERR315378 4 0.4294 0.5919 0.000 0.280 0.000 0.672 0.048 0.000
#> ERR315431 4 0.4294 0.5919 0.000 0.280 0.000 0.672 0.048 0.000
#> ERR315335 2 0.0146 0.8257 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315452 2 0.0260 0.8257 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315471 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315390 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315329 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315393 1 0.0000 0.9131 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9131 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315350 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315381 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.3706 0.5453 0.000 0.000 0.000 0.000 0.620 0.380
#> ERR315449 5 0.3717 0.5410 0.000 0.000 0.000 0.000 0.616 0.384
#> ERR315490 4 0.3076 0.6917 0.000 0.240 0.000 0.760 0.000 0.000
#> ERR315495 4 0.3076 0.6917 0.000 0.240 0.000 0.760 0.000 0.000
#> ERR315361 4 0.3076 0.6917 0.000 0.240 0.000 0.760 0.000 0.000
#> ERR315419 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 3 0.5746 0.5005 0.000 0.072 0.564 0.052 0.312 0.000
#> ERR315352 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315410 2 0.5216 0.6262 0.000 0.612 0.000 0.256 0.128 0.004
#> ERR315349 4 0.4211 0.4711 0.012 0.004 0.348 0.632 0.000 0.004
#> ERR315474 4 0.4211 0.4711 0.012 0.004 0.348 0.632 0.000 0.004
#> ERR315470 4 0.4211 0.4711 0.012 0.004 0.348 0.632 0.000 0.004
#> ERR315428 5 0.4293 0.7181 0.000 0.060 0.000 0.016 0.740 0.184
#> ERR315363 5 0.4205 0.7181 0.000 0.060 0.000 0.012 0.744 0.184
#> ERR315469 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315425 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315476 4 0.3183 0.7105 0.004 0.196 0.000 0.792 0.004 0.004
#> ERR315478 4 0.3183 0.7105 0.004 0.196 0.000 0.792 0.004 0.004
#> ERR315362 6 0.0000 0.7922 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315411 6 0.0000 0.7922 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315416 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315405 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315408 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 6 0.5182 0.1760 0.000 0.044 0.000 0.028 0.364 0.564
#> ERR315330 6 0.5182 0.1760 0.000 0.044 0.000 0.028 0.364 0.564
#> ERR315384 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315413 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315332 4 0.3349 0.6774 0.000 0.244 0.000 0.748 0.008 0.000
#> ERR315334 6 0.1765 0.7418 0.052 0.000 0.000 0.024 0.000 0.924
#> ERR315447 6 0.1984 0.7316 0.056 0.000 0.000 0.032 0.000 0.912
#> ERR315453 6 0.1765 0.7418 0.052 0.000 0.000 0.024 0.000 0.924
#> ERR315442 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.0260 0.8244 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315450 2 0.0260 0.8244 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315462 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315389 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315435 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315482 2 0.3288 0.6028 0.000 0.724 0.000 0.276 0.000 0.000
#> ERR315380 2 0.3309 0.5969 0.000 0.720 0.000 0.280 0.000 0.000
#> ERR315377 4 0.2994 0.7072 0.000 0.208 0.000 0.788 0.000 0.004
#> ERR315374 4 0.2994 0.7072 0.000 0.208 0.000 0.788 0.000 0.004
#> ERR315466 5 0.4264 0.5976 0.000 0.084 0.196 0.000 0.720 0.000
#> ERR315479 5 0.4264 0.5976 0.000 0.084 0.196 0.000 0.720 0.000
#> ERR315473 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315391 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315417 2 0.0260 0.8244 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315385 2 0.0260 0.8244 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315386 4 0.2996 0.6970 0.000 0.228 0.000 0.772 0.000 0.000
#> ERR315438 4 0.2996 0.6970 0.000 0.228 0.000 0.772 0.000 0.000
#> ERR315367 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315331 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315347 3 0.3875 0.6938 0.012 0.000 0.776 0.172 0.036 0.004
#> ERR315396 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315486 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315403 3 0.0291 0.8763 0.000 0.000 0.992 0.004 0.000 0.004
#> ERR315357 3 0.0291 0.8763 0.000 0.000 0.992 0.004 0.000 0.004
#> ERR315463 3 0.5700 0.5049 0.000 0.068 0.568 0.052 0.312 0.000
#> ERR315451 3 0.5700 0.5049 0.000 0.068 0.568 0.052 0.312 0.000
#> ERR315445 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.4423 0.7152 0.000 0.060 0.000 0.024 0.736 0.180
#> ERR315491 5 0.4423 0.7152 0.000 0.060 0.000 0.024 0.736 0.180
#> ERR315483 5 0.4423 0.7152 0.000 0.060 0.000 0.024 0.736 0.180
#> ERR315400 3 0.0000 0.8802 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.9131 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9131 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9131 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315421 4 0.3562 0.6468 0.012 0.008 0.000 0.756 0.000 0.224
#> ERR315370 4 0.3562 0.6468 0.012 0.008 0.000 0.756 0.000 0.224
#> ERR315355 4 0.3624 0.6491 0.016 0.008 0.000 0.756 0.000 0.220
#> ERR315446 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315375 4 0.3171 0.7082 0.000 0.204 0.000 0.784 0.000 0.012
#> ERR315467 3 0.0665 0.8690 0.000 0.000 0.980 0.008 0.008 0.004
#> ERR315484 3 0.0146 0.8788 0.000 0.000 0.996 0.000 0.000 0.004
#> ERR315406 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315404 1 0.4237 0.8003 0.736 0.000 0.000 0.144 0.120 0.000
#> ERR315407 6 0.4859 -0.1176 0.000 0.028 0.000 0.016 0.452 0.504
#> ERR315340 6 0.4859 -0.1176 0.000 0.028 0.000 0.016 0.452 0.504
#> ERR315356 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315430 2 0.5076 0.6390 0.000 0.620 0.000 0.248 0.132 0.000
#> ERR315422 5 0.4205 0.7181 0.000 0.060 0.000 0.012 0.744 0.184
#> ERR315358 5 0.4205 0.7181 0.000 0.060 0.000 0.012 0.744 0.184
#> ERR315448 1 0.0363 0.9155 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR315401 6 0.0146 0.7920 0.000 0.000 0.000 0.000 0.004 0.996
#> ERR315464 6 0.0146 0.7920 0.000 0.000 0.000 0.000 0.004 0.996
#> ERR315481 1 0.3648 0.6592 0.740 0.000 0.240 0.016 0.000 0.004
#> ERR315454 1 0.3648 0.6592 0.740 0.000 0.240 0.016 0.000 0.004
#> ERR315365 6 0.4916 0.0857 0.000 0.048 0.000 0.008 0.396 0.548
#> ERR315354 6 0.4861 0.0948 0.000 0.044 0.000 0.008 0.396 0.552
#> ERR315439 4 0.5194 0.5366 0.044 0.000 0.000 0.656 0.236 0.064
#> ERR315444 4 0.5178 0.5287 0.040 0.000 0.000 0.652 0.244 0.064
#> ERR315341 4 0.5654 0.3976 0.044 0.000 0.000 0.576 0.304 0.076
#> ERR315412 5 0.4293 0.7181 0.000 0.060 0.000 0.016 0.740 0.184
#> ERR315337 5 0.4293 0.7181 0.000 0.060 0.000 0.016 0.740 0.184
#> ERR315429 5 0.4172 0.5931 0.000 0.072 0.204 0.000 0.724 0.000
#> ERR315436 5 0.4195 0.5959 0.000 0.076 0.200 0.000 0.724 0.000
#> ERR315379 3 0.0146 0.8788 0.000 0.000 0.996 0.000 0.000 0.004
#> ERR315443 3 0.5614 0.3972 0.000 0.048 0.524 0.052 0.376 0.000
#> ERR315415 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315456 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315336 4 0.3163 0.7057 0.000 0.212 0.000 0.780 0.004 0.004
#> ERR315399 4 0.3134 0.7063 0.000 0.208 0.000 0.784 0.004 0.004
#> ERR315477 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315346 4 0.6076 0.1571 0.036 0.000 0.000 0.484 0.364 0.116
#> ERR315383 3 0.5590 0.4316 0.000 0.048 0.536 0.052 0.364 0.000
#> ERR315494 5 0.5552 0.1341 0.000 0.048 0.348 0.052 0.552 0.000
#> ERR315492 2 0.0713 0.8050 0.000 0.972 0.000 0.028 0.000 0.000
#> ERR315432 2 0.0000 0.8266 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR315338 1 0.0458 0.9136 0.984 0.000 0.000 0.016 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "hclust"]
# you can also extract it by
# res = res_list["CV:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.532 0.827 0.894 0.231 0.818 0.818
#> 3 3 0.270 0.686 0.791 0.955 0.762 0.709
#> 4 4 0.235 0.780 0.755 0.239 0.762 0.595
#> 5 5 0.422 0.739 0.777 0.178 0.995 0.986
#> 6 6 0.538 0.803 0.788 0.124 0.869 0.629
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.9209 0.565 0.336 0.664
#> ERR315339 2 0.0000 0.881 0.000 1.000
#> ERR315376 2 0.0000 0.881 0.000 1.000
#> ERR315343 2 0.0672 0.877 0.008 0.992
#> ERR315342 2 0.0672 0.877 0.008 0.992
#> ERR315468 2 0.9286 0.556 0.344 0.656
#> ERR315434 2 0.0000 0.881 0.000 1.000
#> ERR315489 2 0.0000 0.881 0.000 1.000
#> ERR315371 2 0.0000 0.881 0.000 1.000
#> ERR315433 2 0.0672 0.877 0.008 0.992
#> ERR315368 2 0.0672 0.877 0.008 0.992
#> ERR315465 2 0.0000 0.881 0.000 1.000
#> ERR315437 2 0.0000 0.881 0.000 1.000
#> ERR315327 2 0.9286 0.556 0.344 0.656
#> ERR315394 2 0.9286 0.556 0.344 0.656
#> ERR315427 2 0.7376 0.698 0.208 0.792
#> ERR315360 2 0.7376 0.698 0.208 0.792
#> ERR315426 2 0.0000 0.881 0.000 1.000
#> ERR315387 2 0.0000 0.881 0.000 1.000
#> ERR315475 2 0.0000 0.881 0.000 1.000
#> ERR315395 2 0.0000 0.881 0.000 1.000
#> ERR315333 2 0.0000 0.881 0.000 1.000
#> ERR315460 2 0.0000 0.881 0.000 1.000
#> ERR315372 2 0.0000 0.881 0.000 1.000
#> ERR315472 2 0.0000 0.881 0.000 1.000
#> ERR315398 2 0.0000 0.881 0.000 1.000
#> ERR315409 2 0.9323 0.551 0.348 0.652
#> ERR315423 2 0.9323 0.551 0.348 0.652
#> ERR315402 2 0.0672 0.877 0.008 0.992
#> ERR315458 2 0.0672 0.877 0.008 0.992
#> ERR315366 2 0.0000 0.881 0.000 1.000
#> ERR315345 2 0.0000 0.881 0.000 1.000
#> ERR315326 2 0.0000 0.881 0.000 1.000
#> ERR315424 2 0.0000 0.881 0.000 1.000
#> ERR315382 2 0.0672 0.877 0.008 0.992
#> ERR315325 2 0.0672 0.877 0.008 0.992
#> ERR315369 2 0.7745 0.679 0.228 0.772
#> ERR315485 2 0.7745 0.679 0.228 0.772
#> ERR315420 2 0.0672 0.877 0.008 0.992
#> ERR315459 2 0.0672 0.877 0.008 0.992
#> ERR315353 2 0.0000 0.881 0.000 1.000
#> ERR315487 2 0.0000 0.881 0.000 1.000
#> ERR315378 2 0.0672 0.877 0.008 0.992
#> ERR315431 2 0.0672 0.877 0.008 0.992
#> ERR315335 1 0.9393 0.991 0.644 0.356
#> ERR315452 1 0.9393 0.991 0.644 0.356
#> ERR315471 2 0.0000 0.881 0.000 1.000
#> ERR315390 2 0.0000 0.881 0.000 1.000
#> ERR315329 2 0.0000 0.881 0.000 1.000
#> ERR315393 2 0.0000 0.881 0.000 1.000
#> ERR315488 2 0.0000 0.881 0.000 1.000
#> ERR315351 1 0.9323 0.995 0.652 0.348
#> ERR315350 1 0.9323 0.995 0.652 0.348
#> ERR315381 2 0.9323 0.551 0.348 0.652
#> ERR315388 2 0.9323 0.551 0.348 0.652
#> ERR315418 2 0.0672 0.877 0.008 0.992
#> ERR315449 2 0.0672 0.877 0.008 0.992
#> ERR315490 2 0.0672 0.877 0.008 0.992
#> ERR315495 2 0.0672 0.877 0.008 0.992
#> ERR315361 2 0.0672 0.877 0.008 0.992
#> ERR315419 2 0.9323 0.551 0.348 0.652
#> ERR315344 2 0.9323 0.551 0.348 0.652
#> ERR315414 2 0.9286 0.556 0.344 0.656
#> ERR315352 1 0.9323 0.995 0.652 0.348
#> ERR315410 2 0.0000 0.881 0.000 1.000
#> ERR315349 2 0.7376 0.698 0.208 0.792
#> ERR315474 2 0.7376 0.698 0.208 0.792
#> ERR315470 2 0.7376 0.698 0.208 0.792
#> ERR315428 2 0.0672 0.877 0.008 0.992
#> ERR315363 2 0.0672 0.877 0.008 0.992
#> ERR315469 2 0.0000 0.881 0.000 1.000
#> ERR315425 2 0.0000 0.881 0.000 1.000
#> ERR315476 2 0.0000 0.881 0.000 1.000
#> ERR315478 2 0.0000 0.881 0.000 1.000
#> ERR315362 2 0.0000 0.881 0.000 1.000
#> ERR315411 2 0.0000 0.881 0.000 1.000
#> ERR315416 2 0.0000 0.881 0.000 1.000
#> ERR315405 2 0.0000 0.881 0.000 1.000
#> ERR315408 2 0.9323 0.551 0.348 0.652
#> ERR315364 2 0.9323 0.551 0.348 0.652
#> ERR315359 2 0.0000 0.881 0.000 1.000
#> ERR315330 2 0.0000 0.881 0.000 1.000
#> ERR315384 2 0.1184 0.870 0.016 0.984
#> ERR315413 2 0.1184 0.870 0.016 0.984
#> ERR315332 2 0.0672 0.877 0.008 0.992
#> ERR315334 2 0.1184 0.871 0.016 0.984
#> ERR315447 2 0.1184 0.871 0.016 0.984
#> ERR315453 2 0.1184 0.871 0.016 0.984
#> ERR315442 2 0.9323 0.551 0.348 0.652
#> ERR315457 2 0.9323 0.551 0.348 0.652
#> ERR315392 1 0.9393 0.991 0.644 0.356
#> ERR315450 1 0.9393 0.991 0.644 0.356
#> ERR315462 2 0.9209 0.565 0.336 0.664
#> ERR315328 2 0.1184 0.870 0.016 0.984
#> ERR315389 2 0.1184 0.870 0.016 0.984
#> ERR315435 2 0.1184 0.870 0.016 0.984
#> ERR315482 2 0.0672 0.877 0.008 0.992
#> ERR315380 2 0.0672 0.877 0.008 0.992
#> ERR315377 2 0.0000 0.881 0.000 1.000
#> ERR315374 2 0.0000 0.881 0.000 1.000
#> ERR315466 2 0.0672 0.877 0.008 0.992
#> ERR315479 2 0.0672 0.877 0.008 0.992
#> ERR315473 2 0.0000 0.881 0.000 1.000
#> ERR315391 1 0.9323 0.995 0.652 0.348
#> ERR315417 1 0.9393 0.991 0.644 0.356
#> ERR315385 1 0.9393 0.991 0.644 0.356
#> ERR315386 2 0.0672 0.877 0.008 0.992
#> ERR315438 2 0.0672 0.877 0.008 0.992
#> ERR315367 2 0.1184 0.870 0.016 0.984
#> ERR315331 2 0.1184 0.870 0.016 0.984
#> ERR315347 2 0.7376 0.698 0.208 0.792
#> ERR315396 2 0.0000 0.881 0.000 1.000
#> ERR315486 2 0.0000 0.881 0.000 1.000
#> ERR315403 2 0.9209 0.565 0.336 0.664
#> ERR315357 2 0.9209 0.565 0.336 0.664
#> ERR315463 2 0.9286 0.556 0.344 0.656
#> ERR315451 2 0.9286 0.556 0.344 0.656
#> ERR315445 2 0.9323 0.551 0.348 0.652
#> ERR315461 2 0.9323 0.551 0.348 0.652
#> ERR315397 2 0.0672 0.877 0.008 0.992
#> ERR315491 2 0.0672 0.877 0.008 0.992
#> ERR315483 2 0.0672 0.877 0.008 0.992
#> ERR315400 2 0.9209 0.565 0.336 0.664
#> ERR315440 2 0.0000 0.881 0.000 1.000
#> ERR315493 2 0.0000 0.881 0.000 1.000
#> ERR315441 2 0.0000 0.881 0.000 1.000
#> ERR315455 1 0.9323 0.995 0.652 0.348
#> ERR315421 2 0.1184 0.871 0.016 0.984
#> ERR315370 2 0.1184 0.871 0.016 0.984
#> ERR315355 2 0.1184 0.871 0.016 0.984
#> ERR315446 1 0.9323 0.995 0.652 0.348
#> ERR315375 2 0.0000 0.881 0.000 1.000
#> ERR315467 2 0.7745 0.679 0.228 0.772
#> ERR315484 2 0.9209 0.565 0.336 0.664
#> ERR315406 2 0.0000 0.881 0.000 1.000
#> ERR315404 2 0.0000 0.881 0.000 1.000
#> ERR315407 2 0.0000 0.881 0.000 1.000
#> ERR315340 2 0.0000 0.881 0.000 1.000
#> ERR315356 2 0.1184 0.870 0.016 0.984
#> ERR315430 2 0.1184 0.870 0.016 0.984
#> ERR315422 2 0.0672 0.877 0.008 0.992
#> ERR315358 2 0.0672 0.877 0.008 0.992
#> ERR315448 2 0.0000 0.881 0.000 1.000
#> ERR315401 2 0.0000 0.881 0.000 1.000
#> ERR315464 2 0.0000 0.881 0.000 1.000
#> ERR315481 2 0.0000 0.881 0.000 1.000
#> ERR315454 2 0.0000 0.881 0.000 1.000
#> ERR315365 2 0.0000 0.881 0.000 1.000
#> ERR315354 2 0.0000 0.881 0.000 1.000
#> ERR315439 2 0.0000 0.881 0.000 1.000
#> ERR315444 2 0.0000 0.881 0.000 1.000
#> ERR315341 2 0.0000 0.881 0.000 1.000
#> ERR315412 2 0.0672 0.877 0.008 0.992
#> ERR315337 2 0.0672 0.877 0.008 0.992
#> ERR315429 2 0.0672 0.877 0.008 0.992
#> ERR315436 2 0.0672 0.877 0.008 0.992
#> ERR315379 2 0.7745 0.679 0.228 0.772
#> ERR315443 2 0.9286 0.556 0.344 0.656
#> ERR315415 1 0.9323 0.995 0.652 0.348
#> ERR315456 1 0.9323 0.995 0.652 0.348
#> ERR315336 2 0.0000 0.881 0.000 1.000
#> ERR315399 2 0.0000 0.881 0.000 1.000
#> ERR315477 1 0.9323 0.995 0.652 0.348
#> ERR315346 2 0.0000 0.881 0.000 1.000
#> ERR315383 2 0.9286 0.556 0.344 0.656
#> ERR315494 2 0.9286 0.556 0.344 0.656
#> ERR315492 1 0.9323 0.995 0.652 0.348
#> ERR315432 1 0.9323 0.995 0.652 0.348
#> ERR315338 2 0.0000 0.881 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.624 0.900 0.000 0.440 0.560
#> ERR315339 2 0.382 0.568 0.148 0.852 0.000
#> ERR315376 2 0.382 0.568 0.148 0.852 0.000
#> ERR315343 2 0.319 0.737 0.000 0.888 0.112
#> ERR315342 2 0.319 0.737 0.000 0.888 0.112
#> ERR315468 3 0.738 0.840 0.052 0.320 0.628
#> ERR315434 2 0.382 0.568 0.148 0.852 0.000
#> ERR315489 2 0.382 0.568 0.148 0.852 0.000
#> ERR315371 2 0.559 0.532 0.304 0.696 0.000
#> ERR315433 2 0.319 0.737 0.000 0.888 0.112
#> ERR315368 2 0.319 0.737 0.000 0.888 0.112
#> ERR315465 2 0.559 0.532 0.304 0.696 0.000
#> ERR315437 2 0.559 0.532 0.304 0.696 0.000
#> ERR315327 3 0.738 0.840 0.052 0.320 0.628
#> ERR315394 3 0.738 0.840 0.052 0.320 0.628
#> ERR315427 2 0.475 0.292 0.000 0.784 0.216
#> ERR315360 2 0.475 0.292 0.000 0.784 0.216
#> ERR315426 2 0.559 0.532 0.304 0.696 0.000
#> ERR315387 2 0.559 0.532 0.304 0.696 0.000
#> ERR315475 2 0.559 0.532 0.304 0.696 0.000
#> ERR315395 2 0.559 0.532 0.304 0.696 0.000
#> ERR315333 2 0.559 0.532 0.304 0.696 0.000
#> ERR315460 2 0.382 0.568 0.148 0.852 0.000
#> ERR315372 2 0.382 0.568 0.148 0.852 0.000
#> ERR315472 2 0.382 0.568 0.148 0.852 0.000
#> ERR315398 2 0.382 0.568 0.148 0.852 0.000
#> ERR315409 3 0.619 0.914 0.000 0.420 0.580
#> ERR315423 3 0.619 0.914 0.000 0.420 0.580
#> ERR315402 2 0.319 0.737 0.000 0.888 0.112
#> ERR315458 2 0.319 0.737 0.000 0.888 0.112
#> ERR315366 2 0.559 0.532 0.304 0.696 0.000
#> ERR315345 2 0.559 0.532 0.304 0.696 0.000
#> ERR315326 2 0.000 0.698 0.000 1.000 0.000
#> ERR315424 2 0.000 0.698 0.000 1.000 0.000
#> ERR315382 2 0.319 0.737 0.000 0.888 0.112
#> ERR315325 2 0.319 0.737 0.000 0.888 0.112
#> ERR315369 2 0.618 -0.571 0.000 0.584 0.416
#> ERR315485 2 0.618 -0.571 0.000 0.584 0.416
#> ERR315420 2 0.319 0.737 0.000 0.888 0.112
#> ERR315459 2 0.319 0.737 0.000 0.888 0.112
#> ERR315353 2 0.000 0.698 0.000 1.000 0.000
#> ERR315487 2 0.000 0.698 0.000 1.000 0.000
#> ERR315378 2 0.319 0.737 0.000 0.888 0.112
#> ERR315431 2 0.319 0.737 0.000 0.888 0.112
#> ERR315335 1 0.947 0.986 0.484 0.208 0.308
#> ERR315452 1 0.947 0.986 0.484 0.208 0.308
#> ERR315471 2 0.559 0.532 0.304 0.696 0.000
#> ERR315390 2 0.559 0.532 0.304 0.696 0.000
#> ERR315329 2 0.559 0.532 0.304 0.696 0.000
#> ERR315393 2 0.559 0.532 0.304 0.696 0.000
#> ERR315488 2 0.559 0.532 0.304 0.696 0.000
#> ERR315351 1 0.939 0.990 0.496 0.200 0.304
#> ERR315350 1 0.939 0.990 0.496 0.200 0.304
#> ERR315381 3 0.619 0.914 0.000 0.420 0.580
#> ERR315388 3 0.619 0.914 0.000 0.420 0.580
#> ERR315418 2 0.319 0.737 0.000 0.888 0.112
#> ERR315449 2 0.319 0.737 0.000 0.888 0.112
#> ERR315490 2 0.319 0.737 0.000 0.888 0.112
#> ERR315495 2 0.319 0.737 0.000 0.888 0.112
#> ERR315361 2 0.319 0.737 0.000 0.888 0.112
#> ERR315419 3 0.619 0.914 0.000 0.420 0.580
#> ERR315344 3 0.619 0.914 0.000 0.420 0.580
#> ERR315414 3 0.738 0.840 0.052 0.320 0.628
#> ERR315352 1 0.939 0.990 0.496 0.200 0.304
#> ERR315410 2 0.327 0.735 0.004 0.892 0.104
#> ERR315349 2 0.475 0.292 0.000 0.784 0.216
#> ERR315474 2 0.475 0.292 0.000 0.784 0.216
#> ERR315470 2 0.475 0.292 0.000 0.784 0.216
#> ERR315428 2 0.319 0.737 0.000 0.888 0.112
#> ERR315363 2 0.319 0.737 0.000 0.888 0.112
#> ERR315469 2 0.559 0.532 0.304 0.696 0.000
#> ERR315425 2 0.559 0.532 0.304 0.696 0.000
#> ERR315476 2 0.304 0.736 0.000 0.896 0.104
#> ERR315478 2 0.304 0.736 0.000 0.896 0.104
#> ERR315362 2 0.382 0.568 0.148 0.852 0.000
#> ERR315411 2 0.382 0.568 0.148 0.852 0.000
#> ERR315416 2 0.559 0.532 0.304 0.696 0.000
#> ERR315405 2 0.559 0.532 0.304 0.696 0.000
#> ERR315408 3 0.619 0.914 0.000 0.420 0.580
#> ERR315364 3 0.619 0.914 0.000 0.420 0.580
#> ERR315359 2 0.327 0.735 0.004 0.892 0.104
#> ERR315330 2 0.327 0.735 0.004 0.892 0.104
#> ERR315384 2 0.334 0.734 0.000 0.880 0.120
#> ERR315413 2 0.334 0.734 0.000 0.880 0.120
#> ERR315332 2 0.319 0.737 0.000 0.888 0.112
#> ERR315334 2 0.103 0.684 0.000 0.976 0.024
#> ERR315447 2 0.103 0.684 0.000 0.976 0.024
#> ERR315453 2 0.103 0.684 0.000 0.976 0.024
#> ERR315442 3 0.619 0.914 0.000 0.420 0.580
#> ERR315457 3 0.619 0.914 0.000 0.420 0.580
#> ERR315392 1 0.947 0.986 0.484 0.208 0.308
#> ERR315450 1 0.947 0.986 0.484 0.208 0.308
#> ERR315462 3 0.624 0.900 0.000 0.440 0.560
#> ERR315328 2 0.334 0.734 0.000 0.880 0.120
#> ERR315389 2 0.334 0.734 0.000 0.880 0.120
#> ERR315435 2 0.334 0.734 0.000 0.880 0.120
#> ERR315482 2 0.319 0.737 0.000 0.888 0.112
#> ERR315380 2 0.319 0.737 0.000 0.888 0.112
#> ERR315377 2 0.304 0.736 0.000 0.896 0.104
#> ERR315374 2 0.304 0.736 0.000 0.896 0.104
#> ERR315466 2 0.319 0.737 0.000 0.888 0.112
#> ERR315479 2 0.319 0.737 0.000 0.888 0.112
#> ERR315473 2 0.559 0.532 0.304 0.696 0.000
#> ERR315391 1 0.939 0.990 0.496 0.200 0.304
#> ERR315417 1 0.947 0.986 0.484 0.208 0.308
#> ERR315385 1 0.947 0.986 0.484 0.208 0.308
#> ERR315386 2 0.319 0.737 0.000 0.888 0.112
#> ERR315438 2 0.319 0.737 0.000 0.888 0.112
#> ERR315367 2 0.334 0.734 0.000 0.880 0.120
#> ERR315331 2 0.334 0.734 0.000 0.880 0.120
#> ERR315347 2 0.475 0.292 0.000 0.784 0.216
#> ERR315396 2 0.559 0.532 0.304 0.696 0.000
#> ERR315486 2 0.559 0.532 0.304 0.696 0.000
#> ERR315403 3 0.624 0.900 0.000 0.440 0.560
#> ERR315357 3 0.624 0.900 0.000 0.440 0.560
#> ERR315463 3 0.738 0.840 0.052 0.320 0.628
#> ERR315451 3 0.738 0.840 0.052 0.320 0.628
#> ERR315445 3 0.619 0.914 0.000 0.420 0.580
#> ERR315461 3 0.619 0.914 0.000 0.420 0.580
#> ERR315397 2 0.319 0.737 0.000 0.888 0.112
#> ERR315491 2 0.319 0.737 0.000 0.888 0.112
#> ERR315483 2 0.319 0.737 0.000 0.888 0.112
#> ERR315400 3 0.624 0.900 0.000 0.440 0.560
#> ERR315440 2 0.559 0.532 0.304 0.696 0.000
#> ERR315493 2 0.559 0.532 0.304 0.696 0.000
#> ERR315441 2 0.559 0.532 0.304 0.696 0.000
#> ERR315455 1 0.944 0.989 0.484 0.200 0.316
#> ERR315421 2 0.103 0.684 0.000 0.976 0.024
#> ERR315370 2 0.103 0.684 0.000 0.976 0.024
#> ERR315355 2 0.103 0.684 0.000 0.976 0.024
#> ERR315446 1 0.939 0.990 0.496 0.200 0.304
#> ERR315375 2 0.304 0.736 0.000 0.896 0.104
#> ERR315467 2 0.618 -0.571 0.000 0.584 0.416
#> ERR315484 3 0.624 0.900 0.000 0.440 0.560
#> ERR315406 2 0.559 0.532 0.304 0.696 0.000
#> ERR315404 2 0.559 0.532 0.304 0.696 0.000
#> ERR315407 2 0.327 0.735 0.004 0.892 0.104
#> ERR315340 2 0.327 0.735 0.004 0.892 0.104
#> ERR315356 2 0.334 0.734 0.000 0.880 0.120
#> ERR315430 2 0.334 0.734 0.000 0.880 0.120
#> ERR315422 2 0.319 0.737 0.000 0.888 0.112
#> ERR315358 2 0.319 0.737 0.000 0.888 0.112
#> ERR315448 2 0.559 0.532 0.304 0.696 0.000
#> ERR315401 2 0.382 0.568 0.148 0.852 0.000
#> ERR315464 2 0.382 0.568 0.148 0.852 0.000
#> ERR315481 2 0.559 0.532 0.304 0.696 0.000
#> ERR315454 2 0.559 0.532 0.304 0.696 0.000
#> ERR315365 2 0.327 0.735 0.004 0.892 0.104
#> ERR315354 2 0.327 0.735 0.004 0.892 0.104
#> ERR315439 2 0.000 0.698 0.000 1.000 0.000
#> ERR315444 2 0.000 0.698 0.000 1.000 0.000
#> ERR315341 2 0.000 0.698 0.000 1.000 0.000
#> ERR315412 2 0.319 0.737 0.000 0.888 0.112
#> ERR315337 2 0.319 0.737 0.000 0.888 0.112
#> ERR315429 2 0.319 0.737 0.000 0.888 0.112
#> ERR315436 2 0.319 0.737 0.000 0.888 0.112
#> ERR315379 2 0.618 -0.571 0.000 0.584 0.416
#> ERR315443 3 0.738 0.840 0.052 0.320 0.628
#> ERR315415 1 0.939 0.990 0.496 0.200 0.304
#> ERR315456 1 0.939 0.990 0.496 0.200 0.304
#> ERR315336 2 0.304 0.736 0.000 0.896 0.104
#> ERR315399 2 0.304 0.736 0.000 0.896 0.104
#> ERR315477 1 0.944 0.989 0.484 0.200 0.316
#> ERR315346 2 0.000 0.698 0.000 1.000 0.000
#> ERR315383 3 0.738 0.840 0.052 0.320 0.628
#> ERR315494 3 0.738 0.840 0.052 0.320 0.628
#> ERR315492 1 0.939 0.990 0.496 0.200 0.304
#> ERR315432 1 0.944 0.989 0.484 0.200 0.316
#> ERR315338 2 0.559 0.532 0.304 0.696 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.6195 0.854 0.100 0.000 0.648 0.252
#> ERR315339 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315376 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315343 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315342 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315468 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315434 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315489 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315371 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315433 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315368 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315465 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315437 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315327 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315394 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315427 4 0.7028 0.219 0.196 0.000 0.228 0.576
#> ERR315360 4 0.7028 0.219 0.196 0.000 0.228 0.576
#> ERR315426 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315387 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315475 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315395 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315333 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315460 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315372 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315472 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315398 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315409 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315423 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315402 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315458 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315366 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315345 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315326 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315424 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315382 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315325 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315369 3 0.7388 0.710 0.192 0.000 0.504 0.304
#> ERR315485 3 0.7388 0.710 0.192 0.000 0.504 0.304
#> ERR315420 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315459 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315353 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315487 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315378 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315431 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315335 2 0.3764 0.867 0.000 0.784 0.000 0.216
#> ERR315452 2 0.3764 0.867 0.000 0.784 0.000 0.216
#> ERR315471 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315390 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315329 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315393 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315488 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315351 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315350 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315381 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315388 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315418 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315449 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315490 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315495 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315361 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315419 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315344 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315414 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315352 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315410 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315349 4 0.7028 0.219 0.196 0.000 0.228 0.576
#> ERR315474 4 0.7028 0.219 0.196 0.000 0.228 0.576
#> ERR315470 4 0.7028 0.219 0.196 0.000 0.228 0.576
#> ERR315428 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315363 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315469 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315425 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315476 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315478 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315362 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315411 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315416 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315405 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315408 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315364 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315359 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315330 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315384 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315413 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315332 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315334 4 0.4590 0.668 0.192 0.000 0.036 0.772
#> ERR315447 4 0.4590 0.668 0.192 0.000 0.036 0.772
#> ERR315453 4 0.4590 0.668 0.192 0.000 0.036 0.772
#> ERR315442 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315457 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315392 2 0.3764 0.867 0.000 0.784 0.000 0.216
#> ERR315450 2 0.3764 0.867 0.000 0.784 0.000 0.216
#> ERR315462 3 0.6195 0.854 0.100 0.000 0.648 0.252
#> ERR315328 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315389 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315435 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315482 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315380 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315377 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315374 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315466 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315479 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315473 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315391 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315417 2 0.3764 0.867 0.000 0.784 0.000 0.216
#> ERR315385 2 0.3764 0.867 0.000 0.784 0.000 0.216
#> ERR315386 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315438 4 0.0000 0.813 0.000 0.000 0.000 1.000
#> ERR315367 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315331 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315347 4 0.7028 0.219 0.196 0.000 0.228 0.576
#> ERR315396 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315486 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315403 3 0.6195 0.854 0.100 0.000 0.648 0.252
#> ERR315357 3 0.6195 0.854 0.100 0.000 0.648 0.252
#> ERR315463 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315451 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315445 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315461 3 0.6227 0.862 0.100 0.004 0.664 0.232
#> ERR315397 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315491 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315483 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315400 3 0.6195 0.854 0.100 0.000 0.648 0.252
#> ERR315440 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315493 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315441 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315455 2 0.3688 0.865 0.000 0.792 0.000 0.208
#> ERR315421 4 0.4590 0.668 0.192 0.000 0.036 0.772
#> ERR315370 4 0.4590 0.668 0.192 0.000 0.036 0.772
#> ERR315355 4 0.4590 0.668 0.192 0.000 0.036 0.772
#> ERR315446 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315375 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315467 3 0.7388 0.710 0.192 0.000 0.504 0.304
#> ERR315484 3 0.6195 0.854 0.100 0.000 0.648 0.252
#> ERR315406 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315404 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315407 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315340 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315356 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315430 4 0.2796 0.706 0.096 0.008 0.004 0.892
#> ERR315422 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315358 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315448 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315401 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315464 4 0.5300 0.374 0.408 0.000 0.012 0.580
#> ERR315481 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315454 1 0.4454 1.000 0.692 0.000 0.000 0.308
#> ERR315365 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315354 4 0.0804 0.809 0.008 0.000 0.012 0.980
#> ERR315439 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315444 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315341 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315412 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315337 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315429 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315436 4 0.0188 0.812 0.000 0.000 0.004 0.996
#> ERR315379 3 0.7388 0.710 0.192 0.000 0.504 0.304
#> ERR315443 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315415 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315456 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315336 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315399 4 0.0469 0.811 0.000 0.000 0.012 0.988
#> ERR315477 2 0.3688 0.865 0.000 0.792 0.000 0.208
#> ERR315346 4 0.4019 0.685 0.196 0.000 0.012 0.792
#> ERR315383 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315494 3 0.7511 0.713 0.000 0.196 0.468 0.336
#> ERR315492 2 0.7516 0.854 0.000 0.472 0.328 0.200
#> ERR315432 2 0.3688 0.865 0.000 0.792 0.000 0.208
#> ERR315338 1 0.4454 1.000 0.692 0.000 0.000 0.308
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.616 0.799 0.248 0.000 0.556 0.196 0.000
#> ERR315339 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315376 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315343 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315342 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315468 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315434 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315489 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315371 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315433 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315368 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315465 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315437 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315327 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315394 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315427 4 0.363 0.342 0.204 0.000 0.016 0.780 0.000
#> ERR315360 4 0.363 0.342 0.204 0.000 0.016 0.780 0.000
#> ERR315426 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315387 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315475 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315395 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315333 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315460 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315372 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315472 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315398 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315409 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315423 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315402 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315458 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315366 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315345 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315326 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315424 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315382 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315325 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315369 3 0.650 0.693 0.200 0.000 0.460 0.340 0.000
#> ERR315485 3 0.650 0.693 0.200 0.000 0.460 0.340 0.000
#> ERR315420 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315459 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315353 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315487 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315378 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315431 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315335 2 0.342 0.984 0.000 0.760 0.000 0.000 0.240
#> ERR315452 2 0.342 0.984 0.000 0.760 0.000 0.000 0.240
#> ERR315471 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315390 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315329 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315393 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315488 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315351 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315350 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315381 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315388 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315418 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315449 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315490 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315495 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315361 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315419 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315344 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315414 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315352 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315410 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315349 4 0.363 0.342 0.204 0.000 0.016 0.780 0.000
#> ERR315474 4 0.363 0.342 0.204 0.000 0.016 0.780 0.000
#> ERR315470 4 0.363 0.342 0.204 0.000 0.016 0.780 0.000
#> ERR315428 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315363 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315469 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315425 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315476 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315478 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315362 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315411 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315416 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315405 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315408 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315364 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315359 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315330 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315384 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315413 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315332 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315334 4 0.408 0.574 0.016 0.200 0.016 0.768 0.000
#> ERR315447 4 0.408 0.574 0.016 0.200 0.016 0.768 0.000
#> ERR315453 4 0.408 0.574 0.016 0.200 0.016 0.768 0.000
#> ERR315442 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315457 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315392 2 0.342 0.984 0.000 0.760 0.000 0.000 0.240
#> ERR315450 2 0.342 0.984 0.000 0.760 0.000 0.000 0.240
#> ERR315462 3 0.616 0.799 0.248 0.000 0.556 0.196 0.000
#> ERR315328 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315389 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315435 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315482 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315380 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315377 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315374 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315466 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315479 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315473 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315391 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315417 2 0.342 0.984 0.000 0.760 0.000 0.000 0.240
#> ERR315385 2 0.342 0.984 0.000 0.760 0.000 0.000 0.240
#> ERR315386 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315438 4 0.636 0.723 0.000 0.388 0.164 0.448 0.000
#> ERR315367 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315331 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315347 4 0.363 0.342 0.204 0.000 0.016 0.780 0.000
#> ERR315396 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315486 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315403 3 0.616 0.799 0.248 0.000 0.556 0.196 0.000
#> ERR315357 3 0.616 0.799 0.248 0.000 0.556 0.196 0.000
#> ERR315463 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315451 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315445 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315461 3 0.652 0.804 0.240 0.000 0.564 0.176 0.020
#> ERR315397 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315491 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315483 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315400 3 0.616 0.799 0.248 0.000 0.556 0.196 0.000
#> ERR315440 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315493 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315441 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315455 2 0.373 0.967 0.000 0.748 0.008 0.000 0.244
#> ERR315421 4 0.408 0.574 0.016 0.200 0.016 0.768 0.000
#> ERR315370 4 0.408 0.574 0.016 0.200 0.016 0.768 0.000
#> ERR315355 4 0.408 0.574 0.016 0.200 0.016 0.768 0.000
#> ERR315446 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315375 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315467 3 0.650 0.693 0.200 0.000 0.460 0.340 0.000
#> ERR315484 3 0.616 0.799 0.248 0.000 0.556 0.196 0.000
#> ERR315406 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315404 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315407 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315340 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315356 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315430 4 0.931 0.464 0.060 0.264 0.168 0.320 0.188
#> ERR315422 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315358 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315448 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315401 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315464 4 0.000 0.448 0.000 0.000 0.000 1.000 0.000
#> ERR315481 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315454 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
#> ERR315365 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315354 4 0.690 0.712 0.000 0.284 0.160 0.520 0.036
#> ERR315439 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315444 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315341 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315412 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315337 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315429 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315436 4 0.638 0.722 0.000 0.388 0.168 0.444 0.000
#> ERR315379 3 0.650 0.693 0.200 0.000 0.460 0.340 0.000
#> ERR315443 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315415 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315456 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315336 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315399 4 0.622 0.717 0.000 0.328 0.160 0.512 0.000
#> ERR315477 2 0.373 0.967 0.000 0.748 0.008 0.000 0.244
#> ERR315346 4 0.333 0.586 0.004 0.208 0.000 0.788 0.000
#> ERR315383 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315494 3 0.160 0.532 0.000 0.012 0.940 0.000 0.048
#> ERR315492 5 0.345 1.000 0.000 0.244 0.000 0.000 0.756
#> ERR315432 2 0.373 0.967 0.000 0.748 0.008 0.000 0.244
#> ERR315338 1 0.348 1.000 0.752 0.248 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.2706 0.778 0.000 0.008 0.832 0.160 0.000 0.0
#> ERR315339 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315376 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315343 5 0.4105 0.812 0.016 0.004 0.000 0.332 0.648 0.0
#> ERR315342 5 0.4105 0.812 0.016 0.004 0.000 0.332 0.648 0.0
#> ERR315468 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315434 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315489 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315371 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315433 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315368 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315465 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315437 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315327 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315394 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315427 4 0.3529 0.712 0.004 0.036 0.172 0.788 0.000 0.0
#> ERR315360 4 0.3529 0.712 0.004 0.036 0.172 0.788 0.000 0.0
#> ERR315426 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315387 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315475 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315395 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315333 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315460 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315372 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315472 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315398 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315409 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315423 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315402 5 0.4134 0.812 0.016 0.004 0.000 0.340 0.640 0.0
#> ERR315458 5 0.4134 0.812 0.016 0.004 0.000 0.340 0.640 0.0
#> ERR315366 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315345 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315326 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315424 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315382 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315325 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315369 3 0.4219 0.619 0.000 0.036 0.660 0.304 0.000 0.0
#> ERR315485 3 0.4219 0.619 0.000 0.036 0.660 0.304 0.000 0.0
#> ERR315420 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315459 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315353 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315487 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315378 5 0.4105 0.812 0.016 0.004 0.000 0.332 0.648 0.0
#> ERR315431 5 0.4105 0.812 0.016 0.004 0.000 0.332 0.648 0.0
#> ERR315335 2 0.1453 0.988 0.008 0.944 0.000 0.040 0.008 0.0
#> ERR315452 2 0.1453 0.988 0.008 0.944 0.000 0.040 0.008 0.0
#> ERR315471 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315390 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315329 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315393 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315488 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315351 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315350 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315381 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315388 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315418 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315449 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315490 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315495 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315361 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315419 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315344 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315414 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315352 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315410 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315349 4 0.3529 0.712 0.004 0.036 0.172 0.788 0.000 0.0
#> ERR315474 4 0.3529 0.712 0.004 0.036 0.172 0.788 0.000 0.0
#> ERR315470 4 0.3529 0.712 0.004 0.036 0.172 0.788 0.000 0.0
#> ERR315428 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315363 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315469 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315425 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315476 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315478 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315362 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315411 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315416 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315405 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315408 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315364 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315359 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315330 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315384 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315413 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315332 5 0.4105 0.812 0.016 0.004 0.000 0.332 0.648 0.0
#> ERR315334 4 0.1088 0.779 0.024 0.000 0.016 0.960 0.000 0.0
#> ERR315447 4 0.1088 0.779 0.024 0.000 0.016 0.960 0.000 0.0
#> ERR315453 4 0.1088 0.779 0.024 0.000 0.016 0.960 0.000 0.0
#> ERR315442 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315457 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315392 2 0.1453 0.988 0.008 0.944 0.000 0.040 0.008 0.0
#> ERR315450 2 0.1453 0.988 0.008 0.944 0.000 0.040 0.008 0.0
#> ERR315462 3 0.2706 0.778 0.000 0.008 0.832 0.160 0.000 0.0
#> ERR315328 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315389 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315435 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315482 5 0.4134 0.812 0.016 0.004 0.000 0.340 0.640 0.0
#> ERR315380 5 0.4134 0.812 0.016 0.004 0.000 0.340 0.640 0.0
#> ERR315377 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315374 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315466 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315479 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315473 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315391 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315417 2 0.1453 0.988 0.008 0.944 0.000 0.040 0.008 0.0
#> ERR315385 2 0.1453 0.988 0.008 0.944 0.000 0.040 0.008 0.0
#> ERR315386 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315438 5 0.4148 0.811 0.016 0.004 0.000 0.344 0.636 0.0
#> ERR315367 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315331 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315347 4 0.3529 0.712 0.004 0.036 0.172 0.788 0.000 0.0
#> ERR315396 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315486 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315403 3 0.2706 0.778 0.000 0.008 0.832 0.160 0.000 0.0
#> ERR315357 3 0.2706 0.778 0.000 0.008 0.832 0.160 0.000 0.0
#> ERR315463 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315451 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315445 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315461 3 0.2178 0.783 0.000 0.000 0.868 0.132 0.000 0.0
#> ERR315397 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315491 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315483 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315400 3 0.2706 0.778 0.000 0.008 0.832 0.160 0.000 0.0
#> ERR315440 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315493 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315441 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315455 2 0.1124 0.975 0.008 0.956 0.000 0.036 0.000 0.0
#> ERR315421 4 0.1088 0.779 0.024 0.000 0.016 0.960 0.000 0.0
#> ERR315370 4 0.1088 0.779 0.024 0.000 0.016 0.960 0.000 0.0
#> ERR315355 4 0.1088 0.779 0.024 0.000 0.016 0.960 0.000 0.0
#> ERR315446 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315375 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315467 3 0.4219 0.619 0.000 0.036 0.660 0.304 0.000 0.0
#> ERR315484 3 0.2706 0.778 0.000 0.008 0.832 0.160 0.000 0.0
#> ERR315406 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315404 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315407 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315340 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315356 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315430 5 0.0000 0.518 0.000 0.000 0.000 0.000 1.000 0.0
#> ERR315422 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315358 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315448 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315401 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315464 4 0.2915 0.795 0.184 0.008 0.000 0.808 0.000 0.0
#> ERR315481 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315454 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
#> ERR315365 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315354 5 0.5416 0.627 0.008 0.104 0.000 0.340 0.548 0.0
#> ERR315439 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315444 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315341 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315412 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315337 5 0.5723 0.799 0.016 0.004 0.108 0.328 0.544 0.0
#> ERR315429 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315436 5 0.5667 0.798 0.020 0.000 0.108 0.328 0.544 0.0
#> ERR315379 3 0.4219 0.619 0.000 0.036 0.660 0.304 0.000 0.0
#> ERR315443 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315415 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315456 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315336 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315399 5 0.4310 0.739 0.020 0.000 0.000 0.440 0.540 0.0
#> ERR315477 2 0.1124 0.975 0.008 0.956 0.000 0.036 0.000 0.0
#> ERR315346 4 0.0806 0.766 0.020 0.000 0.000 0.972 0.008 0.0
#> ERR315383 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315494 3 0.4690 0.488 0.000 0.000 0.552 0.000 0.048 0.4
#> ERR315492 6 0.4646 1.000 0.008 0.356 0.000 0.036 0.000 0.6
#> ERR315432 2 0.1124 0.975 0.008 0.956 0.000 0.036 0.000 0.0
#> ERR315338 1 0.2664 1.000 0.816 0.000 0.000 0.184 0.000 0.0
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "kmeans"]
# you can also extract it by
# res = res_list["CV:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.1597 0.474 0.725 0.3382 0.763 0.763
#> 3 3 0.0998 0.516 0.599 0.4936 0.714 0.647
#> 4 4 0.1543 0.540 0.675 0.2220 0.799 0.655
#> 5 5 0.3021 0.507 0.650 0.1137 0.938 0.845
#> 6 6 0.4326 0.441 0.643 0.0767 0.970 0.914
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.969 0.9599 0.604 0.396
#> ERR315339 2 0.844 0.4526 0.272 0.728
#> ERR315376 2 0.844 0.4526 0.272 0.728
#> ERR315343 2 0.118 0.6358 0.016 0.984
#> ERR315342 2 0.118 0.6358 0.016 0.984
#> ERR315468 2 0.706 0.4044 0.192 0.808
#> ERR315434 2 0.871 0.4277 0.292 0.708
#> ERR315489 2 0.871 0.4277 0.292 0.708
#> ERR315371 2 0.988 0.0458 0.436 0.564
#> ERR315433 2 0.184 0.6339 0.028 0.972
#> ERR315368 2 0.184 0.6339 0.028 0.972
#> ERR315465 2 0.994 -0.0334 0.456 0.544
#> ERR315437 2 0.994 -0.0334 0.456 0.544
#> ERR315327 2 0.788 0.3629 0.236 0.764
#> ERR315394 2 0.788 0.3629 0.236 0.764
#> ERR315427 2 0.839 0.3548 0.268 0.732
#> ERR315360 2 0.839 0.3548 0.268 0.732
#> ERR315426 2 0.988 0.0458 0.436 0.564
#> ERR315387 2 0.988 0.0458 0.436 0.564
#> ERR315475 2 0.988 0.0458 0.436 0.564
#> ERR315395 2 0.993 0.0345 0.452 0.548
#> ERR315333 2 0.993 0.0345 0.452 0.548
#> ERR315460 2 0.844 0.4526 0.272 0.728
#> ERR315372 2 0.844 0.4526 0.272 0.728
#> ERR315472 2 0.855 0.4393 0.280 0.720
#> ERR315398 2 0.855 0.4393 0.280 0.720
#> ERR315409 1 0.969 0.9599 0.604 0.396
#> ERR315423 1 0.969 0.9599 0.604 0.396
#> ERR315402 2 0.224 0.6323 0.036 0.964
#> ERR315458 2 0.224 0.6323 0.036 0.964
#> ERR315366 2 0.995 -0.0478 0.460 0.540
#> ERR315345 2 0.995 -0.0478 0.460 0.540
#> ERR315326 2 0.802 0.4457 0.244 0.756
#> ERR315424 2 0.802 0.4457 0.244 0.756
#> ERR315382 2 0.373 0.6269 0.072 0.928
#> ERR315325 2 0.373 0.6269 0.072 0.928
#> ERR315369 1 0.973 0.9438 0.596 0.404
#> ERR315485 1 0.973 0.9438 0.596 0.404
#> ERR315420 2 0.373 0.6269 0.072 0.928
#> ERR315459 2 0.373 0.6269 0.072 0.928
#> ERR315353 2 0.802 0.4457 0.244 0.756
#> ERR315487 2 0.802 0.4457 0.244 0.756
#> ERR315378 2 0.118 0.6358 0.016 0.984
#> ERR315431 2 0.118 0.6358 0.016 0.984
#> ERR315335 2 0.402 0.6090 0.080 0.920
#> ERR315452 2 0.402 0.6090 0.080 0.920
#> ERR315471 2 0.988 0.0458 0.436 0.564
#> ERR315390 2 0.988 0.0458 0.436 0.564
#> ERR315329 2 0.988 0.0458 0.436 0.564
#> ERR315393 2 0.988 0.0458 0.436 0.564
#> ERR315488 2 0.988 0.0458 0.436 0.564
#> ERR315351 2 0.781 0.5073 0.232 0.768
#> ERR315350 2 0.781 0.5073 0.232 0.768
#> ERR315381 1 0.969 0.9599 0.604 0.396
#> ERR315388 1 0.969 0.9599 0.604 0.396
#> ERR315418 2 0.373 0.6269 0.072 0.928
#> ERR315449 2 0.373 0.6269 0.072 0.928
#> ERR315490 2 0.184 0.6339 0.028 0.972
#> ERR315495 2 0.184 0.6339 0.028 0.972
#> ERR315361 2 0.184 0.6339 0.028 0.972
#> ERR315419 1 0.969 0.9599 0.604 0.396
#> ERR315344 1 0.969 0.9599 0.604 0.396
#> ERR315414 2 0.788 0.3629 0.236 0.764
#> ERR315352 2 0.781 0.5073 0.232 0.768
#> ERR315410 2 0.388 0.6207 0.076 0.924
#> ERR315349 2 0.980 -0.3042 0.416 0.584
#> ERR315474 2 0.980 -0.3042 0.416 0.584
#> ERR315470 2 0.980 -0.3042 0.416 0.584
#> ERR315428 2 0.184 0.6339 0.028 0.972
#> ERR315363 2 0.184 0.6339 0.028 0.972
#> ERR315469 2 0.993 0.0345 0.452 0.548
#> ERR315425 2 0.993 0.0345 0.452 0.548
#> ERR315476 2 0.615 0.5745 0.152 0.848
#> ERR315478 2 0.615 0.5745 0.152 0.848
#> ERR315362 2 0.855 0.4393 0.280 0.720
#> ERR315411 2 0.855 0.4393 0.280 0.720
#> ERR315416 2 0.988 0.0458 0.436 0.564
#> ERR315405 2 0.988 0.0458 0.436 0.564
#> ERR315408 1 0.969 0.9599 0.604 0.396
#> ERR315364 1 0.969 0.9599 0.604 0.396
#> ERR315359 2 0.278 0.6238 0.048 0.952
#> ERR315330 2 0.278 0.6238 0.048 0.952
#> ERR315384 2 0.327 0.6273 0.060 0.940
#> ERR315413 2 0.327 0.6273 0.060 0.940
#> ERR315332 2 0.141 0.6366 0.020 0.980
#> ERR315334 2 0.971 -0.0843 0.400 0.600
#> ERR315447 2 0.971 -0.0843 0.400 0.600
#> ERR315453 2 0.971 -0.0843 0.400 0.600
#> ERR315442 1 0.969 0.9599 0.604 0.396
#> ERR315457 1 0.969 0.9599 0.604 0.396
#> ERR315392 2 0.402 0.6090 0.080 0.920
#> ERR315450 2 0.402 0.6090 0.080 0.920
#> ERR315462 1 0.969 0.9599 0.604 0.396
#> ERR315328 2 0.327 0.6273 0.060 0.940
#> ERR315389 2 0.327 0.6273 0.060 0.940
#> ERR315435 2 0.327 0.6273 0.060 0.940
#> ERR315482 2 0.224 0.6323 0.036 0.964
#> ERR315380 2 0.224 0.6323 0.036 0.964
#> ERR315377 2 0.615 0.5745 0.152 0.848
#> ERR315374 2 0.615 0.5745 0.152 0.848
#> ERR315466 2 0.343 0.6269 0.064 0.936
#> ERR315479 2 0.343 0.6269 0.064 0.936
#> ERR315473 2 0.988 0.0458 0.436 0.564
#> ERR315391 2 0.781 0.5073 0.232 0.768
#> ERR315417 2 0.402 0.6090 0.080 0.920
#> ERR315385 2 0.402 0.6090 0.080 0.920
#> ERR315386 2 0.141 0.6349 0.020 0.980
#> ERR315438 2 0.141 0.6349 0.020 0.980
#> ERR315367 2 0.327 0.6273 0.060 0.940
#> ERR315331 2 0.327 0.6273 0.060 0.940
#> ERR315347 2 0.983 -0.3411 0.424 0.576
#> ERR315396 2 0.993 0.0345 0.452 0.548
#> ERR315486 2 0.993 0.0345 0.452 0.548
#> ERR315403 1 0.969 0.9599 0.604 0.396
#> ERR315357 1 0.969 0.9599 0.604 0.396
#> ERR315463 2 0.788 0.3629 0.236 0.764
#> ERR315451 2 0.788 0.3629 0.236 0.764
#> ERR315445 1 0.969 0.9599 0.604 0.396
#> ERR315461 1 0.969 0.9599 0.604 0.396
#> ERR315397 2 0.184 0.6339 0.028 0.972
#> ERR315491 2 0.184 0.6339 0.028 0.972
#> ERR315483 2 0.184 0.6339 0.028 0.972
#> ERR315400 1 0.969 0.9599 0.604 0.396
#> ERR315440 2 0.988 0.0458 0.436 0.564
#> ERR315493 2 0.988 0.0458 0.436 0.564
#> ERR315441 2 0.988 0.0458 0.436 0.564
#> ERR315455 2 0.563 0.5628 0.132 0.868
#> ERR315421 2 0.808 0.4173 0.248 0.752
#> ERR315370 2 0.808 0.4173 0.248 0.752
#> ERR315355 2 0.808 0.4173 0.248 0.752
#> ERR315446 2 0.781 0.5073 0.232 0.768
#> ERR315375 2 0.615 0.5745 0.152 0.848
#> ERR315467 2 0.998 -0.5300 0.476 0.524
#> ERR315484 1 0.969 0.9599 0.604 0.396
#> ERR315406 2 0.993 0.0345 0.452 0.548
#> ERR315404 2 0.993 0.0345 0.452 0.548
#> ERR315407 2 0.278 0.6238 0.048 0.952
#> ERR315340 2 0.278 0.6238 0.048 0.952
#> ERR315356 2 0.327 0.6273 0.060 0.940
#> ERR315430 2 0.327 0.6273 0.060 0.940
#> ERR315422 2 0.184 0.6339 0.028 0.972
#> ERR315358 2 0.184 0.6339 0.028 0.972
#> ERR315448 2 0.988 0.0458 0.436 0.564
#> ERR315401 2 0.844 0.4526 0.272 0.728
#> ERR315464 2 0.844 0.4526 0.272 0.728
#> ERR315481 1 0.958 0.5943 0.620 0.380
#> ERR315454 1 0.958 0.5943 0.620 0.380
#> ERR315365 2 0.278 0.6238 0.048 0.952
#> ERR315354 2 0.278 0.6238 0.048 0.952
#> ERR315439 2 0.788 0.4593 0.236 0.764
#> ERR315444 2 0.788 0.4593 0.236 0.764
#> ERR315341 2 0.795 0.4537 0.240 0.760
#> ERR315412 2 0.184 0.6339 0.028 0.972
#> ERR315337 2 0.184 0.6339 0.028 0.972
#> ERR315429 2 0.343 0.6269 0.064 0.936
#> ERR315436 2 0.343 0.6269 0.064 0.936
#> ERR315379 1 0.973 0.9438 0.596 0.404
#> ERR315443 2 0.706 0.4044 0.192 0.808
#> ERR315415 2 0.781 0.5073 0.232 0.768
#> ERR315456 2 0.781 0.5073 0.232 0.768
#> ERR315336 2 0.615 0.5745 0.152 0.848
#> ERR315399 2 0.615 0.5745 0.152 0.848
#> ERR315477 2 0.563 0.5628 0.132 0.868
#> ERR315346 2 0.795 0.4537 0.240 0.760
#> ERR315383 2 0.706 0.4044 0.192 0.808
#> ERR315494 2 0.706 0.4044 0.192 0.808
#> ERR315492 2 0.781 0.5073 0.232 0.768
#> ERR315432 2 0.563 0.5628 0.132 0.868
#> ERR315338 2 0.988 0.0458 0.436 0.564
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 1 0.930 0.4756 0.516 0.204 0.280
#> ERR315339 2 0.911 0.3681 0.148 0.488 0.364
#> ERR315376 2 0.911 0.3681 0.148 0.488 0.364
#> ERR315343 2 0.203 0.6634 0.016 0.952 0.032
#> ERR315342 2 0.203 0.6634 0.016 0.952 0.032
#> ERR315468 2 0.691 0.5729 0.120 0.736 0.144
#> ERR315434 2 0.913 0.3646 0.148 0.480 0.372
#> ERR315489 2 0.913 0.3646 0.148 0.480 0.372
#> ERR315371 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315433 2 0.238 0.6624 0.008 0.936 0.056
#> ERR315368 2 0.238 0.6624 0.008 0.936 0.056
#> ERR315465 1 0.601 0.5958 0.664 0.332 0.004
#> ERR315437 1 0.601 0.5958 0.664 0.332 0.004
#> ERR315327 2 0.756 0.5247 0.160 0.692 0.148
#> ERR315394 2 0.756 0.5247 0.160 0.692 0.148
#> ERR315427 2 0.862 0.3057 0.264 0.588 0.148
#> ERR315360 2 0.862 0.3057 0.264 0.588 0.148
#> ERR315426 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315387 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315475 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315395 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315333 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315460 2 0.911 0.3681 0.148 0.488 0.364
#> ERR315372 2 0.911 0.3681 0.148 0.488 0.364
#> ERR315472 2 0.906 0.3737 0.144 0.492 0.364
#> ERR315398 2 0.906 0.3737 0.144 0.492 0.364
#> ERR315409 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315423 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315402 2 0.206 0.6626 0.008 0.948 0.044
#> ERR315458 2 0.206 0.6626 0.008 0.948 0.044
#> ERR315366 1 0.601 0.5958 0.664 0.332 0.004
#> ERR315345 1 0.601 0.5958 0.664 0.332 0.004
#> ERR315326 2 0.884 0.3382 0.256 0.572 0.172
#> ERR315424 2 0.884 0.3382 0.256 0.572 0.172
#> ERR315382 2 0.468 0.6526 0.020 0.832 0.148
#> ERR315325 2 0.468 0.6526 0.020 0.832 0.148
#> ERR315369 1 0.933 0.4678 0.508 0.200 0.292
#> ERR315485 1 0.933 0.4678 0.508 0.200 0.292
#> ERR315420 2 0.468 0.6526 0.020 0.832 0.148
#> ERR315459 2 0.468 0.6526 0.020 0.832 0.148
#> ERR315353 2 0.884 0.3382 0.256 0.572 0.172
#> ERR315487 2 0.884 0.3382 0.256 0.572 0.172
#> ERR315378 2 0.203 0.6634 0.016 0.952 0.032
#> ERR315431 2 0.203 0.6634 0.016 0.952 0.032
#> ERR315335 2 0.486 0.6164 0.020 0.820 0.160
#> ERR315452 2 0.486 0.6164 0.020 0.820 0.160
#> ERR315471 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315390 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315329 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315393 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315488 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315351 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315350 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315381 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315388 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315418 2 0.468 0.6526 0.020 0.832 0.148
#> ERR315449 2 0.468 0.6526 0.020 0.832 0.148
#> ERR315490 2 0.250 0.6650 0.004 0.928 0.068
#> ERR315495 2 0.250 0.6650 0.004 0.928 0.068
#> ERR315361 2 0.250 0.6650 0.004 0.928 0.068
#> ERR315419 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315344 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315414 2 0.751 0.5289 0.156 0.696 0.148
#> ERR315352 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315410 2 0.421 0.6685 0.016 0.856 0.128
#> ERR315349 2 0.953 0.0305 0.356 0.448 0.196
#> ERR315474 2 0.953 0.0305 0.356 0.448 0.196
#> ERR315470 2 0.953 0.0305 0.356 0.448 0.196
#> ERR315428 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315363 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315469 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315425 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315476 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315478 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315362 2 0.902 0.3787 0.140 0.496 0.364
#> ERR315411 2 0.902 0.3787 0.140 0.496 0.364
#> ERR315416 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315405 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315408 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315364 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315359 2 0.433 0.6631 0.012 0.844 0.144
#> ERR315330 2 0.433 0.6631 0.012 0.844 0.144
#> ERR315384 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315413 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315332 2 0.203 0.6634 0.016 0.952 0.032
#> ERR315334 2 0.940 -0.1629 0.412 0.416 0.172
#> ERR315447 2 0.940 -0.1629 0.412 0.416 0.172
#> ERR315453 2 0.940 -0.1629 0.412 0.416 0.172
#> ERR315442 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315457 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315392 2 0.486 0.6164 0.020 0.820 0.160
#> ERR315450 2 0.486 0.6164 0.020 0.820 0.160
#> ERR315462 1 0.942 0.4522 0.500 0.216 0.284
#> ERR315328 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315389 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315435 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315482 2 0.206 0.6626 0.008 0.948 0.044
#> ERR315380 2 0.206 0.6626 0.008 0.948 0.044
#> ERR315377 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315374 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315466 2 0.341 0.6602 0.028 0.904 0.068
#> ERR315479 2 0.341 0.6602 0.028 0.904 0.068
#> ERR315473 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315391 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315417 2 0.486 0.6164 0.020 0.820 0.160
#> ERR315385 2 0.486 0.6164 0.020 0.820 0.160
#> ERR315386 2 0.238 0.6653 0.008 0.936 0.056
#> ERR315438 2 0.238 0.6653 0.008 0.936 0.056
#> ERR315367 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315331 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315347 2 0.968 -0.0635 0.368 0.416 0.216
#> ERR315396 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315486 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315403 1 0.930 0.4756 0.516 0.204 0.280
#> ERR315357 1 0.930 0.4756 0.516 0.204 0.280
#> ERR315463 2 0.756 0.5247 0.160 0.692 0.148
#> ERR315451 2 0.756 0.5247 0.160 0.692 0.148
#> ERR315445 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315461 1 0.928 0.4769 0.520 0.204 0.276
#> ERR315397 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315491 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315483 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315400 1 0.930 0.4756 0.516 0.204 0.280
#> ERR315440 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315493 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315441 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315455 2 0.594 0.5575 0.020 0.732 0.248
#> ERR315421 2 0.875 0.2837 0.292 0.564 0.144
#> ERR315370 2 0.875 0.2837 0.292 0.564 0.144
#> ERR315355 2 0.875 0.2837 0.292 0.564 0.144
#> ERR315446 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315375 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315467 2 0.972 -0.1993 0.388 0.392 0.220
#> ERR315484 1 0.930 0.4756 0.516 0.204 0.280
#> ERR315406 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315404 1 0.716 0.5819 0.640 0.316 0.044
#> ERR315407 2 0.433 0.6631 0.012 0.844 0.144
#> ERR315340 2 0.433 0.6631 0.012 0.844 0.144
#> ERR315356 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315430 2 0.426 0.6490 0.036 0.868 0.096
#> ERR315422 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315358 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315448 1 0.579 0.5963 0.668 0.332 0.000
#> ERR315401 2 0.911 0.3681 0.148 0.488 0.364
#> ERR315464 2 0.911 0.3681 0.148 0.488 0.364
#> ERR315481 1 0.522 0.5635 0.800 0.176 0.024
#> ERR315454 1 0.522 0.5635 0.800 0.176 0.024
#> ERR315365 2 0.433 0.6631 0.012 0.844 0.144
#> ERR315354 2 0.433 0.6631 0.012 0.844 0.144
#> ERR315439 2 0.877 0.3541 0.252 0.580 0.168
#> ERR315444 2 0.877 0.3541 0.252 0.580 0.168
#> ERR315341 2 0.881 0.3473 0.252 0.576 0.172
#> ERR315412 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315337 2 0.241 0.6689 0.020 0.940 0.040
#> ERR315429 2 0.341 0.6602 0.028 0.904 0.068
#> ERR315436 2 0.341 0.6602 0.028 0.904 0.068
#> ERR315379 1 0.939 0.4575 0.500 0.204 0.296
#> ERR315443 2 0.732 0.5409 0.128 0.708 0.164
#> ERR315415 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315456 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315336 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315399 2 0.736 0.5069 0.188 0.700 0.112
#> ERR315477 2 0.594 0.5575 0.020 0.732 0.248
#> ERR315346 2 0.878 0.3553 0.248 0.580 0.172
#> ERR315383 2 0.732 0.5409 0.128 0.708 0.164
#> ERR315494 2 0.732 0.5409 0.128 0.708 0.164
#> ERR315492 2 0.721 0.4395 0.032 0.584 0.384
#> ERR315432 2 0.594 0.5575 0.020 0.732 0.248
#> ERR315338 1 0.579 0.5963 0.668 0.332 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.304 0.7854 0.020 0.080 0.892 0.008
#> ERR315339 4 0.859 0.9893 0.052 0.332 0.180 0.436
#> ERR315376 4 0.859 0.9893 0.052 0.332 0.180 0.436
#> ERR315343 2 0.253 0.5592 0.024 0.920 0.008 0.048
#> ERR315342 2 0.253 0.5592 0.024 0.920 0.008 0.048
#> ERR315468 2 0.822 0.2715 0.120 0.580 0.156 0.144
#> ERR315434 4 0.873 0.9894 0.060 0.332 0.184 0.424
#> ERR315489 4 0.873 0.9894 0.060 0.332 0.184 0.424
#> ERR315371 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315433 2 0.228 0.5562 0.012 0.932 0.020 0.036
#> ERR315368 2 0.228 0.5562 0.012 0.932 0.020 0.036
#> ERR315465 1 0.651 0.9269 0.640 0.188 0.172 0.000
#> ERR315437 1 0.651 0.9269 0.640 0.188 0.172 0.000
#> ERR315327 2 0.908 0.1210 0.120 0.460 0.252 0.168
#> ERR315394 2 0.908 0.1210 0.120 0.460 0.252 0.168
#> ERR315427 2 0.890 -0.1094 0.148 0.452 0.300 0.100
#> ERR315360 2 0.890 -0.1094 0.148 0.452 0.300 0.100
#> ERR315426 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315387 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315475 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315395 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315333 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315460 4 0.859 0.9893 0.052 0.332 0.180 0.436
#> ERR315372 4 0.859 0.9893 0.052 0.332 0.180 0.436
#> ERR315472 4 0.873 0.9894 0.060 0.332 0.184 0.424
#> ERR315398 4 0.873 0.9894 0.060 0.332 0.184 0.424
#> ERR315409 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315423 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315402 2 0.244 0.5626 0.016 0.924 0.012 0.048
#> ERR315458 2 0.244 0.5626 0.016 0.924 0.012 0.048
#> ERR315366 1 0.651 0.9269 0.640 0.188 0.172 0.000
#> ERR315345 1 0.651 0.9269 0.640 0.188 0.172 0.000
#> ERR315326 2 0.928 -0.0966 0.196 0.444 0.224 0.136
#> ERR315424 2 0.928 -0.0966 0.196 0.444 0.224 0.136
#> ERR315382 2 0.660 0.3625 0.052 0.688 0.072 0.188
#> ERR315325 2 0.660 0.3625 0.052 0.688 0.072 0.188
#> ERR315369 3 0.373 0.7738 0.032 0.088 0.864 0.016
#> ERR315485 3 0.373 0.7738 0.032 0.088 0.864 0.016
#> ERR315420 2 0.646 0.3783 0.052 0.696 0.064 0.188
#> ERR315459 2 0.646 0.3783 0.052 0.696 0.064 0.188
#> ERR315353 2 0.926 -0.0937 0.196 0.448 0.220 0.136
#> ERR315487 2 0.926 -0.0937 0.196 0.448 0.220 0.136
#> ERR315378 2 0.253 0.5592 0.024 0.920 0.008 0.048
#> ERR315431 2 0.253 0.5592 0.024 0.920 0.008 0.048
#> ERR315335 2 0.453 0.5238 0.044 0.820 0.020 0.116
#> ERR315452 2 0.453 0.5238 0.044 0.820 0.020 0.116
#> ERR315471 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315390 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315329 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315393 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315488 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315351 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315350 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315381 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315388 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315418 2 0.646 0.3783 0.052 0.696 0.064 0.188
#> ERR315449 2 0.646 0.3783 0.052 0.696 0.064 0.188
#> ERR315490 2 0.266 0.5525 0.012 0.916 0.024 0.048
#> ERR315495 2 0.266 0.5525 0.012 0.916 0.024 0.048
#> ERR315361 2 0.266 0.5525 0.012 0.916 0.024 0.048
#> ERR315419 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315344 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315414 2 0.904 0.1260 0.116 0.464 0.252 0.168
#> ERR315352 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315410 2 0.479 0.4830 0.032 0.800 0.028 0.140
#> ERR315349 3 0.822 0.2214 0.088 0.308 0.512 0.092
#> ERR315474 3 0.822 0.2214 0.088 0.308 0.512 0.092
#> ERR315470 3 0.822 0.2214 0.088 0.308 0.512 0.092
#> ERR315428 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315363 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315469 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315425 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315476 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315478 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315362 4 0.873 0.9894 0.060 0.332 0.184 0.424
#> ERR315411 4 0.873 0.9894 0.060 0.332 0.184 0.424
#> ERR315416 1 0.705 0.9382 0.604 0.212 0.176 0.008
#> ERR315405 1 0.705 0.9382 0.604 0.212 0.176 0.008
#> ERR315408 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315364 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315359 2 0.534 0.4470 0.020 0.768 0.064 0.148
#> ERR315330 2 0.534 0.4470 0.020 0.768 0.064 0.148
#> ERR315384 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315413 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315332 2 0.253 0.5592 0.024 0.920 0.008 0.048
#> ERR315334 3 0.982 -0.2144 0.232 0.292 0.308 0.168
#> ERR315447 3 0.982 -0.2144 0.232 0.292 0.308 0.168
#> ERR315453 3 0.982 -0.2144 0.232 0.292 0.308 0.168
#> ERR315442 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315457 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315392 2 0.453 0.5238 0.044 0.820 0.020 0.116
#> ERR315450 2 0.453 0.5238 0.044 0.820 0.020 0.116
#> ERR315462 3 0.337 0.7737 0.020 0.092 0.876 0.012
#> ERR315328 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315389 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315435 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315482 2 0.244 0.5626 0.016 0.924 0.012 0.048
#> ERR315380 2 0.244 0.5626 0.016 0.924 0.012 0.048
#> ERR315377 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315374 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315466 2 0.558 0.5084 0.048 0.768 0.056 0.128
#> ERR315479 2 0.558 0.5084 0.048 0.768 0.056 0.128
#> ERR315473 1 0.702 0.9384 0.608 0.208 0.176 0.008
#> ERR315391 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315417 2 0.453 0.5238 0.044 0.820 0.020 0.116
#> ERR315385 2 0.453 0.5238 0.044 0.820 0.020 0.116
#> ERR315386 2 0.257 0.5546 0.012 0.920 0.024 0.044
#> ERR315438 2 0.257 0.5546 0.012 0.920 0.024 0.044
#> ERR315367 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315331 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315347 3 0.817 0.2643 0.092 0.284 0.532 0.092
#> ERR315396 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315486 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315403 3 0.324 0.7836 0.028 0.080 0.884 0.008
#> ERR315357 3 0.324 0.7836 0.028 0.080 0.884 0.008
#> ERR315463 2 0.908 0.1210 0.120 0.460 0.252 0.168
#> ERR315451 2 0.908 0.1210 0.120 0.460 0.252 0.168
#> ERR315445 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315461 3 0.234 0.7894 0.000 0.080 0.912 0.008
#> ERR315397 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315491 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315483 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315400 3 0.304 0.7854 0.020 0.080 0.892 0.008
#> ERR315440 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315493 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315441 1 0.667 0.9419 0.620 0.212 0.168 0.000
#> ERR315455 2 0.573 0.4636 0.060 0.728 0.020 0.192
#> ERR315421 2 0.937 -0.2370 0.160 0.428 0.248 0.164
#> ERR315370 2 0.937 -0.2370 0.160 0.428 0.248 0.164
#> ERR315355 2 0.937 -0.2370 0.160 0.428 0.248 0.164
#> ERR315446 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315375 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315467 3 0.698 0.4552 0.088 0.244 0.632 0.036
#> ERR315484 3 0.304 0.7854 0.020 0.080 0.892 0.008
#> ERR315406 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315404 1 0.751 0.8940 0.604 0.172 0.188 0.036
#> ERR315407 2 0.534 0.4470 0.020 0.768 0.064 0.148
#> ERR315340 2 0.534 0.4470 0.020 0.768 0.064 0.148
#> ERR315356 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315430 2 0.502 0.5009 0.056 0.800 0.032 0.112
#> ERR315422 2 0.445 0.5323 0.060 0.828 0.016 0.096
#> ERR315358 2 0.445 0.5323 0.060 0.828 0.016 0.096
#> ERR315448 1 0.705 0.9382 0.604 0.212 0.176 0.008
#> ERR315401 4 0.859 0.9893 0.052 0.332 0.180 0.436
#> ERR315464 4 0.859 0.9893 0.052 0.332 0.180 0.436
#> ERR315481 1 0.619 0.7658 0.644 0.096 0.260 0.000
#> ERR315454 1 0.619 0.7658 0.644 0.096 0.260 0.000
#> ERR315365 2 0.534 0.4470 0.020 0.768 0.064 0.148
#> ERR315354 2 0.534 0.4470 0.020 0.768 0.064 0.148
#> ERR315439 2 0.926 -0.0937 0.196 0.448 0.220 0.136
#> ERR315444 2 0.926 -0.0937 0.196 0.448 0.220 0.136
#> ERR315341 2 0.926 -0.0937 0.196 0.448 0.220 0.136
#> ERR315412 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315337 2 0.462 0.5311 0.060 0.820 0.020 0.100
#> ERR315429 2 0.558 0.5084 0.048 0.768 0.056 0.128
#> ERR315436 2 0.558 0.5084 0.048 0.768 0.056 0.128
#> ERR315379 3 0.390 0.7683 0.032 0.092 0.856 0.020
#> ERR315443 2 0.858 0.2229 0.120 0.536 0.200 0.144
#> ERR315415 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315456 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315336 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315399 2 0.783 0.2050 0.144 0.616 0.108 0.132
#> ERR315477 2 0.573 0.4636 0.060 0.728 0.020 0.192
#> ERR315346 2 0.924 -0.0903 0.196 0.452 0.216 0.136
#> ERR315383 2 0.858 0.2229 0.120 0.536 0.200 0.144
#> ERR315494 2 0.858 0.2229 0.120 0.536 0.200 0.144
#> ERR315492 2 0.736 0.2936 0.088 0.564 0.036 0.312
#> ERR315432 2 0.573 0.4636 0.060 0.728 0.020 0.192
#> ERR315338 1 0.705 0.9382 0.604 0.212 0.176 0.008
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.434 0.8440 0.124 0.020 0.804 0.036 0.016
#> ERR315339 5 0.634 0.9781 0.044 0.004 0.072 0.292 0.588
#> ERR315376 5 0.634 0.9781 0.044 0.004 0.072 0.292 0.588
#> ERR315343 4 0.291 0.4507 0.020 0.040 0.004 0.892 0.044
#> ERR315342 4 0.291 0.4507 0.020 0.040 0.004 0.892 0.044
#> ERR315468 4 0.863 0.1567 0.064 0.128 0.172 0.476 0.160
#> ERR315434 5 0.630 0.9634 0.048 0.000 0.080 0.280 0.592
#> ERR315489 5 0.630 0.9634 0.048 0.000 0.080 0.280 0.592
#> ERR315371 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315433 4 0.317 0.3649 0.012 0.068 0.008 0.876 0.036
#> ERR315368 4 0.317 0.3649 0.012 0.068 0.008 0.876 0.036
#> ERR315465 1 0.350 0.8707 0.836 0.004 0.024 0.128 0.008
#> ERR315437 1 0.350 0.8707 0.836 0.004 0.024 0.128 0.008
#> ERR315327 4 0.898 0.1044 0.072 0.132 0.252 0.404 0.140
#> ERR315394 4 0.898 0.1044 0.072 0.132 0.252 0.404 0.140
#> ERR315427 4 0.884 0.0661 0.244 0.056 0.160 0.416 0.124
#> ERR315360 4 0.884 0.0661 0.244 0.056 0.160 0.416 0.124
#> ERR315426 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315387 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315475 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315395 1 0.556 0.8155 0.724 0.072 0.008 0.144 0.052
#> ERR315333 1 0.556 0.8155 0.724 0.072 0.008 0.144 0.052
#> ERR315460 5 0.626 0.9784 0.048 0.000 0.072 0.292 0.588
#> ERR315372 5 0.626 0.9784 0.048 0.000 0.072 0.292 0.588
#> ERR315472 5 0.636 0.9759 0.048 0.000 0.080 0.292 0.580
#> ERR315398 5 0.636 0.9759 0.048 0.000 0.080 0.292 0.580
#> ERR315409 3 0.285 0.8504 0.092 0.000 0.872 0.036 0.000
#> ERR315423 3 0.285 0.8504 0.092 0.000 0.872 0.036 0.000
#> ERR315402 4 0.249 0.3716 0.008 0.056 0.000 0.904 0.032
#> ERR315458 4 0.249 0.3716 0.008 0.056 0.000 0.904 0.032
#> ERR315366 1 0.350 0.8707 0.836 0.004 0.024 0.128 0.008
#> ERR315345 1 0.350 0.8707 0.836 0.004 0.024 0.128 0.008
#> ERR315326 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315424 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315382 4 0.660 0.2337 0.024 0.048 0.064 0.608 0.256
#> ERR315325 4 0.660 0.2337 0.024 0.048 0.064 0.608 0.256
#> ERR315369 3 0.557 0.8152 0.140 0.040 0.736 0.044 0.040
#> ERR315485 3 0.557 0.8152 0.140 0.040 0.736 0.044 0.040
#> ERR315420 4 0.662 0.2361 0.024 0.048 0.064 0.604 0.260
#> ERR315459 4 0.662 0.2361 0.024 0.048 0.064 0.604 0.260
#> ERR315353 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315487 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315378 4 0.291 0.4507 0.020 0.040 0.004 0.892 0.044
#> ERR315431 4 0.291 0.4507 0.020 0.040 0.004 0.892 0.044
#> ERR315335 4 0.556 -0.1418 0.012 0.228 0.016 0.680 0.064
#> ERR315452 4 0.556 -0.1418 0.012 0.228 0.016 0.680 0.064
#> ERR315471 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315390 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315329 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315393 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315488 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315351 2 0.609 0.9916 0.024 0.528 0.016 0.396 0.036
#> ERR315350 2 0.609 0.9916 0.024 0.528 0.016 0.396 0.036
#> ERR315381 3 0.285 0.8504 0.092 0.000 0.872 0.036 0.000
#> ERR315388 3 0.285 0.8504 0.092 0.000 0.872 0.036 0.000
#> ERR315418 4 0.662 0.2361 0.024 0.048 0.064 0.604 0.260
#> ERR315449 4 0.662 0.2361 0.024 0.048 0.064 0.604 0.260
#> ERR315490 4 0.342 0.3605 0.012 0.072 0.012 0.864 0.040
#> ERR315495 4 0.342 0.3605 0.012 0.072 0.012 0.864 0.040
#> ERR315361 4 0.342 0.3605 0.012 0.072 0.012 0.864 0.040
#> ERR315419 3 0.301 0.8505 0.092 0.004 0.868 0.036 0.000
#> ERR315344 3 0.301 0.8505 0.092 0.004 0.868 0.036 0.000
#> ERR315414 4 0.898 0.1044 0.072 0.132 0.252 0.404 0.140
#> ERR315352 2 0.576 0.9950 0.016 0.544 0.012 0.396 0.032
#> ERR315410 4 0.567 0.3679 0.012 0.096 0.028 0.708 0.156
#> ERR315349 3 0.893 0.2237 0.180 0.052 0.372 0.280 0.116
#> ERR315474 3 0.893 0.2237 0.180 0.052 0.372 0.280 0.116
#> ERR315470 3 0.893 0.2237 0.180 0.052 0.372 0.280 0.116
#> ERR315428 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315363 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315469 1 0.566 0.8156 0.720 0.076 0.012 0.144 0.048
#> ERR315425 1 0.566 0.8156 0.720 0.076 0.012 0.144 0.048
#> ERR315476 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315478 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315362 5 0.636 0.9759 0.048 0.000 0.080 0.292 0.580
#> ERR315411 5 0.636 0.9759 0.048 0.000 0.080 0.292 0.580
#> ERR315416 1 0.383 0.8814 0.812 0.004 0.024 0.148 0.012
#> ERR315405 1 0.383 0.8814 0.812 0.004 0.024 0.148 0.012
#> ERR315408 3 0.285 0.8504 0.092 0.000 0.872 0.036 0.000
#> ERR315364 3 0.285 0.8504 0.092 0.000 0.872 0.036 0.000
#> ERR315359 4 0.595 0.3394 0.012 0.076 0.044 0.684 0.184
#> ERR315330 4 0.595 0.3394 0.012 0.076 0.044 0.684 0.184
#> ERR315384 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315413 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315332 4 0.291 0.4507 0.020 0.040 0.004 0.892 0.044
#> ERR315334 1 0.907 -0.0627 0.340 0.036 0.172 0.248 0.204
#> ERR315447 1 0.907 -0.0627 0.340 0.036 0.172 0.248 0.204
#> ERR315453 1 0.907 -0.0627 0.340 0.036 0.172 0.248 0.204
#> ERR315442 3 0.301 0.8505 0.092 0.004 0.868 0.036 0.000
#> ERR315457 3 0.301 0.8505 0.092 0.004 0.868 0.036 0.000
#> ERR315392 4 0.556 -0.1418 0.012 0.228 0.016 0.680 0.064
#> ERR315450 4 0.556 -0.1418 0.012 0.228 0.016 0.680 0.064
#> ERR315462 3 0.439 0.8425 0.120 0.020 0.804 0.036 0.020
#> ERR315328 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315389 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315435 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315482 4 0.256 0.3690 0.008 0.060 0.000 0.900 0.032
#> ERR315380 4 0.256 0.3690 0.008 0.060 0.000 0.900 0.032
#> ERR315377 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315374 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315466 4 0.578 0.4402 0.016 0.052 0.068 0.712 0.152
#> ERR315479 4 0.578 0.4402 0.016 0.052 0.068 0.712 0.152
#> ERR315473 1 0.383 0.8814 0.812 0.004 0.024 0.148 0.012
#> ERR315391 2 0.609 0.9916 0.024 0.528 0.016 0.396 0.036
#> ERR315417 4 0.556 -0.1418 0.012 0.228 0.016 0.680 0.064
#> ERR315385 4 0.556 -0.1418 0.012 0.228 0.016 0.680 0.064
#> ERR315386 4 0.336 0.3700 0.012 0.068 0.012 0.868 0.040
#> ERR315438 4 0.336 0.3700 0.012 0.068 0.012 0.868 0.040
#> ERR315367 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315331 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315347 3 0.886 0.2797 0.180 0.052 0.400 0.252 0.116
#> ERR315396 1 0.556 0.8155 0.724 0.072 0.008 0.144 0.052
#> ERR315486 1 0.556 0.8155 0.724 0.072 0.008 0.144 0.052
#> ERR315403 3 0.434 0.8440 0.124 0.020 0.804 0.036 0.016
#> ERR315357 3 0.434 0.8440 0.124 0.020 0.804 0.036 0.016
#> ERR315463 4 0.898 0.1044 0.072 0.132 0.252 0.404 0.140
#> ERR315451 4 0.898 0.1044 0.072 0.132 0.252 0.404 0.140
#> ERR315445 3 0.301 0.8505 0.092 0.004 0.868 0.036 0.000
#> ERR315461 3 0.301 0.8505 0.092 0.004 0.868 0.036 0.000
#> ERR315397 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315491 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315483 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315400 3 0.434 0.8440 0.124 0.020 0.804 0.036 0.016
#> ERR315440 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315493 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315441 1 0.319 0.8832 0.832 0.000 0.020 0.148 0.000
#> ERR315455 4 0.611 -0.4984 0.012 0.340 0.016 0.568 0.064
#> ERR315421 4 0.889 -0.0151 0.252 0.040 0.132 0.380 0.196
#> ERR315370 4 0.889 -0.0151 0.252 0.040 0.132 0.380 0.196
#> ERR315355 4 0.889 -0.0151 0.252 0.040 0.132 0.380 0.196
#> ERR315446 2 0.576 0.9950 0.016 0.544 0.012 0.396 0.032
#> ERR315375 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315467 3 0.816 0.4645 0.236 0.040 0.472 0.188 0.064
#> ERR315484 3 0.434 0.8440 0.124 0.020 0.804 0.036 0.016
#> ERR315406 1 0.560 0.8155 0.724 0.072 0.012 0.144 0.048
#> ERR315404 1 0.560 0.8155 0.724 0.072 0.012 0.144 0.048
#> ERR315407 4 0.595 0.3394 0.012 0.076 0.044 0.684 0.184
#> ERR315340 4 0.595 0.3394 0.012 0.076 0.044 0.684 0.184
#> ERR315356 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315430 4 0.601 0.3427 0.020 0.144 0.032 0.692 0.112
#> ERR315422 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315358 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315448 1 0.383 0.8814 0.812 0.004 0.024 0.148 0.012
#> ERR315401 5 0.626 0.9784 0.048 0.000 0.072 0.292 0.588
#> ERR315464 5 0.626 0.9784 0.048 0.000 0.072 0.292 0.588
#> ERR315481 1 0.350 0.7984 0.852 0.004 0.064 0.072 0.008
#> ERR315454 1 0.350 0.7984 0.852 0.004 0.064 0.072 0.008
#> ERR315365 4 0.595 0.3394 0.012 0.076 0.044 0.684 0.184
#> ERR315354 4 0.595 0.3394 0.012 0.076 0.044 0.684 0.184
#> ERR315439 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315444 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315341 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315412 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315337 4 0.536 0.4420 0.024 0.052 0.048 0.752 0.124
#> ERR315429 4 0.578 0.4402 0.016 0.052 0.068 0.712 0.152
#> ERR315436 4 0.578 0.4402 0.016 0.052 0.068 0.712 0.152
#> ERR315379 3 0.560 0.8124 0.136 0.040 0.736 0.044 0.044
#> ERR315443 4 0.879 0.1244 0.064 0.124 0.212 0.444 0.156
#> ERR315415 2 0.576 0.9950 0.016 0.544 0.012 0.396 0.032
#> ERR315456 2 0.576 0.9950 0.016 0.544 0.012 0.396 0.032
#> ERR315336 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315399 4 0.790 0.2870 0.152 0.116 0.048 0.556 0.128
#> ERR315477 4 0.611 -0.4984 0.012 0.340 0.016 0.568 0.064
#> ERR315346 4 0.878 0.0911 0.240 0.048 0.136 0.420 0.156
#> ERR315383 4 0.879 0.1244 0.064 0.124 0.212 0.444 0.156
#> ERR315494 4 0.879 0.1244 0.064 0.124 0.212 0.444 0.156
#> ERR315492 2 0.576 0.9950 0.016 0.544 0.012 0.396 0.032
#> ERR315432 4 0.611 -0.4984 0.012 0.340 0.016 0.568 0.064
#> ERR315338 1 0.383 0.8814 0.812 0.004 0.024 0.148 0.012
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.469 0.78553 0.088 0.028 0.780 0.032 0.060 0.012
#> ERR315339 6 0.583 0.98051 0.040 0.016 0.084 0.188 0.012 0.660
#> ERR315376 6 0.583 0.98051 0.040 0.016 0.084 0.188 0.012 0.660
#> ERR315343 4 0.465 0.27854 0.064 0.036 0.016 0.788 0.068 0.028
#> ERR315342 4 0.465 0.27854 0.064 0.036 0.016 0.788 0.068 0.028
#> ERR315468 4 0.711 -0.60696 0.012 0.024 0.084 0.448 0.356 0.076
#> ERR315434 6 0.516 0.98053 0.032 0.008 0.080 0.192 0.000 0.688
#> ERR315489 6 0.516 0.98053 0.032 0.008 0.080 0.192 0.000 0.688
#> ERR315371 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315433 4 0.375 0.35560 0.032 0.048 0.000 0.836 0.036 0.048
#> ERR315368 4 0.375 0.35560 0.032 0.048 0.000 0.836 0.036 0.048
#> ERR315465 1 0.170 0.85892 0.936 0.004 0.008 0.040 0.000 0.012
#> ERR315437 1 0.170 0.85892 0.936 0.004 0.008 0.040 0.000 0.012
#> ERR315327 5 0.732 1.00000 0.040 0.000 0.136 0.372 0.388 0.064
#> ERR315394 5 0.732 1.00000 0.040 0.000 0.136 0.372 0.388 0.064
#> ERR315427 4 0.899 -0.00847 0.128 0.020 0.148 0.340 0.188 0.176
#> ERR315360 4 0.899 -0.00847 0.128 0.020 0.148 0.340 0.188 0.176
#> ERR315426 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315387 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315475 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315395 1 0.502 0.77520 0.744 0.068 0.000 0.044 0.108 0.036
#> ERR315333 1 0.502 0.77520 0.744 0.068 0.000 0.044 0.108 0.036
#> ERR315460 6 0.583 0.98051 0.040 0.016 0.084 0.188 0.012 0.660
#> ERR315372 6 0.583 0.98051 0.040 0.016 0.084 0.188 0.012 0.660
#> ERR315472 6 0.516 0.98053 0.032 0.008 0.080 0.192 0.000 0.688
#> ERR315398 6 0.516 0.98053 0.032 0.008 0.080 0.192 0.000 0.688
#> ERR315409 3 0.247 0.79649 0.080 0.000 0.884 0.032 0.000 0.004
#> ERR315423 3 0.247 0.79649 0.080 0.000 0.884 0.032 0.000 0.004
#> ERR315402 4 0.303 0.32486 0.036 0.048 0.000 0.872 0.036 0.008
#> ERR315458 4 0.303 0.32486 0.036 0.048 0.000 0.872 0.036 0.008
#> ERR315366 1 0.207 0.85686 0.924 0.008 0.008 0.040 0.008 0.012
#> ERR315345 1 0.207 0.85686 0.924 0.008 0.008 0.040 0.008 0.012
#> ERR315326 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315424 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315382 4 0.676 0.05458 0.024 0.036 0.032 0.588 0.128 0.192
#> ERR315325 4 0.676 0.05458 0.024 0.036 0.032 0.588 0.128 0.192
#> ERR315369 3 0.615 0.72485 0.088 0.020 0.676 0.040 0.120 0.056
#> ERR315485 3 0.615 0.72485 0.088 0.020 0.676 0.040 0.120 0.056
#> ERR315420 4 0.674 0.05352 0.024 0.036 0.032 0.592 0.128 0.188
#> ERR315459 4 0.674 0.05352 0.024 0.036 0.032 0.592 0.128 0.188
#> ERR315353 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315487 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315378 4 0.465 0.27854 0.064 0.036 0.016 0.788 0.068 0.028
#> ERR315431 4 0.465 0.27854 0.064 0.036 0.016 0.788 0.068 0.028
#> ERR315335 4 0.603 -0.15975 0.016 0.256 0.016 0.608 0.076 0.028
#> ERR315452 4 0.603 -0.15975 0.016 0.256 0.016 0.608 0.076 0.028
#> ERR315471 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315390 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315329 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315393 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315488 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315351 2 0.487 0.99596 0.020 0.636 0.004 0.308 0.004 0.028
#> ERR315350 2 0.487 0.99596 0.020 0.636 0.004 0.308 0.004 0.028
#> ERR315381 3 0.247 0.79649 0.080 0.000 0.884 0.032 0.000 0.004
#> ERR315388 3 0.247 0.79649 0.080 0.000 0.884 0.032 0.000 0.004
#> ERR315418 4 0.674 0.05352 0.024 0.036 0.032 0.592 0.128 0.188
#> ERR315449 4 0.674 0.05352 0.024 0.036 0.032 0.592 0.128 0.188
#> ERR315490 4 0.395 0.35655 0.032 0.048 0.004 0.828 0.036 0.052
#> ERR315495 4 0.395 0.35655 0.032 0.048 0.004 0.828 0.036 0.052
#> ERR315361 4 0.395 0.35655 0.032 0.048 0.004 0.828 0.036 0.052
#> ERR315419 3 0.273 0.79631 0.080 0.000 0.876 0.032 0.004 0.008
#> ERR315344 3 0.273 0.79631 0.080 0.000 0.876 0.032 0.004 0.008
#> ERR315414 5 0.732 1.00000 0.040 0.000 0.136 0.372 0.388 0.064
#> ERR315352 2 0.460 0.99758 0.020 0.644 0.000 0.308 0.000 0.028
#> ERR315410 4 0.607 0.29665 0.016 0.068 0.016 0.660 0.084 0.156
#> ERR315349 3 0.910 0.08507 0.104 0.020 0.276 0.236 0.188 0.176
#> ERR315474 3 0.910 0.08507 0.104 0.020 0.276 0.236 0.188 0.176
#> ERR315470 3 0.910 0.08507 0.104 0.020 0.276 0.236 0.188 0.176
#> ERR315428 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315363 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315469 1 0.502 0.77520 0.744 0.068 0.000 0.044 0.108 0.036
#> ERR315425 1 0.502 0.77520 0.744 0.068 0.000 0.044 0.108 0.036
#> ERR315476 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315478 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315362 6 0.516 0.98053 0.032 0.008 0.080 0.192 0.000 0.688
#> ERR315411 6 0.516 0.98053 0.032 0.008 0.080 0.192 0.000 0.688
#> ERR315416 1 0.220 0.86150 0.916 0.012 0.008 0.048 0.008 0.008
#> ERR315405 1 0.220 0.86150 0.916 0.012 0.008 0.048 0.008 0.008
#> ERR315408 3 0.247 0.79649 0.080 0.000 0.884 0.032 0.000 0.004
#> ERR315364 3 0.247 0.79649 0.080 0.000 0.884 0.032 0.000 0.004
#> ERR315359 4 0.623 0.27878 0.012 0.060 0.036 0.644 0.068 0.180
#> ERR315330 4 0.623 0.27878 0.012 0.060 0.036 0.644 0.068 0.180
#> ERR315384 4 0.638 0.11185 0.032 0.096 0.012 0.580 0.256 0.024
#> ERR315413 4 0.638 0.11185 0.032 0.096 0.012 0.580 0.256 0.024
#> ERR315332 4 0.465 0.27854 0.064 0.036 0.016 0.788 0.068 0.028
#> ERR315334 1 0.912 -0.21973 0.264 0.016 0.156 0.168 0.144 0.252
#> ERR315447 1 0.912 -0.21973 0.264 0.016 0.156 0.168 0.144 0.252
#> ERR315453 1 0.912 -0.21973 0.264 0.016 0.156 0.168 0.144 0.252
#> ERR315442 3 0.273 0.79631 0.080 0.000 0.876 0.032 0.004 0.008
#> ERR315457 3 0.273 0.79631 0.080 0.000 0.876 0.032 0.004 0.008
#> ERR315392 4 0.603 -0.15975 0.016 0.256 0.016 0.608 0.076 0.028
#> ERR315450 4 0.603 -0.15975 0.016 0.256 0.016 0.608 0.076 0.028
#> ERR315462 3 0.466 0.78248 0.080 0.028 0.784 0.036 0.060 0.012
#> ERR315328 4 0.638 0.11185 0.032 0.096 0.012 0.580 0.256 0.024
#> ERR315389 4 0.638 0.11185 0.032 0.096 0.012 0.580 0.256 0.024
#> ERR315435 4 0.638 0.11185 0.032 0.096 0.012 0.580 0.256 0.024
#> ERR315482 4 0.313 0.32710 0.036 0.048 0.000 0.868 0.036 0.012
#> ERR315380 4 0.313 0.32710 0.036 0.048 0.000 0.868 0.036 0.012
#> ERR315377 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315374 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315466 4 0.574 0.08346 0.044 0.024 0.028 0.692 0.160 0.052
#> ERR315479 4 0.574 0.08346 0.044 0.024 0.028 0.692 0.160 0.052
#> ERR315473 1 0.220 0.86150 0.916 0.012 0.008 0.048 0.008 0.008
#> ERR315391 2 0.487 0.99596 0.020 0.636 0.004 0.308 0.004 0.028
#> ERR315417 4 0.603 -0.15975 0.016 0.256 0.016 0.608 0.076 0.028
#> ERR315385 4 0.603 -0.15975 0.016 0.256 0.016 0.608 0.076 0.028
#> ERR315386 4 0.401 0.35730 0.036 0.040 0.004 0.824 0.036 0.060
#> ERR315438 4 0.401 0.35730 0.036 0.040 0.004 0.824 0.036 0.060
#> ERR315367 4 0.658 0.11149 0.032 0.116 0.016 0.580 0.228 0.028
#> ERR315331 4 0.658 0.11149 0.032 0.116 0.016 0.580 0.228 0.028
#> ERR315347 3 0.908 0.11175 0.104 0.020 0.292 0.220 0.188 0.176
#> ERR315396 1 0.500 0.77505 0.744 0.068 0.000 0.044 0.112 0.032
#> ERR315486 1 0.500 0.77505 0.744 0.068 0.000 0.044 0.112 0.032
#> ERR315403 3 0.479 0.78324 0.092 0.028 0.772 0.032 0.064 0.012
#> ERR315357 3 0.479 0.78324 0.092 0.028 0.772 0.032 0.064 0.012
#> ERR315463 5 0.732 1.00000 0.040 0.000 0.136 0.372 0.388 0.064
#> ERR315451 5 0.732 1.00000 0.040 0.000 0.136 0.372 0.388 0.064
#> ERR315445 3 0.273 0.79631 0.080 0.000 0.876 0.032 0.004 0.008
#> ERR315461 3 0.273 0.79631 0.080 0.000 0.876 0.032 0.004 0.008
#> ERR315397 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315491 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315483 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315400 3 0.469 0.78553 0.088 0.028 0.780 0.032 0.060 0.012
#> ERR315440 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315493 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315441 1 0.148 0.86436 0.940 0.004 0.008 0.048 0.000 0.000
#> ERR315455 4 0.646 -0.31770 0.012 0.312 0.024 0.540 0.072 0.040
#> ERR315421 4 0.902 -0.06112 0.168 0.016 0.132 0.288 0.140 0.256
#> ERR315370 4 0.902 -0.06112 0.168 0.016 0.132 0.288 0.140 0.256
#> ERR315355 4 0.902 -0.06112 0.168 0.016 0.132 0.288 0.140 0.256
#> ERR315446 2 0.460 0.99758 0.020 0.644 0.000 0.308 0.000 0.028
#> ERR315375 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315467 3 0.841 0.38412 0.160 0.024 0.440 0.136 0.164 0.076
#> ERR315484 3 0.469 0.78553 0.088 0.028 0.780 0.032 0.060 0.012
#> ERR315406 1 0.500 0.77505 0.744 0.068 0.000 0.044 0.112 0.032
#> ERR315404 1 0.500 0.77505 0.744 0.068 0.000 0.044 0.112 0.032
#> ERR315407 4 0.623 0.27878 0.012 0.060 0.036 0.644 0.068 0.180
#> ERR315340 4 0.623 0.27878 0.012 0.060 0.036 0.644 0.068 0.180
#> ERR315356 4 0.658 0.11149 0.032 0.116 0.016 0.580 0.228 0.028
#> ERR315430 4 0.658 0.11149 0.032 0.116 0.016 0.580 0.228 0.028
#> ERR315422 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315358 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315448 1 0.220 0.86150 0.916 0.012 0.008 0.048 0.008 0.008
#> ERR315401 6 0.583 0.98051 0.040 0.016 0.084 0.188 0.012 0.660
#> ERR315464 6 0.583 0.98051 0.040 0.016 0.084 0.188 0.012 0.660
#> ERR315481 1 0.250 0.82688 0.908 0.008 0.020 0.028 0.024 0.012
#> ERR315454 1 0.250 0.82688 0.908 0.008 0.020 0.028 0.024 0.012
#> ERR315365 4 0.623 0.27878 0.012 0.060 0.036 0.644 0.068 0.180
#> ERR315354 4 0.623 0.27878 0.012 0.060 0.036 0.644 0.068 0.180
#> ERR315439 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315444 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315341 4 0.890 0.04319 0.104 0.036 0.128 0.332 0.120 0.280
#> ERR315412 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315337 4 0.615 0.19548 0.028 0.048 0.044 0.680 0.080 0.120
#> ERR315429 4 0.574 0.08346 0.044 0.024 0.028 0.692 0.160 0.052
#> ERR315436 4 0.574 0.08346 0.044 0.024 0.028 0.692 0.160 0.052
#> ERR315379 3 0.612 0.71746 0.080 0.020 0.680 0.044 0.120 0.056
#> ERR315443 4 0.737 -0.68865 0.012 0.024 0.128 0.416 0.352 0.068
#> ERR315415 2 0.460 0.99758 0.020 0.644 0.000 0.308 0.000 0.028
#> ERR315456 2 0.460 0.99758 0.020 0.644 0.000 0.308 0.000 0.028
#> ERR315336 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315399 4 0.850 0.16324 0.112 0.088 0.080 0.448 0.064 0.208
#> ERR315477 4 0.646 -0.31770 0.012 0.312 0.024 0.540 0.072 0.040
#> ERR315346 4 0.888 0.04577 0.100 0.036 0.128 0.336 0.120 0.280
#> ERR315383 4 0.737 -0.68865 0.012 0.024 0.128 0.416 0.352 0.068
#> ERR315494 4 0.737 -0.68865 0.012 0.024 0.128 0.416 0.352 0.068
#> ERR315492 2 0.460 0.99758 0.020 0.644 0.000 0.308 0.000 0.028
#> ERR315432 4 0.646 -0.31770 0.012 0.312 0.024 0.540 0.072 0.040
#> ERR315338 1 0.220 0.86150 0.916 0.012 0.008 0.048 0.008 0.008
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "skmeans"]
# you can also extract it by
# res = res_list["CV:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.445 0.857 0.908 0.4949 0.506 0.506
#> 3 3 0.462 0.779 0.860 0.3045 0.703 0.479
#> 4 4 0.650 0.681 0.761 0.1465 0.872 0.648
#> 5 5 0.697 0.731 0.817 0.0722 0.896 0.632
#> 6 6 0.753 0.684 0.763 0.0387 0.942 0.734
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.000 0.888 1.000 0.000
#> ERR315339 2 0.760 0.798 0.220 0.780
#> ERR315376 2 0.760 0.798 0.220 0.780
#> ERR315343 2 0.000 0.899 0.000 1.000
#> ERR315342 2 0.000 0.899 0.000 1.000
#> ERR315468 2 0.730 0.805 0.204 0.796
#> ERR315434 2 0.760 0.798 0.220 0.780
#> ERR315489 2 0.760 0.798 0.220 0.780
#> ERR315371 1 0.730 0.857 0.796 0.204
#> ERR315433 2 0.000 0.899 0.000 1.000
#> ERR315368 2 0.000 0.899 0.000 1.000
#> ERR315465 1 0.595 0.873 0.856 0.144
#> ERR315437 1 0.595 0.873 0.856 0.144
#> ERR315327 2 0.932 0.642 0.348 0.652
#> ERR315394 2 0.932 0.642 0.348 0.652
#> ERR315427 1 0.000 0.888 1.000 0.000
#> ERR315360 1 0.000 0.888 1.000 0.000
#> ERR315426 1 0.730 0.857 0.796 0.204
#> ERR315387 1 0.730 0.857 0.796 0.204
#> ERR315475 1 0.730 0.857 0.796 0.204
#> ERR315395 1 0.730 0.857 0.796 0.204
#> ERR315333 1 0.730 0.857 0.796 0.204
#> ERR315460 2 0.760 0.798 0.220 0.780
#> ERR315372 2 0.760 0.798 0.220 0.780
#> ERR315472 2 0.760 0.798 0.220 0.780
#> ERR315398 2 0.760 0.798 0.220 0.780
#> ERR315409 1 0.000 0.888 1.000 0.000
#> ERR315423 1 0.000 0.888 1.000 0.000
#> ERR315402 2 0.000 0.899 0.000 1.000
#> ERR315458 2 0.000 0.899 0.000 1.000
#> ERR315366 1 0.469 0.881 0.900 0.100
#> ERR315345 1 0.469 0.881 0.900 0.100
#> ERR315326 1 0.662 0.865 0.828 0.172
#> ERR315424 1 0.662 0.865 0.828 0.172
#> ERR315382 2 0.552 0.853 0.128 0.872
#> ERR315325 2 0.552 0.853 0.128 0.872
#> ERR315369 1 0.000 0.888 1.000 0.000
#> ERR315485 1 0.000 0.888 1.000 0.000
#> ERR315420 2 0.552 0.853 0.128 0.872
#> ERR315459 2 0.552 0.853 0.128 0.872
#> ERR315353 1 0.662 0.865 0.828 0.172
#> ERR315487 1 0.662 0.865 0.828 0.172
#> ERR315378 2 0.000 0.899 0.000 1.000
#> ERR315431 2 0.000 0.899 0.000 1.000
#> ERR315335 2 0.000 0.899 0.000 1.000
#> ERR315452 2 0.000 0.899 0.000 1.000
#> ERR315471 1 0.730 0.857 0.796 0.204
#> ERR315390 1 0.730 0.857 0.796 0.204
#> ERR315329 1 0.730 0.857 0.796 0.204
#> ERR315393 1 0.730 0.857 0.796 0.204
#> ERR315488 1 0.730 0.857 0.796 0.204
#> ERR315351 2 0.000 0.899 0.000 1.000
#> ERR315350 2 0.000 0.899 0.000 1.000
#> ERR315381 1 0.000 0.888 1.000 0.000
#> ERR315388 1 0.000 0.888 1.000 0.000
#> ERR315418 2 0.552 0.853 0.128 0.872
#> ERR315449 2 0.552 0.853 0.128 0.872
#> ERR315490 2 0.000 0.899 0.000 1.000
#> ERR315495 2 0.000 0.899 0.000 1.000
#> ERR315361 2 0.000 0.899 0.000 1.000
#> ERR315419 1 0.000 0.888 1.000 0.000
#> ERR315344 1 0.000 0.888 1.000 0.000
#> ERR315414 2 0.932 0.642 0.348 0.652
#> ERR315352 2 0.000 0.899 0.000 1.000
#> ERR315410 2 0.625 0.839 0.156 0.844
#> ERR315349 1 0.000 0.888 1.000 0.000
#> ERR315474 1 0.000 0.888 1.000 0.000
#> ERR315470 1 0.000 0.888 1.000 0.000
#> ERR315428 2 0.000 0.899 0.000 1.000
#> ERR315363 2 0.000 0.899 0.000 1.000
#> ERR315469 1 0.730 0.857 0.796 0.204
#> ERR315425 1 0.730 0.857 0.796 0.204
#> ERR315476 2 0.745 0.661 0.212 0.788
#> ERR315478 2 0.745 0.661 0.212 0.788
#> ERR315362 2 0.760 0.798 0.220 0.780
#> ERR315411 2 0.760 0.798 0.220 0.780
#> ERR315416 1 0.730 0.857 0.796 0.204
#> ERR315405 1 0.730 0.857 0.796 0.204
#> ERR315408 1 0.000 0.888 1.000 0.000
#> ERR315364 1 0.000 0.888 1.000 0.000
#> ERR315359 2 0.625 0.839 0.156 0.844
#> ERR315330 2 0.625 0.839 0.156 0.844
#> ERR315384 2 0.000 0.899 0.000 1.000
#> ERR315413 2 0.000 0.899 0.000 1.000
#> ERR315332 2 0.000 0.899 0.000 1.000
#> ERR315334 1 0.000 0.888 1.000 0.000
#> ERR315447 1 0.000 0.888 1.000 0.000
#> ERR315453 1 0.000 0.888 1.000 0.000
#> ERR315442 1 0.000 0.888 1.000 0.000
#> ERR315457 1 0.000 0.888 1.000 0.000
#> ERR315392 2 0.000 0.899 0.000 1.000
#> ERR315450 2 0.000 0.899 0.000 1.000
#> ERR315462 1 0.000 0.888 1.000 0.000
#> ERR315328 2 0.000 0.899 0.000 1.000
#> ERR315389 2 0.000 0.899 0.000 1.000
#> ERR315435 2 0.000 0.899 0.000 1.000
#> ERR315482 2 0.000 0.899 0.000 1.000
#> ERR315380 2 0.000 0.899 0.000 1.000
#> ERR315377 2 0.745 0.661 0.212 0.788
#> ERR315374 2 0.745 0.661 0.212 0.788
#> ERR315466 2 0.000 0.899 0.000 1.000
#> ERR315479 2 0.000 0.899 0.000 1.000
#> ERR315473 1 0.730 0.857 0.796 0.204
#> ERR315391 2 0.000 0.899 0.000 1.000
#> ERR315417 2 0.000 0.899 0.000 1.000
#> ERR315385 2 0.000 0.899 0.000 1.000
#> ERR315386 2 0.000 0.899 0.000 1.000
#> ERR315438 2 0.000 0.899 0.000 1.000
#> ERR315367 2 0.000 0.899 0.000 1.000
#> ERR315331 2 0.000 0.899 0.000 1.000
#> ERR315347 1 0.000 0.888 1.000 0.000
#> ERR315396 1 0.730 0.857 0.796 0.204
#> ERR315486 1 0.730 0.857 0.796 0.204
#> ERR315403 1 0.000 0.888 1.000 0.000
#> ERR315357 1 0.000 0.888 1.000 0.000
#> ERR315463 2 0.932 0.642 0.348 0.652
#> ERR315451 2 0.932 0.642 0.348 0.652
#> ERR315445 1 0.000 0.888 1.000 0.000
#> ERR315461 1 0.000 0.888 1.000 0.000
#> ERR315397 2 0.000 0.899 0.000 1.000
#> ERR315491 2 0.000 0.899 0.000 1.000
#> ERR315483 2 0.000 0.899 0.000 1.000
#> ERR315400 1 0.000 0.888 1.000 0.000
#> ERR315440 1 0.730 0.857 0.796 0.204
#> ERR315493 1 0.730 0.857 0.796 0.204
#> ERR315441 1 0.730 0.857 0.796 0.204
#> ERR315455 2 0.000 0.899 0.000 1.000
#> ERR315421 1 0.000 0.888 1.000 0.000
#> ERR315370 1 0.000 0.888 1.000 0.000
#> ERR315355 1 0.000 0.888 1.000 0.000
#> ERR315446 2 0.000 0.899 0.000 1.000
#> ERR315375 2 0.745 0.661 0.212 0.788
#> ERR315467 1 0.000 0.888 1.000 0.000
#> ERR315484 1 0.000 0.888 1.000 0.000
#> ERR315406 1 0.730 0.857 0.796 0.204
#> ERR315404 1 0.730 0.857 0.796 0.204
#> ERR315407 2 0.625 0.839 0.156 0.844
#> ERR315340 2 0.625 0.839 0.156 0.844
#> ERR315356 2 0.000 0.899 0.000 1.000
#> ERR315430 2 0.000 0.899 0.000 1.000
#> ERR315422 2 0.000 0.899 0.000 1.000
#> ERR315358 2 0.000 0.899 0.000 1.000
#> ERR315448 1 0.730 0.857 0.796 0.204
#> ERR315401 2 0.760 0.798 0.220 0.780
#> ERR315464 2 0.760 0.798 0.220 0.780
#> ERR315481 1 0.000 0.888 1.000 0.000
#> ERR315454 1 0.000 0.888 1.000 0.000
#> ERR315365 2 0.625 0.839 0.156 0.844
#> ERR315354 2 0.625 0.839 0.156 0.844
#> ERR315439 1 0.662 0.865 0.828 0.172
#> ERR315444 1 0.662 0.865 0.828 0.172
#> ERR315341 1 0.662 0.865 0.828 0.172
#> ERR315412 2 0.000 0.899 0.000 1.000
#> ERR315337 2 0.000 0.899 0.000 1.000
#> ERR315429 2 0.000 0.899 0.000 1.000
#> ERR315436 2 0.000 0.899 0.000 1.000
#> ERR315379 1 0.000 0.888 1.000 0.000
#> ERR315443 2 0.730 0.805 0.204 0.796
#> ERR315415 2 0.000 0.899 0.000 1.000
#> ERR315456 2 0.000 0.899 0.000 1.000
#> ERR315336 2 0.745 0.661 0.212 0.788
#> ERR315399 2 0.745 0.661 0.212 0.788
#> ERR315477 2 0.000 0.899 0.000 1.000
#> ERR315346 1 0.662 0.865 0.828 0.172
#> ERR315383 2 0.730 0.805 0.204 0.796
#> ERR315494 2 0.730 0.805 0.204 0.796
#> ERR315492 2 0.000 0.899 0.000 1.000
#> ERR315432 2 0.000 0.899 0.000 1.000
#> ERR315338 1 0.730 0.857 0.796 0.204
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315339 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315376 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315343 2 0.0747 0.935 0.000 0.984 0.016
#> ERR315342 2 0.0747 0.935 0.000 0.984 0.016
#> ERR315468 3 0.5968 0.429 0.000 0.364 0.636
#> ERR315434 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315489 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315371 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315433 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315368 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315465 1 0.4121 0.782 0.868 0.024 0.108
#> ERR315437 1 0.4121 0.782 0.868 0.024 0.108
#> ERR315327 3 0.5553 0.574 0.004 0.272 0.724
#> ERR315394 3 0.5553 0.574 0.004 0.272 0.724
#> ERR315427 3 0.4280 0.639 0.124 0.020 0.856
#> ERR315360 3 0.4280 0.639 0.124 0.020 0.856
#> ERR315426 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315387 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315475 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315395 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315333 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315460 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315372 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315472 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315398 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315409 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315423 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315402 2 0.0237 0.935 0.000 0.996 0.004
#> ERR315458 2 0.0237 0.935 0.000 0.996 0.004
#> ERR315366 1 0.3826 0.769 0.868 0.008 0.124
#> ERR315345 1 0.3826 0.769 0.868 0.008 0.124
#> ERR315326 1 0.5111 0.708 0.808 0.024 0.168
#> ERR315424 1 0.5111 0.708 0.808 0.024 0.168
#> ERR315382 2 0.7042 0.706 0.140 0.728 0.132
#> ERR315325 2 0.7042 0.706 0.140 0.728 0.132
#> ERR315369 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315485 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315420 2 0.7042 0.706 0.140 0.728 0.132
#> ERR315459 2 0.7042 0.706 0.140 0.728 0.132
#> ERR315353 1 0.5236 0.706 0.804 0.028 0.168
#> ERR315487 1 0.5236 0.706 0.804 0.028 0.168
#> ERR315378 2 0.0747 0.935 0.000 0.984 0.016
#> ERR315431 2 0.0747 0.935 0.000 0.984 0.016
#> ERR315335 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315452 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315471 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315390 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315329 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315393 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315488 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315351 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315350 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315381 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315388 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315418 2 0.7042 0.706 0.140 0.728 0.132
#> ERR315449 2 0.7042 0.706 0.140 0.728 0.132
#> ERR315490 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315495 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315361 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315419 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315344 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315414 3 0.5363 0.570 0.000 0.276 0.724
#> ERR315352 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315410 2 0.3482 0.836 0.128 0.872 0.000
#> ERR315349 3 0.1636 0.746 0.016 0.020 0.964
#> ERR315474 3 0.1636 0.746 0.016 0.020 0.964
#> ERR315470 3 0.1636 0.746 0.016 0.020 0.964
#> ERR315428 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315363 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315469 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315425 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315476 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315478 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315362 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315411 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315416 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315405 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315408 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315364 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315359 2 0.3715 0.834 0.128 0.868 0.004
#> ERR315330 2 0.3715 0.834 0.128 0.868 0.004
#> ERR315384 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315413 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315332 2 0.0747 0.935 0.000 0.984 0.016
#> ERR315334 1 0.4121 0.704 0.832 0.000 0.168
#> ERR315447 1 0.4121 0.704 0.832 0.000 0.168
#> ERR315453 1 0.4121 0.704 0.832 0.000 0.168
#> ERR315442 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315457 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315392 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315450 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315462 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315328 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315389 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315435 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315482 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315377 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315374 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315466 2 0.3340 0.853 0.000 0.880 0.120
#> ERR315479 2 0.3340 0.853 0.000 0.880 0.120
#> ERR315473 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315391 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315417 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315385 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315386 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315438 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315367 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315331 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315347 3 0.1491 0.747 0.016 0.016 0.968
#> ERR315396 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315486 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315403 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315357 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315463 3 0.5553 0.574 0.004 0.272 0.724
#> ERR315451 3 0.5553 0.574 0.004 0.272 0.724
#> ERR315445 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315461 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315397 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315491 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315483 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315400 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315440 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315493 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315441 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315455 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315421 1 0.4840 0.703 0.816 0.016 0.168
#> ERR315370 1 0.4840 0.703 0.816 0.016 0.168
#> ERR315355 1 0.4840 0.703 0.816 0.016 0.168
#> ERR315446 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315375 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315467 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315484 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315406 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315404 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315407 2 0.3715 0.834 0.128 0.868 0.004
#> ERR315340 2 0.3715 0.834 0.128 0.868 0.004
#> ERR315356 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315430 2 0.1129 0.934 0.004 0.976 0.020
#> ERR315422 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315358 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315448 1 0.3715 0.840 0.868 0.128 0.004
#> ERR315401 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315464 3 0.9605 0.417 0.264 0.260 0.476
#> ERR315481 1 0.4452 0.706 0.808 0.000 0.192
#> ERR315454 1 0.4452 0.706 0.808 0.000 0.192
#> ERR315365 2 0.3715 0.834 0.128 0.868 0.004
#> ERR315354 2 0.3715 0.834 0.128 0.868 0.004
#> ERR315439 1 0.5236 0.706 0.804 0.028 0.168
#> ERR315444 1 0.5236 0.706 0.804 0.028 0.168
#> ERR315341 1 0.5236 0.706 0.804 0.028 0.168
#> ERR315412 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315337 2 0.1636 0.932 0.016 0.964 0.020
#> ERR315429 2 0.3340 0.853 0.000 0.880 0.120
#> ERR315436 2 0.3340 0.853 0.000 0.880 0.120
#> ERR315379 3 0.0892 0.755 0.020 0.000 0.980
#> ERR315443 3 0.5859 0.464 0.000 0.344 0.656
#> ERR315415 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315456 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315336 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315399 1 0.6183 0.658 0.732 0.236 0.032
#> ERR315477 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315346 1 0.5236 0.706 0.804 0.028 0.168
#> ERR315383 3 0.5859 0.464 0.000 0.344 0.656
#> ERR315494 3 0.5859 0.464 0.000 0.344 0.656
#> ERR315492 2 0.1482 0.921 0.012 0.968 0.020
#> ERR315432 2 0.0000 0.935 0.000 1.000 0.000
#> ERR315338 1 0.3715 0.840 0.868 0.128 0.004
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315339 4 0.2861 0.642 0.000 0.016 0.096 0.888
#> ERR315376 4 0.2861 0.642 0.000 0.016 0.096 0.888
#> ERR315343 2 0.4546 0.703 0.012 0.732 0.000 0.256
#> ERR315342 2 0.4546 0.703 0.012 0.732 0.000 0.256
#> ERR315468 3 0.6229 0.619 0.000 0.132 0.664 0.204
#> ERR315434 4 0.2796 0.644 0.000 0.016 0.092 0.892
#> ERR315489 4 0.2796 0.644 0.000 0.016 0.092 0.892
#> ERR315371 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315433 2 0.0592 0.744 0.000 0.984 0.000 0.016
#> ERR315368 2 0.0592 0.744 0.000 0.984 0.000 0.016
#> ERR315465 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315327 3 0.5520 0.656 0.000 0.060 0.696 0.244
#> ERR315394 3 0.5520 0.656 0.000 0.060 0.696 0.244
#> ERR315427 3 0.2803 0.819 0.012 0.008 0.900 0.080
#> ERR315360 3 0.2803 0.819 0.012 0.008 0.900 0.080
#> ERR315426 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315460 4 0.2861 0.642 0.000 0.016 0.096 0.888
#> ERR315372 4 0.2861 0.642 0.000 0.016 0.096 0.888
#> ERR315472 4 0.2796 0.644 0.000 0.016 0.092 0.892
#> ERR315398 4 0.2796 0.644 0.000 0.016 0.092 0.892
#> ERR315409 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315402 2 0.0592 0.747 0.000 0.984 0.000 0.016
#> ERR315458 2 0.0592 0.747 0.000 0.984 0.000 0.016
#> ERR315366 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315326 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315424 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315382 4 0.4552 0.360 0.000 0.172 0.044 0.784
#> ERR315325 4 0.4552 0.360 0.000 0.172 0.044 0.784
#> ERR315369 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315420 4 0.4552 0.360 0.000 0.172 0.044 0.784
#> ERR315459 4 0.4552 0.360 0.000 0.172 0.044 0.784
#> ERR315353 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315487 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315378 2 0.4546 0.703 0.012 0.732 0.000 0.256
#> ERR315431 2 0.4546 0.703 0.012 0.732 0.000 0.256
#> ERR315335 2 0.0000 0.747 0.000 1.000 0.000 0.000
#> ERR315452 2 0.0000 0.747 0.000 1.000 0.000 0.000
#> ERR315471 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315351 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315350 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315381 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315418 4 0.4552 0.360 0.000 0.172 0.044 0.784
#> ERR315449 4 0.4552 0.360 0.000 0.172 0.044 0.784
#> ERR315490 2 0.0592 0.744 0.000 0.984 0.000 0.016
#> ERR315495 2 0.0592 0.744 0.000 0.984 0.000 0.016
#> ERR315361 2 0.0592 0.744 0.000 0.984 0.000 0.016
#> ERR315419 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315414 3 0.5520 0.656 0.000 0.060 0.696 0.244
#> ERR315352 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315410 2 0.4697 0.348 0.000 0.644 0.000 0.356
#> ERR315349 3 0.2342 0.827 0.000 0.008 0.912 0.080
#> ERR315474 3 0.2342 0.827 0.000 0.008 0.912 0.080
#> ERR315470 3 0.2342 0.827 0.000 0.008 0.912 0.080
#> ERR315428 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315363 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315469 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315476 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315478 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315362 4 0.2796 0.644 0.000 0.016 0.092 0.892
#> ERR315411 4 0.2796 0.644 0.000 0.016 0.092 0.892
#> ERR315416 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315359 2 0.4933 0.230 0.000 0.568 0.000 0.432
#> ERR315330 2 0.4933 0.230 0.000 0.568 0.000 0.432
#> ERR315384 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315413 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315332 2 0.4546 0.703 0.012 0.732 0.000 0.256
#> ERR315334 1 0.6929 -0.228 0.448 0.000 0.108 0.444
#> ERR315447 1 0.6929 -0.228 0.448 0.000 0.108 0.444
#> ERR315453 1 0.6929 -0.228 0.448 0.000 0.108 0.444
#> ERR315442 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315392 2 0.0000 0.747 0.000 1.000 0.000 0.000
#> ERR315450 2 0.0000 0.747 0.000 1.000 0.000 0.000
#> ERR315462 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315328 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315389 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315435 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315482 2 0.0469 0.747 0.000 0.988 0.000 0.012
#> ERR315380 2 0.0469 0.747 0.000 0.988 0.000 0.012
#> ERR315377 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315374 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315466 2 0.6079 0.535 0.000 0.544 0.048 0.408
#> ERR315479 2 0.6079 0.535 0.000 0.544 0.048 0.408
#> ERR315473 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315391 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315417 2 0.0000 0.747 0.000 1.000 0.000 0.000
#> ERR315385 2 0.0000 0.747 0.000 1.000 0.000 0.000
#> ERR315386 2 0.0817 0.742 0.000 0.976 0.000 0.024
#> ERR315438 2 0.0817 0.742 0.000 0.976 0.000 0.024
#> ERR315367 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315331 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315347 3 0.2197 0.827 0.000 0.004 0.916 0.080
#> ERR315396 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315403 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315357 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315463 3 0.5520 0.656 0.000 0.060 0.696 0.244
#> ERR315451 3 0.5520 0.656 0.000 0.060 0.696 0.244
#> ERR315445 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315397 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315491 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315483 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315400 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315455 2 0.0336 0.746 0.000 0.992 0.000 0.008
#> ERR315421 4 0.7077 0.274 0.412 0.004 0.108 0.476
#> ERR315370 4 0.7077 0.274 0.412 0.004 0.108 0.476
#> ERR315355 4 0.7077 0.274 0.412 0.004 0.108 0.476
#> ERR315446 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315375 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315467 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315484 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315407 2 0.4933 0.230 0.000 0.568 0.000 0.432
#> ERR315340 2 0.4933 0.230 0.000 0.568 0.000 0.432
#> ERR315356 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315430 2 0.4428 0.698 0.004 0.720 0.000 0.276
#> ERR315422 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315358 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315448 1 0.0000 0.925 1.000 0.000 0.000 0.000
#> ERR315401 4 0.2861 0.642 0.000 0.016 0.096 0.888
#> ERR315464 4 0.2861 0.642 0.000 0.016 0.096 0.888
#> ERR315481 1 0.3074 0.737 0.848 0.000 0.152 0.000
#> ERR315454 1 0.3074 0.737 0.848 0.000 0.152 0.000
#> ERR315365 2 0.4933 0.230 0.000 0.568 0.000 0.432
#> ERR315354 2 0.4933 0.230 0.000 0.568 0.000 0.432
#> ERR315439 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315444 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315341 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315412 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315337 2 0.5884 0.592 0.032 0.580 0.004 0.384
#> ERR315429 2 0.6079 0.535 0.000 0.544 0.048 0.408
#> ERR315436 2 0.6079 0.535 0.000 0.544 0.048 0.408
#> ERR315379 3 0.0000 0.887 0.000 0.000 1.000 0.000
#> ERR315443 3 0.6133 0.629 0.000 0.124 0.672 0.204
#> ERR315415 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315456 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315336 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315399 4 0.7580 0.456 0.296 0.228 0.000 0.476
#> ERR315477 2 0.0336 0.746 0.000 0.992 0.000 0.008
#> ERR315346 4 0.7796 0.458 0.316 0.020 0.160 0.504
#> ERR315383 3 0.6133 0.629 0.000 0.124 0.672 0.204
#> ERR315494 3 0.6133 0.629 0.000 0.124 0.672 0.204
#> ERR315492 2 0.1978 0.719 0.004 0.928 0.000 0.068
#> ERR315432 2 0.0336 0.746 0.000 0.992 0.000 0.008
#> ERR315338 1 0.0000 0.925 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315339 4 0.4455 0.687 0.000 0.020 0.048 0.772 0.160
#> ERR315376 4 0.4455 0.687 0.000 0.020 0.048 0.772 0.160
#> ERR315343 5 0.5162 0.657 0.012 0.344 0.000 0.032 0.612
#> ERR315342 5 0.5162 0.657 0.012 0.344 0.000 0.032 0.612
#> ERR315468 3 0.5547 0.292 0.000 0.048 0.484 0.008 0.460
#> ERR315434 4 0.4240 0.697 0.000 0.016 0.048 0.788 0.148
#> ERR315489 4 0.4240 0.697 0.000 0.016 0.048 0.788 0.148
#> ERR315371 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.2331 0.802 0.000 0.900 0.000 0.020 0.080
#> ERR315368 2 0.2331 0.802 0.000 0.900 0.000 0.020 0.080
#> ERR315465 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315327 3 0.4561 0.336 0.000 0.000 0.504 0.008 0.488
#> ERR315394 3 0.4561 0.336 0.000 0.000 0.504 0.008 0.488
#> ERR315427 3 0.4499 0.552 0.000 0.008 0.684 0.292 0.016
#> ERR315360 3 0.4499 0.552 0.000 0.008 0.684 0.292 0.016
#> ERR315426 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315333 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315460 4 0.4455 0.687 0.000 0.020 0.048 0.772 0.160
#> ERR315372 4 0.4455 0.687 0.000 0.020 0.048 0.772 0.160
#> ERR315472 4 0.4240 0.697 0.000 0.016 0.048 0.788 0.148
#> ERR315398 4 0.4240 0.697 0.000 0.016 0.048 0.788 0.148
#> ERR315409 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.2462 0.765 0.000 0.880 0.000 0.008 0.112
#> ERR315458 2 0.2462 0.765 0.000 0.880 0.000 0.008 0.112
#> ERR315366 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315326 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315424 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315382 5 0.3990 0.499 0.000 0.012 0.004 0.244 0.740
#> ERR315325 5 0.3990 0.499 0.000 0.012 0.004 0.244 0.740
#> ERR315369 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.3990 0.499 0.000 0.012 0.004 0.244 0.740
#> ERR315459 5 0.3990 0.499 0.000 0.012 0.004 0.244 0.740
#> ERR315353 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315487 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315378 5 0.5162 0.657 0.012 0.344 0.000 0.032 0.612
#> ERR315431 5 0.5162 0.657 0.012 0.344 0.000 0.032 0.612
#> ERR315335 2 0.0963 0.816 0.000 0.964 0.000 0.000 0.036
#> ERR315452 2 0.0963 0.816 0.000 0.964 0.000 0.000 0.036
#> ERR315471 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315350 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315381 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.3990 0.499 0.000 0.012 0.004 0.244 0.740
#> ERR315449 5 0.3990 0.499 0.000 0.012 0.004 0.244 0.740
#> ERR315490 2 0.2362 0.803 0.000 0.900 0.000 0.024 0.076
#> ERR315495 2 0.2362 0.803 0.000 0.900 0.000 0.024 0.076
#> ERR315361 2 0.2362 0.803 0.000 0.900 0.000 0.024 0.076
#> ERR315419 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315414 3 0.4561 0.336 0.000 0.000 0.504 0.008 0.488
#> ERR315352 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315410 2 0.5538 0.510 0.000 0.596 0.000 0.312 0.092
#> ERR315349 3 0.4194 0.600 0.000 0.004 0.720 0.260 0.016
#> ERR315474 3 0.4194 0.600 0.000 0.004 0.720 0.260 0.016
#> ERR315470 3 0.4194 0.600 0.000 0.004 0.720 0.260 0.016
#> ERR315428 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315363 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315469 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315425 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315476 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315478 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315362 4 0.4240 0.697 0.000 0.016 0.048 0.788 0.148
#> ERR315411 4 0.4240 0.697 0.000 0.016 0.048 0.788 0.148
#> ERR315416 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315359 2 0.5996 0.386 0.000 0.524 0.000 0.352 0.124
#> ERR315330 2 0.5996 0.386 0.000 0.524 0.000 0.352 0.124
#> ERR315384 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315413 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315332 5 0.5162 0.657 0.012 0.344 0.000 0.032 0.612
#> ERR315334 4 0.3431 0.734 0.144 0.000 0.020 0.828 0.008
#> ERR315447 4 0.3431 0.734 0.144 0.000 0.020 0.828 0.008
#> ERR315453 4 0.3431 0.734 0.144 0.000 0.020 0.828 0.008
#> ERR315442 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.0963 0.816 0.000 0.964 0.000 0.000 0.036
#> ERR315450 2 0.0963 0.816 0.000 0.964 0.000 0.000 0.036
#> ERR315462 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315328 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315389 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315435 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315482 2 0.2249 0.785 0.000 0.896 0.000 0.008 0.096
#> ERR315380 2 0.2249 0.785 0.000 0.896 0.000 0.008 0.096
#> ERR315377 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315374 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315466 5 0.2877 0.713 0.000 0.144 0.004 0.004 0.848
#> ERR315479 5 0.2877 0.713 0.000 0.144 0.004 0.004 0.848
#> ERR315473 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315417 2 0.0963 0.816 0.000 0.964 0.000 0.000 0.036
#> ERR315385 2 0.0963 0.816 0.000 0.964 0.000 0.000 0.036
#> ERR315386 2 0.2554 0.800 0.000 0.892 0.000 0.036 0.072
#> ERR315438 2 0.2554 0.800 0.000 0.892 0.000 0.036 0.072
#> ERR315367 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315331 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315347 3 0.4169 0.603 0.000 0.004 0.724 0.256 0.016
#> ERR315396 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315486 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315403 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315357 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315463 3 0.4561 0.336 0.000 0.000 0.504 0.008 0.488
#> ERR315451 3 0.4561 0.336 0.000 0.000 0.504 0.008 0.488
#> ERR315445 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315491 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315483 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315400 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.0880 0.816 0.000 0.968 0.000 0.000 0.032
#> ERR315421 4 0.3087 0.742 0.092 0.008 0.016 0.872 0.012
#> ERR315370 4 0.3087 0.742 0.092 0.008 0.016 0.872 0.012
#> ERR315355 4 0.3087 0.742 0.092 0.008 0.016 0.872 0.012
#> ERR315446 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315375 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315467 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315484 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315404 1 0.0162 0.984 0.996 0.000 0.000 0.000 0.004
#> ERR315407 2 0.5996 0.386 0.000 0.524 0.000 0.352 0.124
#> ERR315340 2 0.5996 0.386 0.000 0.524 0.000 0.352 0.124
#> ERR315356 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315430 5 0.4883 0.643 0.004 0.372 0.000 0.024 0.600
#> ERR315422 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315358 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315448 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
#> ERR315401 4 0.4455 0.687 0.000 0.020 0.048 0.772 0.160
#> ERR315464 4 0.4455 0.687 0.000 0.020 0.048 0.772 0.160
#> ERR315481 1 0.2648 0.800 0.848 0.000 0.152 0.000 0.000
#> ERR315454 1 0.2648 0.800 0.848 0.000 0.152 0.000 0.000
#> ERR315365 2 0.5996 0.386 0.000 0.524 0.000 0.352 0.124
#> ERR315354 2 0.5996 0.386 0.000 0.524 0.000 0.352 0.124
#> ERR315439 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315444 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315341 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315412 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315337 5 0.3917 0.700 0.008 0.184 0.000 0.024 0.784
#> ERR315429 5 0.2877 0.713 0.000 0.144 0.004 0.004 0.848
#> ERR315436 5 0.2877 0.713 0.000 0.144 0.004 0.004 0.848
#> ERR315379 3 0.0000 0.808 0.000 0.000 1.000 0.000 0.000
#> ERR315443 3 0.5083 0.311 0.000 0.020 0.492 0.008 0.480
#> ERR315415 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315456 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315336 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315399 4 0.6560 0.626 0.080 0.152 0.000 0.628 0.140
#> ERR315477 2 0.0880 0.816 0.000 0.968 0.000 0.000 0.032
#> ERR315346 4 0.6545 0.696 0.136 0.012 0.060 0.648 0.144
#> ERR315383 3 0.5083 0.311 0.000 0.020 0.492 0.008 0.480
#> ERR315494 3 0.5083 0.311 0.000 0.020 0.492 0.008 0.480
#> ERR315492 2 0.1582 0.801 0.000 0.944 0.000 0.028 0.028
#> ERR315432 2 0.0880 0.816 0.000 0.968 0.000 0.000 0.032
#> ERR315338 1 0.0000 0.986 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 6 0.0405 0.783 0.000 0.000 0.004 0.000 0.008 0.988
#> ERR315376 6 0.0405 0.783 0.000 0.000 0.004 0.000 0.008 0.988
#> ERR315343 5 0.5641 0.476 0.004 0.232 0.000 0.144 0.604 0.016
#> ERR315342 5 0.5641 0.476 0.004 0.232 0.000 0.144 0.604 0.016
#> ERR315468 5 0.6034 0.324 0.000 0.032 0.340 0.088 0.528 0.012
#> ERR315434 6 0.0436 0.785 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315489 6 0.0436 0.785 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315371 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.4560 0.710 0.000 0.736 0.000 0.124 0.120 0.020
#> ERR315368 2 0.4560 0.710 0.000 0.736 0.000 0.124 0.120 0.020
#> ERR315465 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.5228 0.373 0.000 0.004 0.320 0.088 0.584 0.004
#> ERR315394 5 0.5228 0.373 0.000 0.004 0.320 0.088 0.584 0.004
#> ERR315427 3 0.5601 0.417 0.004 0.000 0.552 0.348 0.032 0.064
#> ERR315360 3 0.5601 0.417 0.004 0.000 0.552 0.348 0.032 0.064
#> ERR315426 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315333 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315460 6 0.0405 0.783 0.000 0.000 0.004 0.000 0.008 0.988
#> ERR315372 6 0.0405 0.783 0.000 0.000 0.004 0.000 0.008 0.988
#> ERR315472 6 0.0436 0.785 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315398 6 0.0436 0.785 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315409 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.4456 0.652 0.000 0.708 0.000 0.112 0.180 0.000
#> ERR315458 2 0.4456 0.652 0.000 0.708 0.000 0.112 0.180 0.000
#> ERR315366 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315326 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315424 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315382 5 0.4904 0.446 0.000 0.008 0.000 0.076 0.636 0.280
#> ERR315325 5 0.4904 0.446 0.000 0.008 0.000 0.076 0.636 0.280
#> ERR315369 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315485 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315420 5 0.4904 0.446 0.000 0.008 0.000 0.076 0.636 0.280
#> ERR315459 5 0.4904 0.446 0.000 0.008 0.000 0.076 0.636 0.280
#> ERR315353 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315487 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315378 5 0.5641 0.476 0.004 0.232 0.000 0.144 0.604 0.016
#> ERR315431 5 0.5641 0.476 0.004 0.232 0.000 0.144 0.604 0.016
#> ERR315335 2 0.1074 0.757 0.000 0.960 0.000 0.012 0.028 0.000
#> ERR315452 2 0.1074 0.757 0.000 0.960 0.000 0.012 0.028 0.000
#> ERR315471 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315350 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315381 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.4904 0.446 0.000 0.008 0.000 0.076 0.636 0.280
#> ERR315449 5 0.4904 0.446 0.000 0.008 0.000 0.076 0.636 0.280
#> ERR315490 2 0.4560 0.710 0.000 0.736 0.000 0.124 0.120 0.020
#> ERR315495 2 0.4560 0.710 0.000 0.736 0.000 0.124 0.120 0.020
#> ERR315361 2 0.4560 0.710 0.000 0.736 0.000 0.124 0.120 0.020
#> ERR315419 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.5228 0.373 0.000 0.004 0.320 0.088 0.584 0.004
#> ERR315352 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315410 2 0.6885 0.464 0.000 0.472 0.000 0.140 0.116 0.272
#> ERR315349 3 0.5507 0.456 0.004 0.000 0.572 0.332 0.032 0.060
#> ERR315474 3 0.5507 0.456 0.004 0.000 0.572 0.332 0.032 0.060
#> ERR315470 3 0.5507 0.456 0.004 0.000 0.572 0.332 0.032 0.060
#> ERR315428 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315363 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315469 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315425 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315476 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315478 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315362 6 0.0436 0.785 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315411 6 0.0436 0.785 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315416 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 2 0.6634 0.387 0.000 0.456 0.000 0.116 0.088 0.340
#> ERR315330 2 0.6634 0.387 0.000 0.456 0.000 0.116 0.088 0.340
#> ERR315384 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315413 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315332 5 0.5641 0.476 0.004 0.232 0.000 0.144 0.604 0.016
#> ERR315334 6 0.5297 0.332 0.116 0.000 0.004 0.300 0.000 0.580
#> ERR315447 6 0.5297 0.332 0.116 0.000 0.004 0.300 0.000 0.580
#> ERR315453 6 0.5297 0.332 0.116 0.000 0.004 0.300 0.000 0.580
#> ERR315442 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.1074 0.757 0.000 0.960 0.000 0.012 0.028 0.000
#> ERR315450 2 0.1074 0.757 0.000 0.960 0.000 0.012 0.028 0.000
#> ERR315462 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315389 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315435 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315482 2 0.4456 0.652 0.000 0.708 0.000 0.112 0.180 0.000
#> ERR315380 2 0.4456 0.652 0.000 0.708 0.000 0.112 0.180 0.000
#> ERR315377 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315374 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315466 5 0.2668 0.597 0.000 0.060 0.000 0.028 0.884 0.028
#> ERR315479 5 0.2668 0.597 0.000 0.060 0.000 0.028 0.884 0.028
#> ERR315473 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315417 2 0.1074 0.757 0.000 0.960 0.000 0.012 0.028 0.000
#> ERR315385 2 0.1074 0.757 0.000 0.960 0.000 0.012 0.028 0.000
#> ERR315386 2 0.4559 0.710 0.000 0.736 0.000 0.128 0.116 0.020
#> ERR315438 2 0.4559 0.710 0.000 0.736 0.000 0.128 0.116 0.020
#> ERR315367 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315331 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315347 3 0.5494 0.460 0.004 0.000 0.576 0.328 0.032 0.060
#> ERR315396 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315486 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315403 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315357 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315463 5 0.5228 0.373 0.000 0.004 0.320 0.088 0.584 0.004
#> ERR315451 5 0.5228 0.373 0.000 0.004 0.320 0.088 0.584 0.004
#> ERR315445 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315491 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315483 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315400 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.0725 0.759 0.000 0.976 0.000 0.012 0.012 0.000
#> ERR315421 6 0.4632 0.381 0.048 0.000 0.004 0.328 0.000 0.620
#> ERR315370 6 0.4632 0.381 0.048 0.000 0.004 0.328 0.000 0.620
#> ERR315355 6 0.4632 0.381 0.048 0.000 0.004 0.328 0.000 0.620
#> ERR315446 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315375 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315467 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315484 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315404 1 0.1152 0.954 0.952 0.000 0.000 0.044 0.004 0.000
#> ERR315407 2 0.6634 0.387 0.000 0.456 0.000 0.116 0.088 0.340
#> ERR315340 2 0.6634 0.387 0.000 0.456 0.000 0.116 0.088 0.340
#> ERR315356 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315430 5 0.5864 0.484 0.004 0.228 0.000 0.156 0.588 0.024
#> ERR315422 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315358 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315448 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 6 0.0405 0.783 0.000 0.000 0.004 0.000 0.008 0.988
#> ERR315464 6 0.0405 0.783 0.000 0.000 0.004 0.000 0.008 0.988
#> ERR315481 1 0.2178 0.827 0.868 0.000 0.132 0.000 0.000 0.000
#> ERR315454 1 0.2178 0.827 0.868 0.000 0.132 0.000 0.000 0.000
#> ERR315365 2 0.6634 0.387 0.000 0.456 0.000 0.116 0.088 0.340
#> ERR315354 2 0.6634 0.387 0.000 0.456 0.000 0.116 0.088 0.340
#> ERR315439 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315444 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315341 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315412 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315337 5 0.5686 0.542 0.004 0.080 0.000 0.200 0.644 0.072
#> ERR315429 5 0.2668 0.597 0.000 0.060 0.000 0.028 0.884 0.028
#> ERR315436 5 0.2668 0.597 0.000 0.060 0.000 0.028 0.884 0.028
#> ERR315379 3 0.0000 0.898 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315443 5 0.5841 0.324 0.000 0.020 0.344 0.088 0.536 0.012
#> ERR315415 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315456 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315336 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315399 4 0.7375 0.549 0.056 0.084 0.000 0.452 0.100 0.308
#> ERR315477 2 0.0725 0.759 0.000 0.976 0.000 0.012 0.012 0.000
#> ERR315346 4 0.5689 0.627 0.060 0.016 0.024 0.660 0.024 0.216
#> ERR315383 5 0.5841 0.324 0.000 0.020 0.344 0.088 0.536 0.012
#> ERR315494 5 0.5841 0.324 0.000 0.020 0.344 0.088 0.536 0.012
#> ERR315492 2 0.2307 0.747 0.000 0.904 0.000 0.048 0.016 0.032
#> ERR315432 2 0.0725 0.759 0.000 0.976 0.000 0.012 0.012 0.000
#> ERR315338 1 0.0000 0.976 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "pam"]
# you can also extract it by
# res = res_list["CV:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.571 0.803 0.866 0.2687 0.714 0.714
#> 3 3 0.628 0.921 0.918 0.7555 0.803 0.726
#> 4 4 0.705 0.877 0.924 0.1870 0.939 0.883
#> 5 5 0.601 0.803 0.856 0.2309 0.852 0.681
#> 6 6 0.732 0.854 0.892 0.0602 0.952 0.850
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.9983 0.248 0.476 0.524
#> ERR315339 2 0.0000 0.872 0.000 1.000
#> ERR315376 2 0.0000 0.872 0.000 1.000
#> ERR315343 2 0.0000 0.872 0.000 1.000
#> ERR315342 2 0.0000 0.872 0.000 1.000
#> ERR315468 2 0.0000 0.872 0.000 1.000
#> ERR315434 2 0.0000 0.872 0.000 1.000
#> ERR315489 2 0.0000 0.872 0.000 1.000
#> ERR315371 1 0.9815 1.000 0.580 0.420
#> ERR315433 2 0.0000 0.872 0.000 1.000
#> ERR315368 2 0.0000 0.872 0.000 1.000
#> ERR315465 1 0.9815 1.000 0.580 0.420
#> ERR315437 1 0.9815 1.000 0.580 0.420
#> ERR315327 2 0.0000 0.872 0.000 1.000
#> ERR315394 2 0.0000 0.872 0.000 1.000
#> ERR315427 2 0.0000 0.872 0.000 1.000
#> ERR315360 2 0.0000 0.872 0.000 1.000
#> ERR315426 1 0.9815 1.000 0.580 0.420
#> ERR315387 1 0.9815 1.000 0.580 0.420
#> ERR315475 1 0.9815 1.000 0.580 0.420
#> ERR315395 1 0.9815 1.000 0.580 0.420
#> ERR315333 1 0.9815 1.000 0.580 0.420
#> ERR315460 2 0.0000 0.872 0.000 1.000
#> ERR315372 2 0.0000 0.872 0.000 1.000
#> ERR315472 2 0.0000 0.872 0.000 1.000
#> ERR315398 2 0.0000 0.872 0.000 1.000
#> ERR315409 2 0.9983 0.248 0.476 0.524
#> ERR315423 2 0.9983 0.248 0.476 0.524
#> ERR315402 2 0.0000 0.872 0.000 1.000
#> ERR315458 2 0.0000 0.872 0.000 1.000
#> ERR315366 2 0.9710 -0.535 0.400 0.600
#> ERR315345 2 0.9087 -0.202 0.324 0.676
#> ERR315326 2 0.0000 0.872 0.000 1.000
#> ERR315424 2 0.0000 0.872 0.000 1.000
#> ERR315382 2 0.0000 0.872 0.000 1.000
#> ERR315325 2 0.0000 0.872 0.000 1.000
#> ERR315369 2 0.8763 0.454 0.296 0.704
#> ERR315485 2 0.8909 0.437 0.308 0.692
#> ERR315420 2 0.0000 0.872 0.000 1.000
#> ERR315459 2 0.0000 0.872 0.000 1.000
#> ERR315353 2 0.0000 0.872 0.000 1.000
#> ERR315487 2 0.0000 0.872 0.000 1.000
#> ERR315378 2 0.0000 0.872 0.000 1.000
#> ERR315431 2 0.0000 0.872 0.000 1.000
#> ERR315335 2 0.0000 0.872 0.000 1.000
#> ERR315452 2 0.0000 0.872 0.000 1.000
#> ERR315471 1 0.9815 1.000 0.580 0.420
#> ERR315390 1 0.9815 1.000 0.580 0.420
#> ERR315329 1 0.9815 1.000 0.580 0.420
#> ERR315393 1 0.9815 1.000 0.580 0.420
#> ERR315488 1 0.9815 1.000 0.580 0.420
#> ERR315351 2 0.0000 0.872 0.000 1.000
#> ERR315350 2 0.0000 0.872 0.000 1.000
#> ERR315381 2 0.9983 0.248 0.476 0.524
#> ERR315388 2 0.9983 0.248 0.476 0.524
#> ERR315418 2 0.0000 0.872 0.000 1.000
#> ERR315449 2 0.0000 0.872 0.000 1.000
#> ERR315490 2 0.0000 0.872 0.000 1.000
#> ERR315495 2 0.0000 0.872 0.000 1.000
#> ERR315361 2 0.0000 0.872 0.000 1.000
#> ERR315419 2 0.9983 0.248 0.476 0.524
#> ERR315344 2 0.9983 0.248 0.476 0.524
#> ERR315414 2 0.0000 0.872 0.000 1.000
#> ERR315352 2 0.0000 0.872 0.000 1.000
#> ERR315410 2 0.0000 0.872 0.000 1.000
#> ERR315349 2 0.0000 0.872 0.000 1.000
#> ERR315474 2 0.0000 0.872 0.000 1.000
#> ERR315470 2 0.0000 0.872 0.000 1.000
#> ERR315428 2 0.0000 0.872 0.000 1.000
#> ERR315363 2 0.0000 0.872 0.000 1.000
#> ERR315469 1 0.9815 1.000 0.580 0.420
#> ERR315425 1 0.9815 1.000 0.580 0.420
#> ERR315476 2 0.0000 0.872 0.000 1.000
#> ERR315478 2 0.0000 0.872 0.000 1.000
#> ERR315362 2 0.0000 0.872 0.000 1.000
#> ERR315411 2 0.0000 0.872 0.000 1.000
#> ERR315416 1 0.9815 1.000 0.580 0.420
#> ERR315405 1 0.9815 1.000 0.580 0.420
#> ERR315408 2 0.9983 0.248 0.476 0.524
#> ERR315364 2 0.9983 0.248 0.476 0.524
#> ERR315359 2 0.0000 0.872 0.000 1.000
#> ERR315330 2 0.0000 0.872 0.000 1.000
#> ERR315384 2 0.0000 0.872 0.000 1.000
#> ERR315413 2 0.0000 0.872 0.000 1.000
#> ERR315332 2 0.0000 0.872 0.000 1.000
#> ERR315334 2 0.0000 0.872 0.000 1.000
#> ERR315447 2 0.0000 0.872 0.000 1.000
#> ERR315453 2 0.0000 0.872 0.000 1.000
#> ERR315442 2 0.9983 0.248 0.476 0.524
#> ERR315457 2 0.9983 0.248 0.476 0.524
#> ERR315392 2 0.0000 0.872 0.000 1.000
#> ERR315450 2 0.0000 0.872 0.000 1.000
#> ERR315462 2 0.9983 0.248 0.476 0.524
#> ERR315328 2 0.0000 0.872 0.000 1.000
#> ERR315389 2 0.0000 0.872 0.000 1.000
#> ERR315435 2 0.0000 0.872 0.000 1.000
#> ERR315482 2 0.0000 0.872 0.000 1.000
#> ERR315380 2 0.0000 0.872 0.000 1.000
#> ERR315377 2 0.0000 0.872 0.000 1.000
#> ERR315374 2 0.0000 0.872 0.000 1.000
#> ERR315466 2 0.0000 0.872 0.000 1.000
#> ERR315479 2 0.0000 0.872 0.000 1.000
#> ERR315473 1 0.9815 1.000 0.580 0.420
#> ERR315391 2 0.0000 0.872 0.000 1.000
#> ERR315417 2 0.0000 0.872 0.000 1.000
#> ERR315385 2 0.0000 0.872 0.000 1.000
#> ERR315386 2 0.0000 0.872 0.000 1.000
#> ERR315438 2 0.0000 0.872 0.000 1.000
#> ERR315367 2 0.0000 0.872 0.000 1.000
#> ERR315331 2 0.0000 0.872 0.000 1.000
#> ERR315347 2 0.0672 0.862 0.008 0.992
#> ERR315396 1 0.9815 1.000 0.580 0.420
#> ERR315486 1 0.9815 1.000 0.580 0.420
#> ERR315403 2 0.9983 0.248 0.476 0.524
#> ERR315357 2 0.9983 0.248 0.476 0.524
#> ERR315463 2 0.0000 0.872 0.000 1.000
#> ERR315451 2 0.0000 0.872 0.000 1.000
#> ERR315445 2 0.9983 0.248 0.476 0.524
#> ERR315461 2 0.9983 0.248 0.476 0.524
#> ERR315397 2 0.0000 0.872 0.000 1.000
#> ERR315491 2 0.0000 0.872 0.000 1.000
#> ERR315483 2 0.0000 0.872 0.000 1.000
#> ERR315400 2 0.9983 0.248 0.476 0.524
#> ERR315440 1 0.9815 1.000 0.580 0.420
#> ERR315493 1 0.9815 1.000 0.580 0.420
#> ERR315441 1 0.9815 1.000 0.580 0.420
#> ERR315455 2 0.0000 0.872 0.000 1.000
#> ERR315421 2 0.0000 0.872 0.000 1.000
#> ERR315370 2 0.0000 0.872 0.000 1.000
#> ERR315355 2 0.0000 0.872 0.000 1.000
#> ERR315446 2 0.0000 0.872 0.000 1.000
#> ERR315375 2 0.0000 0.872 0.000 1.000
#> ERR315467 2 0.3114 0.787 0.056 0.944
#> ERR315484 2 0.9983 0.248 0.476 0.524
#> ERR315406 1 0.9815 1.000 0.580 0.420
#> ERR315404 1 0.9815 1.000 0.580 0.420
#> ERR315407 2 0.0000 0.872 0.000 1.000
#> ERR315340 2 0.0000 0.872 0.000 1.000
#> ERR315356 2 0.0000 0.872 0.000 1.000
#> ERR315430 2 0.0000 0.872 0.000 1.000
#> ERR315422 2 0.0000 0.872 0.000 1.000
#> ERR315358 2 0.0000 0.872 0.000 1.000
#> ERR315448 1 0.9815 1.000 0.580 0.420
#> ERR315401 2 0.0000 0.872 0.000 1.000
#> ERR315464 2 0.0000 0.872 0.000 1.000
#> ERR315481 1 0.9815 1.000 0.580 0.420
#> ERR315454 1 0.9815 1.000 0.580 0.420
#> ERR315365 2 0.0000 0.872 0.000 1.000
#> ERR315354 2 0.0000 0.872 0.000 1.000
#> ERR315439 2 0.0000 0.872 0.000 1.000
#> ERR315444 2 0.0000 0.872 0.000 1.000
#> ERR315341 2 0.0000 0.872 0.000 1.000
#> ERR315412 2 0.0000 0.872 0.000 1.000
#> ERR315337 2 0.0000 0.872 0.000 1.000
#> ERR315429 2 0.0000 0.872 0.000 1.000
#> ERR315436 2 0.0000 0.872 0.000 1.000
#> ERR315379 2 0.9977 0.251 0.472 0.528
#> ERR315443 2 0.0000 0.872 0.000 1.000
#> ERR315415 2 0.0000 0.872 0.000 1.000
#> ERR315456 2 0.0000 0.872 0.000 1.000
#> ERR315336 2 0.0000 0.872 0.000 1.000
#> ERR315399 2 0.0000 0.872 0.000 1.000
#> ERR315477 2 0.0000 0.872 0.000 1.000
#> ERR315346 2 0.0000 0.872 0.000 1.000
#> ERR315383 2 0.0000 0.872 0.000 1.000
#> ERR315494 2 0.0938 0.857 0.012 0.988
#> ERR315492 2 0.2778 0.800 0.048 0.952
#> ERR315432 2 0.0000 0.872 0.000 1.000
#> ERR315338 1 0.9815 1.000 0.580 0.420
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315339 2 0.3267 0.850 0.116 0.884 0.000
#> ERR315376 2 0.3267 0.850 0.116 0.884 0.000
#> ERR315343 2 0.1860 0.938 0.052 0.948 0.000
#> ERR315342 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315468 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315434 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315489 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315371 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315433 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315368 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315465 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315437 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315327 2 0.3434 0.918 0.064 0.904 0.032
#> ERR315394 2 0.3181 0.923 0.064 0.912 0.024
#> ERR315427 2 0.0237 0.936 0.004 0.996 0.000
#> ERR315360 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315426 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315387 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315475 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315395 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315333 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315460 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315372 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315472 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315398 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315409 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315423 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315402 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315458 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315366 1 0.5988 0.582 0.632 0.368 0.000
#> ERR315345 1 0.6244 0.388 0.560 0.440 0.000
#> ERR315326 2 0.0892 0.934 0.020 0.980 0.000
#> ERR315424 2 0.0892 0.934 0.020 0.980 0.000
#> ERR315382 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315325 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315369 3 0.5307 0.832 0.056 0.124 0.820
#> ERR315485 3 0.5307 0.832 0.056 0.124 0.820
#> ERR315420 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315459 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315353 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315487 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315378 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315431 2 0.1860 0.938 0.052 0.948 0.000
#> ERR315335 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315452 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315471 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315390 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315329 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315393 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315488 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315351 2 0.3583 0.912 0.044 0.900 0.056
#> ERR315350 2 0.3692 0.910 0.048 0.896 0.056
#> ERR315381 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315388 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315418 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315449 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315490 2 0.1163 0.940 0.028 0.972 0.000
#> ERR315495 2 0.0892 0.940 0.020 0.980 0.000
#> ERR315361 2 0.1163 0.940 0.028 0.972 0.000
#> ERR315419 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315344 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315414 2 0.3993 0.902 0.064 0.884 0.052
#> ERR315352 2 0.3583 0.912 0.044 0.900 0.056
#> ERR315410 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315349 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315474 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315470 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315428 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315363 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315469 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315425 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315476 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315478 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315362 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315411 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315416 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315405 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315408 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315364 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315359 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315330 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315384 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315413 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315332 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315334 2 0.4235 0.752 0.176 0.824 0.000
#> ERR315447 2 0.4235 0.752 0.176 0.824 0.000
#> ERR315453 2 0.4235 0.752 0.176 0.824 0.000
#> ERR315442 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315457 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315392 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315450 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315462 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315328 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315389 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315435 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315482 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315380 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315377 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315374 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315466 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315479 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315473 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315391 2 0.3692 0.910 0.048 0.896 0.056
#> ERR315417 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315385 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315386 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315438 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315367 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315331 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315347 2 0.4099 0.811 0.008 0.852 0.140
#> ERR315396 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315486 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315403 3 0.3998 0.924 0.056 0.060 0.884
#> ERR315357 3 0.3998 0.923 0.056 0.060 0.884
#> ERR315463 2 0.3993 0.902 0.064 0.884 0.052
#> ERR315451 2 0.3993 0.902 0.064 0.884 0.052
#> ERR315445 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315461 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315397 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315491 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315483 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315400 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315440 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315493 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315441 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315455 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315421 2 0.1289 0.928 0.032 0.968 0.000
#> ERR315370 2 0.1031 0.932 0.024 0.976 0.000
#> ERR315355 2 0.1031 0.932 0.024 0.976 0.000
#> ERR315446 2 0.3472 0.914 0.040 0.904 0.056
#> ERR315375 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315467 2 0.6836 0.553 0.240 0.704 0.056
#> ERR315484 3 0.1964 0.970 0.056 0.000 0.944
#> ERR315406 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315404 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315407 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315340 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315356 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315430 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315422 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315358 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315448 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315401 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315464 2 0.3192 0.851 0.112 0.888 0.000
#> ERR315481 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315454 1 0.3192 0.967 0.888 0.112 0.000
#> ERR315365 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315354 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315439 2 0.0892 0.938 0.020 0.980 0.000
#> ERR315444 2 0.1163 0.938 0.028 0.972 0.000
#> ERR315341 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315412 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315337 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315429 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315436 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315379 3 0.4281 0.911 0.056 0.072 0.872
#> ERR315443 2 0.3412 0.839 0.000 0.876 0.124
#> ERR315415 2 0.3472 0.914 0.040 0.904 0.056
#> ERR315456 2 0.3692 0.910 0.048 0.896 0.056
#> ERR315336 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315399 2 0.0000 0.937 0.000 1.000 0.000
#> ERR315477 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315346 2 0.0424 0.936 0.008 0.992 0.000
#> ERR315383 2 0.2066 0.906 0.000 0.940 0.060
#> ERR315494 2 0.5560 0.555 0.000 0.700 0.300
#> ERR315492 2 0.3692 0.910 0.048 0.896 0.056
#> ERR315432 2 0.1753 0.939 0.048 0.952 0.000
#> ERR315338 1 0.3192 0.967 0.888 0.112 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315339 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315376 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315343 2 0.1940 0.900 0.076 0.924 0.000 0.000
#> ERR315342 2 0.2081 0.897 0.084 0.916 0.000 0.000
#> ERR315468 2 0.0336 0.901 0.008 0.992 0.000 0.000
#> ERR315434 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315489 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315371 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315433 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315368 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315465 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315437 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315327 2 0.4337 0.834 0.140 0.808 0.052 0.000
#> ERR315394 2 0.4174 0.841 0.140 0.816 0.044 0.000
#> ERR315427 2 0.1637 0.897 0.060 0.940 0.000 0.000
#> ERR315360 2 0.1716 0.895 0.064 0.936 0.000 0.000
#> ERR315426 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315387 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315475 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315395 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315333 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315460 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315372 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315472 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315398 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315409 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315402 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315458 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315366 1 0.4713 0.310 0.640 0.360 0.000 0.000
#> ERR315345 1 0.4955 0.101 0.556 0.444 0.000 0.000
#> ERR315326 2 0.2281 0.878 0.096 0.904 0.000 0.000
#> ERR315424 2 0.2281 0.878 0.096 0.904 0.000 0.000
#> ERR315382 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315325 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315369 3 0.3837 0.566 0.000 0.224 0.776 0.000
#> ERR315485 3 0.3726 0.594 0.000 0.212 0.788 0.000
#> ERR315420 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315459 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315353 2 0.1792 0.894 0.068 0.932 0.000 0.000
#> ERR315487 2 0.1867 0.892 0.072 0.928 0.000 0.000
#> ERR315378 2 0.2081 0.897 0.084 0.916 0.000 0.000
#> ERR315431 2 0.2081 0.898 0.084 0.916 0.000 0.000
#> ERR315335 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315452 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315471 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315390 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315329 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315393 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315488 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315351 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315350 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315381 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315418 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315449 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315490 2 0.0817 0.903 0.024 0.976 0.000 0.000
#> ERR315495 2 0.0707 0.903 0.020 0.980 0.000 0.000
#> ERR315361 2 0.0817 0.903 0.024 0.976 0.000 0.000
#> ERR315419 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315414 2 0.4656 0.819 0.136 0.792 0.072 0.000
#> ERR315352 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315410 2 0.0188 0.900 0.000 0.996 0.000 0.004
#> ERR315349 2 0.1474 0.898 0.052 0.948 0.000 0.000
#> ERR315474 2 0.1792 0.894 0.068 0.932 0.000 0.000
#> ERR315470 2 0.1637 0.896 0.060 0.940 0.000 0.000
#> ERR315428 2 0.1716 0.903 0.064 0.936 0.000 0.000
#> ERR315363 2 0.1716 0.903 0.064 0.936 0.000 0.000
#> ERR315469 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315425 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315476 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315478 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315362 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315411 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315416 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315405 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315408 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315359 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315330 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315384 2 0.2530 0.890 0.100 0.896 0.000 0.004
#> ERR315413 2 0.2530 0.890 0.100 0.896 0.000 0.004
#> ERR315332 2 0.2530 0.884 0.112 0.888 0.000 0.000
#> ERR315334 2 0.3569 0.783 0.196 0.804 0.000 0.000
#> ERR315447 2 0.3569 0.783 0.196 0.804 0.000 0.000
#> ERR315453 2 0.3569 0.783 0.196 0.804 0.000 0.000
#> ERR315442 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315392 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315450 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315462 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315328 2 0.1824 0.904 0.060 0.936 0.000 0.004
#> ERR315389 2 0.1824 0.904 0.060 0.936 0.000 0.004
#> ERR315435 2 0.1824 0.904 0.060 0.936 0.000 0.004
#> ERR315482 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315380 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315377 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315374 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315466 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315479 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315473 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315391 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315417 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315385 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315386 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315438 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315367 2 0.1305 0.902 0.036 0.960 0.000 0.004
#> ERR315331 2 0.1305 0.902 0.036 0.960 0.000 0.004
#> ERR315347 2 0.2844 0.876 0.048 0.900 0.052 0.000
#> ERR315396 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315486 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315403 3 0.1716 0.874 0.000 0.064 0.936 0.000
#> ERR315357 3 0.1792 0.867 0.000 0.068 0.932 0.000
#> ERR315463 2 0.4706 0.815 0.140 0.788 0.072 0.000
#> ERR315451 2 0.4706 0.815 0.140 0.788 0.072 0.000
#> ERR315445 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315397 2 0.1716 0.903 0.064 0.936 0.000 0.000
#> ERR315491 2 0.1716 0.903 0.064 0.936 0.000 0.000
#> ERR315483 2 0.1792 0.903 0.068 0.932 0.000 0.000
#> ERR315400 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315493 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315441 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315455 2 0.4781 0.364 0.004 0.660 0.000 0.336
#> ERR315421 2 0.2868 0.848 0.136 0.864 0.000 0.000
#> ERR315370 2 0.2760 0.855 0.128 0.872 0.000 0.000
#> ERR315355 2 0.2760 0.855 0.128 0.872 0.000 0.000
#> ERR315446 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315375 2 0.0921 0.903 0.028 0.972 0.000 0.000
#> ERR315467 2 0.5421 0.699 0.200 0.724 0.076 0.000
#> ERR315484 3 0.0000 0.940 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315404 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315407 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315340 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315356 2 0.1305 0.902 0.036 0.960 0.000 0.004
#> ERR315430 2 0.1305 0.902 0.036 0.960 0.000 0.004
#> ERR315422 2 0.1716 0.903 0.064 0.936 0.000 0.000
#> ERR315358 2 0.1637 0.903 0.060 0.940 0.000 0.000
#> ERR315448 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315401 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315464 2 0.3808 0.791 0.012 0.812 0.000 0.176
#> ERR315481 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315454 1 0.0469 0.954 0.988 0.012 0.000 0.000
#> ERR315365 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315354 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315439 2 0.1940 0.893 0.076 0.924 0.000 0.000
#> ERR315444 2 0.2081 0.891 0.084 0.916 0.000 0.000
#> ERR315341 2 0.1867 0.892 0.072 0.928 0.000 0.000
#> ERR315412 2 0.2011 0.900 0.080 0.920 0.000 0.000
#> ERR315337 2 0.2081 0.899 0.084 0.916 0.000 0.000
#> ERR315429 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315436 2 0.1211 0.902 0.040 0.960 0.000 0.000
#> ERR315379 3 0.2589 0.799 0.000 0.116 0.884 0.000
#> ERR315443 2 0.3636 0.735 0.008 0.820 0.172 0.000
#> ERR315415 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315456 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315336 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> ERR315399 2 0.0188 0.901 0.004 0.996 0.000 0.000
#> ERR315477 2 0.5003 0.429 0.016 0.676 0.000 0.308
#> ERR315346 2 0.1792 0.894 0.068 0.932 0.000 0.000
#> ERR315383 2 0.2546 0.844 0.008 0.900 0.092 0.000
#> ERR315494 2 0.5007 0.332 0.008 0.636 0.356 0.000
#> ERR315492 4 0.3539 1.000 0.004 0.176 0.000 0.820
#> ERR315432 2 0.4720 0.402 0.004 0.672 0.000 0.324
#> ERR315338 1 0.0469 0.954 0.988 0.012 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315339 4 0.5714 0.655 0.028 0.120 0.000 0.680 0.172
#> ERR315376 4 0.5714 0.655 0.028 0.120 0.000 0.680 0.172
#> ERR315343 4 0.2654 0.784 0.064 0.000 0.000 0.888 0.048
#> ERR315342 4 0.2782 0.784 0.072 0.000 0.000 0.880 0.048
#> ERR315468 5 0.3424 0.902 0.000 0.000 0.000 0.240 0.760
#> ERR315434 4 0.4399 0.719 0.028 0.120 0.000 0.792 0.060
#> ERR315489 4 0.4399 0.719 0.028 0.120 0.000 0.792 0.060
#> ERR315371 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315433 4 0.1907 0.776 0.028 0.000 0.000 0.928 0.044
#> ERR315368 4 0.1907 0.776 0.028 0.000 0.000 0.928 0.044
#> ERR315465 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315437 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315327 4 0.5741 0.630 0.120 0.000 0.020 0.664 0.196
#> ERR315394 4 0.5698 0.632 0.116 0.000 0.020 0.668 0.196
#> ERR315427 4 0.0963 0.806 0.036 0.000 0.000 0.964 0.000
#> ERR315360 4 0.1197 0.805 0.048 0.000 0.000 0.952 0.000
#> ERR315426 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315387 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315475 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315395 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315333 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315460 4 0.5747 0.652 0.028 0.120 0.000 0.676 0.176
#> ERR315372 4 0.5747 0.652 0.028 0.120 0.000 0.676 0.176
#> ERR315472 4 0.4399 0.719 0.028 0.120 0.000 0.792 0.060
#> ERR315398 4 0.4399 0.719 0.028 0.120 0.000 0.792 0.060
#> ERR315409 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315402 5 0.4924 0.571 0.028 0.000 0.000 0.420 0.552
#> ERR315458 5 0.4909 0.580 0.028 0.000 0.000 0.412 0.560
#> ERR315366 1 0.4101 0.375 0.628 0.000 0.000 0.372 0.000
#> ERR315345 1 0.4278 0.108 0.548 0.000 0.000 0.452 0.000
#> ERR315326 4 0.1792 0.794 0.084 0.000 0.000 0.916 0.000
#> ERR315424 4 0.1792 0.794 0.084 0.000 0.000 0.916 0.000
#> ERR315382 4 0.3143 0.634 0.000 0.000 0.000 0.796 0.204
#> ERR315325 4 0.3305 0.600 0.000 0.000 0.000 0.776 0.224
#> ERR315369 3 0.3430 0.625 0.004 0.000 0.776 0.220 0.000
#> ERR315485 3 0.3333 0.647 0.004 0.000 0.788 0.208 0.000
#> ERR315420 5 0.3452 0.899 0.000 0.000 0.000 0.244 0.756
#> ERR315459 5 0.3508 0.892 0.000 0.000 0.000 0.252 0.748
#> ERR315353 4 0.1341 0.804 0.056 0.000 0.000 0.944 0.000
#> ERR315487 4 0.1410 0.803 0.060 0.000 0.000 0.940 0.000
#> ERR315378 4 0.2782 0.784 0.072 0.000 0.000 0.880 0.048
#> ERR315431 4 0.2719 0.784 0.068 0.000 0.000 0.884 0.048
#> ERR315335 4 0.4638 0.255 0.028 0.000 0.000 0.648 0.324
#> ERR315452 4 0.4747 0.140 0.028 0.000 0.000 0.620 0.352
#> ERR315471 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315390 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315329 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315393 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315488 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315351 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315350 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315381 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.3395 0.904 0.000 0.000 0.000 0.236 0.764
#> ERR315449 5 0.3395 0.904 0.000 0.000 0.000 0.236 0.764
#> ERR315490 4 0.0510 0.800 0.016 0.000 0.000 0.984 0.000
#> ERR315495 4 0.0510 0.800 0.016 0.000 0.000 0.984 0.000
#> ERR315361 4 0.0510 0.800 0.016 0.000 0.000 0.984 0.000
#> ERR315419 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315414 4 0.6540 0.140 0.112 0.000 0.024 0.488 0.376
#> ERR315352 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315410 4 0.2891 0.748 0.000 0.000 0.000 0.824 0.176
#> ERR315349 4 0.0963 0.805 0.036 0.000 0.000 0.964 0.000
#> ERR315474 4 0.1341 0.805 0.056 0.000 0.000 0.944 0.000
#> ERR315470 4 0.1197 0.805 0.048 0.000 0.000 0.952 0.000
#> ERR315428 5 0.3977 0.912 0.032 0.000 0.000 0.204 0.764
#> ERR315363 5 0.3977 0.912 0.032 0.000 0.000 0.204 0.764
#> ERR315469 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315425 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315476 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315478 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315362 4 0.4399 0.719 0.028 0.120 0.000 0.792 0.060
#> ERR315411 4 0.4399 0.719 0.028 0.120 0.000 0.792 0.060
#> ERR315416 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315405 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315408 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315359 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315330 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315384 4 0.3274 0.736 0.000 0.000 0.000 0.780 0.220
#> ERR315413 4 0.3274 0.736 0.000 0.000 0.000 0.780 0.220
#> ERR315332 4 0.3003 0.783 0.092 0.000 0.000 0.864 0.044
#> ERR315334 4 0.2929 0.730 0.180 0.000 0.000 0.820 0.000
#> ERR315447 4 0.2929 0.730 0.180 0.000 0.000 0.820 0.000
#> ERR315453 4 0.2929 0.730 0.180 0.000 0.000 0.820 0.000
#> ERR315442 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315392 4 0.3929 0.579 0.028 0.000 0.000 0.764 0.208
#> ERR315450 4 0.3897 0.586 0.028 0.000 0.000 0.768 0.204
#> ERR315462 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315328 4 0.4210 0.528 0.000 0.000 0.000 0.588 0.412
#> ERR315389 4 0.4302 0.375 0.000 0.000 0.000 0.520 0.480
#> ERR315435 4 0.4294 0.407 0.000 0.000 0.000 0.532 0.468
#> ERR315482 4 0.2325 0.763 0.028 0.000 0.000 0.904 0.068
#> ERR315380 4 0.2325 0.763 0.028 0.000 0.000 0.904 0.068
#> ERR315377 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315374 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315466 5 0.3929 0.912 0.028 0.000 0.000 0.208 0.764
#> ERR315479 5 0.3929 0.912 0.028 0.000 0.000 0.208 0.764
#> ERR315473 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315391 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315417 4 0.2740 0.735 0.028 0.000 0.000 0.876 0.096
#> ERR315385 4 0.2628 0.743 0.028 0.000 0.000 0.884 0.088
#> ERR315386 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315438 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315367 4 0.4273 0.455 0.000 0.000 0.000 0.552 0.448
#> ERR315331 4 0.4273 0.455 0.000 0.000 0.000 0.552 0.448
#> ERR315347 4 0.1915 0.798 0.032 0.000 0.040 0.928 0.000
#> ERR315396 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315486 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315403 3 0.0963 0.914 0.000 0.000 0.964 0.036 0.000
#> ERR315357 3 0.0963 0.914 0.000 0.000 0.964 0.036 0.000
#> ERR315463 4 0.5826 0.626 0.120 0.000 0.024 0.660 0.196
#> ERR315451 4 0.5826 0.626 0.120 0.000 0.024 0.660 0.196
#> ERR315445 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.3977 0.912 0.032 0.000 0.000 0.204 0.764
#> ERR315491 5 0.3977 0.912 0.032 0.000 0.000 0.204 0.764
#> ERR315483 5 0.4062 0.906 0.040 0.000 0.000 0.196 0.764
#> ERR315400 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315493 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315441 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315455 4 0.5877 0.249 0.000 0.196 0.000 0.604 0.200
#> ERR315421 4 0.2424 0.769 0.132 0.000 0.000 0.868 0.000
#> ERR315370 4 0.2329 0.774 0.124 0.000 0.000 0.876 0.000
#> ERR315355 4 0.2329 0.774 0.124 0.000 0.000 0.876 0.000
#> ERR315446 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315375 4 0.0703 0.806 0.024 0.000 0.000 0.976 0.000
#> ERR315467 4 0.6009 0.618 0.184 0.000 0.024 0.644 0.148
#> ERR315484 3 0.0000 0.950 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315404 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315407 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315340 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315356 4 0.4015 0.610 0.000 0.000 0.000 0.652 0.348
#> ERR315430 4 0.4030 0.604 0.000 0.000 0.000 0.648 0.352
#> ERR315422 5 0.4021 0.909 0.036 0.000 0.000 0.200 0.764
#> ERR315358 5 0.3977 0.911 0.032 0.000 0.000 0.204 0.764
#> ERR315448 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315401 4 0.5714 0.655 0.028 0.120 0.000 0.680 0.172
#> ERR315464 4 0.5714 0.655 0.028 0.120 0.000 0.680 0.172
#> ERR315481 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315454 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
#> ERR315365 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315354 4 0.0000 0.800 0.000 0.000 0.000 1.000 0.000
#> ERR315439 4 0.1410 0.804 0.060 0.000 0.000 0.940 0.000
#> ERR315444 4 0.1478 0.802 0.064 0.000 0.000 0.936 0.000
#> ERR315341 4 0.1478 0.802 0.064 0.000 0.000 0.936 0.000
#> ERR315412 5 0.4199 0.886 0.056 0.000 0.000 0.180 0.764
#> ERR315337 5 0.4199 0.886 0.056 0.000 0.000 0.180 0.764
#> ERR315429 5 0.3929 0.912 0.028 0.000 0.000 0.208 0.764
#> ERR315436 5 0.3929 0.912 0.028 0.000 0.000 0.208 0.764
#> ERR315379 3 0.2230 0.792 0.000 0.000 0.884 0.116 0.000
#> ERR315443 5 0.3395 0.904 0.000 0.000 0.000 0.236 0.764
#> ERR315415 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315456 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315336 4 0.0162 0.801 0.004 0.000 0.000 0.996 0.000
#> ERR315399 4 0.0290 0.803 0.008 0.000 0.000 0.992 0.000
#> ERR315477 5 0.4993 0.711 0.012 0.024 0.000 0.340 0.624
#> ERR315346 4 0.1410 0.803 0.060 0.000 0.000 0.940 0.000
#> ERR315383 5 0.3395 0.904 0.000 0.000 0.000 0.236 0.764
#> ERR315494 5 0.3395 0.904 0.000 0.000 0.000 0.236 0.764
#> ERR315492 2 0.2280 1.000 0.000 0.880 0.000 0.120 0.000
#> ERR315432 5 0.5232 0.659 0.000 0.060 0.000 0.340 0.600
#> ERR315338 1 0.0794 0.960 0.972 0.000 0.000 0.028 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 4 0.3576 0.749 0.004 0.004 0.000 0.748 0.236 0.008
#> ERR315376 4 0.3576 0.749 0.004 0.004 0.000 0.748 0.236 0.008
#> ERR315343 4 0.1866 0.851 0.084 0.000 0.000 0.908 0.008 0.000
#> ERR315342 4 0.1970 0.848 0.092 0.000 0.000 0.900 0.008 0.000
#> ERR315468 5 0.2969 0.907 0.000 0.000 0.000 0.224 0.776 0.000
#> ERR315434 4 0.3497 0.754 0.004 0.004 0.000 0.760 0.224 0.008
#> ERR315489 4 0.3497 0.754 0.004 0.004 0.000 0.760 0.224 0.008
#> ERR315371 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315433 4 0.0520 0.844 0.008 0.000 0.000 0.984 0.008 0.000
#> ERR315368 4 0.0520 0.844 0.008 0.000 0.000 0.984 0.008 0.000
#> ERR315465 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315437 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315327 4 0.3352 0.822 0.128 0.000 0.012 0.828 0.024 0.008
#> ERR315394 4 0.3310 0.825 0.124 0.000 0.008 0.832 0.024 0.012
#> ERR315427 4 0.1007 0.855 0.044 0.000 0.000 0.956 0.000 0.000
#> ERR315360 4 0.1327 0.855 0.064 0.000 0.000 0.936 0.000 0.000
#> ERR315426 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315387 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315475 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315395 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315333 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315460 4 0.3602 0.748 0.004 0.004 0.000 0.744 0.240 0.008
#> ERR315372 4 0.3602 0.748 0.004 0.004 0.000 0.744 0.240 0.008
#> ERR315472 4 0.3497 0.754 0.004 0.004 0.000 0.760 0.224 0.008
#> ERR315398 4 0.3497 0.754 0.004 0.004 0.000 0.760 0.224 0.008
#> ERR315409 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 5 0.4672 0.604 0.008 0.000 0.000 0.432 0.532 0.028
#> ERR315458 5 0.4740 0.593 0.008 0.000 0.000 0.436 0.524 0.032
#> ERR315366 1 0.3563 0.405 0.664 0.000 0.000 0.336 0.000 0.000
#> ERR315345 1 0.3789 0.146 0.584 0.000 0.000 0.416 0.000 0.000
#> ERR315326 4 0.1957 0.837 0.112 0.000 0.000 0.888 0.000 0.000
#> ERR315424 4 0.1957 0.837 0.112 0.000 0.000 0.888 0.000 0.000
#> ERR315382 4 0.1610 0.783 0.000 0.000 0.000 0.916 0.084 0.000
#> ERR315325 4 0.1814 0.764 0.000 0.000 0.000 0.900 0.100 0.000
#> ERR315369 3 0.2941 0.643 0.000 0.000 0.780 0.220 0.000 0.000
#> ERR315485 3 0.2883 0.658 0.000 0.000 0.788 0.212 0.000 0.000
#> ERR315420 5 0.3076 0.905 0.000 0.000 0.000 0.240 0.760 0.000
#> ERR315459 5 0.3126 0.900 0.000 0.000 0.000 0.248 0.752 0.000
#> ERR315353 4 0.1204 0.856 0.056 0.000 0.000 0.944 0.000 0.000
#> ERR315487 4 0.1327 0.855 0.064 0.000 0.000 0.936 0.000 0.000
#> ERR315378 4 0.1970 0.848 0.092 0.000 0.000 0.900 0.008 0.000
#> ERR315431 4 0.1866 0.851 0.084 0.000 0.000 0.908 0.008 0.000
#> ERR315335 4 0.3791 0.307 0.008 0.000 0.000 0.688 0.300 0.004
#> ERR315452 4 0.3910 0.204 0.008 0.000 0.000 0.660 0.328 0.004
#> ERR315471 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315390 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315329 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315393 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315488 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315351 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315350 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315381 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.3023 0.907 0.000 0.000 0.000 0.232 0.768 0.000
#> ERR315449 5 0.3023 0.907 0.000 0.000 0.000 0.232 0.768 0.000
#> ERR315490 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315495 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315361 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315419 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 4 0.7277 0.247 0.120 0.000 0.024 0.500 0.192 0.164
#> ERR315352 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315410 4 0.2854 0.758 0.000 0.000 0.000 0.792 0.000 0.208
#> ERR315349 4 0.0865 0.854 0.036 0.000 0.000 0.964 0.000 0.000
#> ERR315474 4 0.1501 0.854 0.076 0.000 0.000 0.924 0.000 0.000
#> ERR315470 4 0.1204 0.856 0.056 0.000 0.000 0.944 0.000 0.000
#> ERR315428 5 0.3161 0.908 0.008 0.000 0.000 0.216 0.776 0.000
#> ERR315363 5 0.3161 0.908 0.008 0.000 0.000 0.216 0.776 0.000
#> ERR315469 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315425 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315476 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315478 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315362 4 0.3497 0.754 0.004 0.004 0.000 0.760 0.224 0.008
#> ERR315411 4 0.3497 0.754 0.004 0.004 0.000 0.760 0.224 0.008
#> ERR315416 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315405 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315408 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 4 0.0000 0.845 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315330 4 0.0000 0.845 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315384 6 0.0405 0.992 0.000 0.000 0.000 0.004 0.008 0.988
#> ERR315413 6 0.0405 0.992 0.000 0.000 0.000 0.004 0.008 0.988
#> ERR315332 4 0.2212 0.840 0.112 0.000 0.000 0.880 0.008 0.000
#> ERR315334 4 0.2969 0.751 0.224 0.000 0.000 0.776 0.000 0.000
#> ERR315447 4 0.2969 0.751 0.224 0.000 0.000 0.776 0.000 0.000
#> ERR315453 4 0.2969 0.751 0.224 0.000 0.000 0.776 0.000 0.000
#> ERR315442 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 4 0.3023 0.623 0.008 0.000 0.000 0.808 0.180 0.004
#> ERR315450 4 0.2989 0.631 0.008 0.000 0.000 0.812 0.176 0.004
#> ERR315462 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315389 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315435 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315482 4 0.0717 0.840 0.008 0.000 0.000 0.976 0.016 0.000
#> ERR315380 4 0.0717 0.840 0.008 0.000 0.000 0.976 0.016 0.000
#> ERR315377 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315374 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315466 5 0.5762 0.734 0.004 0.000 0.000 0.228 0.536 0.232
#> ERR315479 5 0.5743 0.738 0.004 0.000 0.000 0.228 0.540 0.228
#> ERR315473 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315391 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315417 4 0.1845 0.790 0.008 0.000 0.000 0.916 0.072 0.004
#> ERR315385 4 0.1728 0.799 0.008 0.000 0.000 0.924 0.064 0.004
#> ERR315386 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315438 4 0.0146 0.846 0.004 0.000 0.000 0.996 0.000 0.000
#> ERR315367 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315331 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315347 4 0.1649 0.851 0.032 0.000 0.036 0.932 0.000 0.000
#> ERR315396 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315486 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315403 3 0.0146 0.949 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315357 3 0.0146 0.949 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315463 4 0.3435 0.818 0.128 0.000 0.028 0.820 0.024 0.000
#> ERR315451 4 0.3435 0.818 0.128 0.000 0.028 0.820 0.024 0.000
#> ERR315445 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.3161 0.908 0.008 0.000 0.000 0.216 0.776 0.000
#> ERR315491 5 0.3161 0.908 0.008 0.000 0.000 0.216 0.776 0.000
#> ERR315483 5 0.3230 0.906 0.012 0.000 0.000 0.212 0.776 0.000
#> ERR315400 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315493 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315441 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315455 4 0.5131 0.264 0.000 0.156 0.000 0.640 0.200 0.004
#> ERR315421 4 0.2631 0.793 0.180 0.000 0.000 0.820 0.000 0.000
#> ERR315370 4 0.2562 0.800 0.172 0.000 0.000 0.828 0.000 0.000
#> ERR315355 4 0.2562 0.800 0.172 0.000 0.000 0.828 0.000 0.000
#> ERR315446 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315375 4 0.1327 0.856 0.064 0.000 0.000 0.936 0.000 0.000
#> ERR315467 4 0.4213 0.722 0.224 0.000 0.036 0.724 0.016 0.000
#> ERR315484 3 0.0000 0.953 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315404 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315407 4 0.0000 0.845 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315340 4 0.0000 0.845 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315356 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315430 6 0.0363 0.998 0.000 0.000 0.000 0.000 0.012 0.988
#> ERR315422 5 0.3290 0.904 0.016 0.000 0.000 0.208 0.776 0.000
#> ERR315358 5 0.3290 0.904 0.016 0.000 0.000 0.208 0.776 0.000
#> ERR315448 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315401 4 0.3576 0.749 0.004 0.004 0.000 0.748 0.236 0.008
#> ERR315464 4 0.3576 0.749 0.004 0.004 0.000 0.748 0.236 0.008
#> ERR315481 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315454 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR315365 4 0.0000 0.845 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315354 4 0.0000 0.845 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315439 4 0.1501 0.853 0.076 0.000 0.000 0.924 0.000 0.000
#> ERR315444 4 0.1556 0.852 0.080 0.000 0.000 0.920 0.000 0.000
#> ERR315341 4 0.1444 0.854 0.072 0.000 0.000 0.928 0.000 0.000
#> ERR315412 5 0.3646 0.863 0.052 0.000 0.000 0.172 0.776 0.000
#> ERR315337 5 0.3646 0.863 0.052 0.000 0.000 0.172 0.776 0.000
#> ERR315429 5 0.5897 0.718 0.008 0.000 0.000 0.224 0.524 0.244
#> ERR315436 5 0.5914 0.714 0.008 0.000 0.000 0.224 0.520 0.248
#> ERR315379 3 0.2219 0.759 0.000 0.000 0.864 0.136 0.000 0.000
#> ERR315443 5 0.2969 0.907 0.000 0.000 0.000 0.224 0.776 0.000
#> ERR315415 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315456 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315336 4 0.0363 0.849 0.012 0.000 0.000 0.988 0.000 0.000
#> ERR315399 4 0.0458 0.850 0.016 0.000 0.000 0.984 0.000 0.000
#> ERR315477 5 0.3468 0.901 0.004 0.004 0.000 0.236 0.752 0.004
#> ERR315346 4 0.1267 0.856 0.060 0.000 0.000 0.940 0.000 0.000
#> ERR315383 5 0.2969 0.907 0.000 0.000 0.000 0.224 0.776 0.000
#> ERR315494 5 0.2969 0.907 0.000 0.000 0.000 0.224 0.776 0.000
#> ERR315492 2 0.0146 1.000 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR315432 5 0.3656 0.883 0.000 0.012 0.000 0.256 0.728 0.004
#> ERR315338 1 0.0146 0.960 0.996 0.000 0.000 0.004 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "mclust"]
# you can also extract it by
# res = res_list["CV:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.257 0.758 0.839 0.4521 0.497 0.497
#> 3 3 0.286 0.424 0.726 0.2472 0.605 0.401
#> 4 4 0.435 0.675 0.795 0.0620 0.656 0.443
#> 5 5 0.495 0.519 0.719 0.2105 0.802 0.573
#> 6 6 0.637 0.608 0.779 0.0864 0.865 0.552
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.6438 0.782 0.836 0.164
#> ERR315339 2 0.9754 0.325 0.408 0.592
#> ERR315376 2 0.9608 0.402 0.384 0.616
#> ERR315343 2 0.1843 0.872 0.028 0.972
#> ERR315342 2 0.1843 0.872 0.028 0.972
#> ERR315468 1 0.9087 0.759 0.676 0.324
#> ERR315434 2 0.6438 0.784 0.164 0.836
#> ERR315489 2 0.6438 0.784 0.164 0.836
#> ERR315371 1 0.6531 0.804 0.832 0.168
#> ERR315433 2 0.0000 0.882 0.000 1.000
#> ERR315368 2 0.0000 0.882 0.000 1.000
#> ERR315465 1 0.6712 0.805 0.824 0.176
#> ERR315437 1 0.6712 0.805 0.824 0.176
#> ERR315327 2 0.6048 0.765 0.148 0.852
#> ERR315394 2 0.6048 0.765 0.148 0.852
#> ERR315427 1 0.8713 0.774 0.708 0.292
#> ERR315360 1 0.8713 0.771 0.708 0.292
#> ERR315426 1 0.6531 0.804 0.832 0.168
#> ERR315387 1 0.6531 0.804 0.832 0.168
#> ERR315475 1 0.6531 0.804 0.832 0.168
#> ERR315395 1 0.6531 0.804 0.832 0.168
#> ERR315333 1 0.6531 0.804 0.832 0.168
#> ERR315460 2 0.6438 0.784 0.164 0.836
#> ERR315372 2 0.6438 0.784 0.164 0.836
#> ERR315472 2 0.6438 0.784 0.164 0.836
#> ERR315398 2 0.6438 0.784 0.164 0.836
#> ERR315409 1 0.6438 0.782 0.836 0.164
#> ERR315423 1 0.6438 0.782 0.836 0.164
#> ERR315402 2 0.0376 0.881 0.004 0.996
#> ERR315458 2 0.0376 0.881 0.004 0.996
#> ERR315366 1 0.6531 0.806 0.832 0.168
#> ERR315345 1 0.6531 0.806 0.832 0.168
#> ERR315326 1 0.9522 0.730 0.628 0.372
#> ERR315424 1 0.9522 0.730 0.628 0.372
#> ERR315382 2 0.2423 0.871 0.040 0.960
#> ERR315325 2 0.2236 0.870 0.036 0.964
#> ERR315369 1 0.6438 0.782 0.836 0.164
#> ERR315485 1 0.6438 0.782 0.836 0.164
#> ERR315420 2 0.2043 0.869 0.032 0.968
#> ERR315459 2 0.2043 0.869 0.032 0.968
#> ERR315353 1 0.9608 0.716 0.616 0.384
#> ERR315487 1 0.9608 0.716 0.616 0.384
#> ERR315378 2 0.1633 0.874 0.024 0.976
#> ERR315431 2 0.1184 0.878 0.016 0.984
#> ERR315335 2 0.0376 0.882 0.004 0.996
#> ERR315452 2 0.0376 0.882 0.004 0.996
#> ERR315471 1 0.6531 0.804 0.832 0.168
#> ERR315390 1 0.6531 0.804 0.832 0.168
#> ERR315329 1 0.6531 0.804 0.832 0.168
#> ERR315393 1 0.6531 0.804 0.832 0.168
#> ERR315488 1 0.6531 0.804 0.832 0.168
#> ERR315351 2 0.1414 0.875 0.020 0.980
#> ERR315350 2 0.1414 0.875 0.020 0.980
#> ERR315381 1 0.6438 0.782 0.836 0.164
#> ERR315388 1 0.6438 0.782 0.836 0.164
#> ERR315418 2 0.2043 0.869 0.032 0.968
#> ERR315449 2 0.2043 0.869 0.032 0.968
#> ERR315490 2 0.0000 0.882 0.000 1.000
#> ERR315495 2 0.0000 0.882 0.000 1.000
#> ERR315361 2 0.0000 0.882 0.000 1.000
#> ERR315419 1 0.6438 0.782 0.836 0.164
#> ERR315344 1 0.6438 0.782 0.836 0.164
#> ERR315414 2 0.5946 0.769 0.144 0.856
#> ERR315352 2 0.1414 0.875 0.020 0.980
#> ERR315410 2 0.9944 -0.314 0.456 0.544
#> ERR315349 1 0.6531 0.780 0.832 0.168
#> ERR315474 1 0.6623 0.782 0.828 0.172
#> ERR315470 1 0.6531 0.780 0.832 0.168
#> ERR315428 2 0.1843 0.872 0.028 0.972
#> ERR315363 2 0.1843 0.872 0.028 0.972
#> ERR315469 1 0.6531 0.804 0.832 0.168
#> ERR315425 1 0.6531 0.804 0.832 0.168
#> ERR315476 1 0.9608 0.716 0.616 0.384
#> ERR315478 1 0.9608 0.716 0.616 0.384
#> ERR315362 2 0.6438 0.784 0.164 0.836
#> ERR315411 2 0.6438 0.784 0.164 0.836
#> ERR315416 1 0.6531 0.804 0.832 0.168
#> ERR315405 1 0.6531 0.804 0.832 0.168
#> ERR315408 1 0.6438 0.782 0.836 0.164
#> ERR315364 1 0.6438 0.782 0.836 0.164
#> ERR315359 2 0.9970 -0.355 0.468 0.532
#> ERR315330 2 0.9963 -0.342 0.464 0.536
#> ERR315384 2 0.0376 0.882 0.004 0.996
#> ERR315413 2 0.0376 0.882 0.004 0.996
#> ERR315332 2 0.2043 0.869 0.032 0.968
#> ERR315334 1 0.9491 0.732 0.632 0.368
#> ERR315447 1 0.9491 0.732 0.632 0.368
#> ERR315453 1 0.9491 0.732 0.632 0.368
#> ERR315442 1 0.6438 0.782 0.836 0.164
#> ERR315457 1 0.6438 0.782 0.836 0.164
#> ERR315392 2 0.0376 0.882 0.004 0.996
#> ERR315450 2 0.0376 0.882 0.004 0.996
#> ERR315462 1 0.6438 0.782 0.836 0.164
#> ERR315328 2 0.0376 0.882 0.004 0.996
#> ERR315389 2 0.0376 0.882 0.004 0.996
#> ERR315435 2 0.0376 0.882 0.004 0.996
#> ERR315482 2 0.0000 0.882 0.000 1.000
#> ERR315380 2 0.0376 0.881 0.004 0.996
#> ERR315377 1 0.9608 0.716 0.616 0.384
#> ERR315374 1 0.9608 0.716 0.616 0.384
#> ERR315466 2 0.1414 0.872 0.020 0.980
#> ERR315479 2 0.1414 0.872 0.020 0.980
#> ERR315473 1 0.6531 0.804 0.832 0.168
#> ERR315391 2 0.1414 0.875 0.020 0.980
#> ERR315417 2 0.0376 0.882 0.004 0.996
#> ERR315385 2 0.0376 0.882 0.004 0.996
#> ERR315386 2 0.2043 0.869 0.032 0.968
#> ERR315438 2 0.2043 0.869 0.032 0.968
#> ERR315367 2 0.0376 0.882 0.004 0.996
#> ERR315331 2 0.0376 0.882 0.004 0.996
#> ERR315347 1 0.6438 0.782 0.836 0.164
#> ERR315396 1 0.6531 0.804 0.832 0.168
#> ERR315486 1 0.6531 0.804 0.832 0.168
#> ERR315403 1 0.6438 0.782 0.836 0.164
#> ERR315357 1 0.6438 0.782 0.836 0.164
#> ERR315463 2 0.6048 0.765 0.148 0.852
#> ERR315451 2 0.6048 0.765 0.148 0.852
#> ERR315445 1 0.6438 0.782 0.836 0.164
#> ERR315461 1 0.6438 0.782 0.836 0.164
#> ERR315397 2 0.1633 0.874 0.024 0.976
#> ERR315491 2 0.1633 0.874 0.024 0.976
#> ERR315483 2 0.1633 0.874 0.024 0.976
#> ERR315400 1 0.6438 0.782 0.836 0.164
#> ERR315440 1 0.6531 0.804 0.832 0.168
#> ERR315493 1 0.6531 0.804 0.832 0.168
#> ERR315441 1 0.6531 0.804 0.832 0.168
#> ERR315455 2 0.0376 0.882 0.004 0.996
#> ERR315421 1 0.9580 0.721 0.620 0.380
#> ERR315370 1 0.9580 0.721 0.620 0.380
#> ERR315355 1 0.9580 0.721 0.620 0.380
#> ERR315446 2 0.1414 0.875 0.020 0.980
#> ERR315375 1 0.9608 0.716 0.616 0.384
#> ERR315467 1 0.7745 0.792 0.772 0.228
#> ERR315484 1 0.6438 0.782 0.836 0.164
#> ERR315406 1 0.6531 0.804 0.832 0.168
#> ERR315404 1 0.6531 0.804 0.832 0.168
#> ERR315407 2 0.9993 -0.407 0.484 0.516
#> ERR315340 2 0.9993 -0.407 0.484 0.516
#> ERR315356 2 0.0376 0.882 0.004 0.996
#> ERR315430 2 0.0376 0.882 0.004 0.996
#> ERR315422 2 0.1414 0.876 0.020 0.980
#> ERR315358 2 0.1414 0.876 0.020 0.980
#> ERR315448 1 0.6531 0.804 0.832 0.168
#> ERR315401 2 0.6438 0.784 0.164 0.836
#> ERR315464 2 0.6438 0.784 0.164 0.836
#> ERR315481 1 0.6247 0.794 0.844 0.156
#> ERR315454 1 0.6247 0.794 0.844 0.156
#> ERR315365 2 0.9998 -0.432 0.492 0.508
#> ERR315354 2 0.9998 -0.432 0.492 0.508
#> ERR315439 1 0.9608 0.716 0.616 0.384
#> ERR315444 1 0.9608 0.716 0.616 0.384
#> ERR315341 1 0.9635 0.710 0.612 0.388
#> ERR315412 2 0.1633 0.874 0.024 0.976
#> ERR315337 2 0.1633 0.874 0.024 0.976
#> ERR315429 2 0.0938 0.877 0.012 0.988
#> ERR315436 2 0.0938 0.877 0.012 0.988
#> ERR315379 1 0.6438 0.782 0.836 0.164
#> ERR315443 1 0.8763 0.762 0.704 0.296
#> ERR315415 2 0.1414 0.875 0.020 0.980
#> ERR315456 2 0.1414 0.875 0.020 0.980
#> ERR315336 1 0.9608 0.716 0.616 0.384
#> ERR315399 1 0.9608 0.716 0.616 0.384
#> ERR315477 2 0.0376 0.882 0.004 0.996
#> ERR315346 2 0.6973 0.654 0.188 0.812
#> ERR315383 1 0.8763 0.762 0.704 0.296
#> ERR315494 1 0.8763 0.762 0.704 0.296
#> ERR315492 2 0.1414 0.875 0.020 0.980
#> ERR315432 2 0.0376 0.882 0.004 0.996
#> ERR315338 1 0.6531 0.804 0.832 0.168
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.2810 0.5251 0.036 0.036 0.928
#> ERR315339 3 0.7447 0.2969 0.280 0.068 0.652
#> ERR315376 3 0.7283 0.3150 0.260 0.068 0.672
#> ERR315343 3 0.4799 0.4829 0.032 0.132 0.836
#> ERR315342 3 0.4799 0.4829 0.032 0.132 0.836
#> ERR315468 3 0.6647 0.0289 0.452 0.008 0.540
#> ERR315434 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315489 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315371 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315433 2 0.7123 0.6927 0.032 0.604 0.364
#> ERR315368 2 0.7032 0.6907 0.028 0.604 0.368
#> ERR315465 1 0.4473 0.6482 0.828 0.008 0.164
#> ERR315437 1 0.4473 0.6482 0.828 0.008 0.164
#> ERR315327 3 0.1647 0.5257 0.004 0.036 0.960
#> ERR315394 3 0.1647 0.5257 0.004 0.036 0.960
#> ERR315427 3 0.8637 -0.0899 0.448 0.100 0.452
#> ERR315360 3 0.8637 -0.0899 0.448 0.100 0.452
#> ERR315426 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315387 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315475 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315395 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315333 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315460 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315372 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315472 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315398 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315409 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315423 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315402 2 0.7487 0.6528 0.036 0.500 0.464
#> ERR315458 2 0.7487 0.6528 0.036 0.500 0.464
#> ERR315366 1 0.4692 0.6482 0.820 0.012 0.168
#> ERR315345 1 0.4692 0.6482 0.820 0.012 0.168
#> ERR315326 1 0.8793 0.0953 0.452 0.112 0.436
#> ERR315424 3 0.8795 -0.1082 0.444 0.112 0.444
#> ERR315382 3 0.2774 0.4928 0.008 0.072 0.920
#> ERR315325 3 0.2774 0.4928 0.008 0.072 0.920
#> ERR315369 3 0.2926 0.5247 0.040 0.036 0.924
#> ERR315485 3 0.2926 0.5247 0.040 0.036 0.924
#> ERR315420 3 0.2866 0.4897 0.008 0.076 0.916
#> ERR315459 3 0.2866 0.4897 0.008 0.076 0.916
#> ERR315353 3 0.8794 -0.0990 0.440 0.112 0.448
#> ERR315487 3 0.8794 -0.0990 0.440 0.112 0.448
#> ERR315378 3 0.4865 0.4806 0.032 0.136 0.832
#> ERR315431 3 0.4865 0.4831 0.032 0.136 0.832
#> ERR315335 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315452 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315471 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315390 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315329 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315393 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315488 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315351 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315350 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315381 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315388 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315418 3 0.2774 0.4913 0.008 0.072 0.920
#> ERR315449 3 0.2774 0.4913 0.008 0.072 0.920
#> ERR315490 2 0.6985 0.7037 0.024 0.592 0.384
#> ERR315495 2 0.7001 0.7078 0.024 0.588 0.388
#> ERR315361 2 0.6985 0.7037 0.024 0.592 0.384
#> ERR315419 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315344 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315414 3 0.1525 0.5241 0.004 0.032 0.964
#> ERR315352 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315410 3 0.7787 0.2287 0.348 0.064 0.588
#> ERR315349 3 0.4280 0.4974 0.124 0.020 0.856
#> ERR315474 3 0.4063 0.5049 0.112 0.020 0.868
#> ERR315470 3 0.4136 0.5025 0.116 0.020 0.864
#> ERR315428 3 0.6577 -0.2257 0.008 0.420 0.572
#> ERR315363 3 0.6577 -0.2257 0.008 0.420 0.572
#> ERR315469 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315425 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315476 3 0.8795 -0.1082 0.444 0.112 0.444
#> ERR315478 1 0.8795 0.0781 0.444 0.112 0.444
#> ERR315362 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315411 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315416 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315405 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315408 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315364 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315359 3 0.7705 0.2338 0.348 0.060 0.592
#> ERR315330 3 0.7705 0.2338 0.348 0.060 0.592
#> ERR315384 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315413 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315332 3 0.5728 0.4050 0.032 0.196 0.772
#> ERR315334 1 0.8968 0.1333 0.464 0.128 0.408
#> ERR315447 1 0.8968 0.1333 0.464 0.128 0.408
#> ERR315453 1 0.8968 0.1333 0.464 0.128 0.408
#> ERR315442 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315457 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315392 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315450 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315462 3 0.2564 0.5274 0.036 0.028 0.936
#> ERR315328 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315389 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315435 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315482 2 0.7438 0.7482 0.036 0.536 0.428
#> ERR315380 2 0.7438 0.7482 0.036 0.536 0.428
#> ERR315377 1 0.8844 0.0797 0.444 0.116 0.440
#> ERR315374 1 0.8844 0.0797 0.444 0.116 0.440
#> ERR315466 3 0.4295 0.5024 0.032 0.104 0.864
#> ERR315479 3 0.4217 0.5035 0.032 0.100 0.868
#> ERR315473 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315391 2 0.6264 0.6499 0.032 0.724 0.244
#> ERR315417 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315385 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315386 3 0.8631 -0.3651 0.100 0.432 0.468
#> ERR315438 2 0.8277 0.4255 0.076 0.468 0.456
#> ERR315367 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315331 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315347 3 0.2527 0.5282 0.044 0.020 0.936
#> ERR315396 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315486 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315403 3 0.2564 0.5268 0.036 0.028 0.936
#> ERR315357 3 0.2564 0.5268 0.036 0.028 0.936
#> ERR315463 3 0.1647 0.5257 0.004 0.036 0.960
#> ERR315451 3 0.1647 0.5257 0.004 0.036 0.960
#> ERR315445 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315461 3 0.6008 0.2402 0.000 0.372 0.628
#> ERR315397 3 0.6587 -0.2393 0.008 0.424 0.568
#> ERR315491 3 0.6587 -0.2393 0.008 0.424 0.568
#> ERR315483 3 0.6608 -0.2663 0.008 0.432 0.560
#> ERR315400 3 0.2810 0.5251 0.036 0.036 0.928
#> ERR315440 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315493 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315441 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315455 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315421 1 0.9026 0.0946 0.444 0.132 0.424
#> ERR315370 1 0.9026 0.0946 0.444 0.132 0.424
#> ERR315355 1 0.9024 0.0984 0.448 0.132 0.420
#> ERR315446 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315375 1 0.8844 0.0797 0.444 0.116 0.440
#> ERR315467 3 0.7705 0.2522 0.348 0.060 0.592
#> ERR315484 3 0.2810 0.5251 0.036 0.036 0.928
#> ERR315406 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315404 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315407 3 0.7705 0.2338 0.348 0.060 0.592
#> ERR315340 3 0.7705 0.2338 0.348 0.060 0.592
#> ERR315356 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315430 3 0.4799 0.4884 0.032 0.132 0.836
#> ERR315422 3 0.6228 0.1275 0.012 0.316 0.672
#> ERR315358 3 0.6200 0.1404 0.012 0.312 0.676
#> ERR315448 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR315401 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315464 3 0.2774 0.4967 0.008 0.072 0.920
#> ERR315481 1 0.4700 0.6433 0.812 0.008 0.180
#> ERR315454 1 0.4700 0.6433 0.812 0.008 0.180
#> ERR315365 3 0.7787 0.2287 0.348 0.064 0.588
#> ERR315354 3 0.7787 0.2287 0.348 0.064 0.588
#> ERR315439 3 0.8794 -0.0990 0.440 0.112 0.448
#> ERR315444 3 0.8794 -0.0990 0.440 0.112 0.448
#> ERR315341 3 0.8795 -0.1082 0.444 0.112 0.444
#> ERR315412 3 0.6416 -0.0788 0.008 0.376 0.616
#> ERR315337 3 0.6416 -0.0796 0.008 0.376 0.616
#> ERR315429 3 0.4865 0.4890 0.032 0.136 0.832
#> ERR315436 3 0.4865 0.4890 0.032 0.136 0.832
#> ERR315379 3 0.2564 0.5268 0.036 0.028 0.936
#> ERR315443 3 0.6654 0.0187 0.456 0.008 0.536
#> ERR315415 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315456 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315336 1 0.8844 0.0797 0.444 0.116 0.440
#> ERR315399 1 0.8892 0.0790 0.444 0.120 0.436
#> ERR315477 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315346 3 0.9445 0.1224 0.336 0.192 0.472
#> ERR315383 3 0.6654 0.0187 0.456 0.008 0.536
#> ERR315494 3 0.6654 0.0187 0.456 0.008 0.536
#> ERR315492 2 0.6224 0.6475 0.032 0.728 0.240
#> ERR315432 2 0.7471 0.7595 0.036 0.516 0.448
#> ERR315338 1 0.0237 0.7436 0.996 0.000 0.004
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.6114 0.586 0.040 0.292 0.648 0.020
#> ERR315339 2 0.6163 0.579 0.008 0.668 0.080 0.244
#> ERR315376 2 0.6101 0.580 0.008 0.672 0.076 0.244
#> ERR315343 2 0.1624 0.748 0.000 0.952 0.020 0.028
#> ERR315342 2 0.1520 0.748 0.000 0.956 0.020 0.024
#> ERR315468 2 0.3307 0.740 0.000 0.868 0.104 0.028
#> ERR315434 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315489 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315371 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315433 2 0.3428 0.710 0.000 0.844 0.012 0.144
#> ERR315368 2 0.3324 0.714 0.000 0.852 0.012 0.136
#> ERR315465 1 0.5313 0.563 0.736 0.208 0.048 0.008
#> ERR315437 1 0.5210 0.564 0.736 0.212 0.048 0.004
#> ERR315327 2 0.2915 0.746 0.000 0.892 0.080 0.028
#> ERR315394 2 0.2915 0.746 0.000 0.892 0.080 0.028
#> ERR315427 2 0.5214 0.432 0.004 0.624 0.364 0.008
#> ERR315360 2 0.5214 0.432 0.004 0.624 0.364 0.008
#> ERR315426 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315387 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315475 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315395 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315333 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315460 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315372 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315472 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315398 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315409 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315402 2 0.2924 0.727 0.000 0.884 0.016 0.100
#> ERR315458 2 0.2924 0.727 0.000 0.884 0.016 0.100
#> ERR315366 1 0.5281 0.550 0.728 0.220 0.048 0.004
#> ERR315345 1 0.5281 0.550 0.728 0.220 0.048 0.004
#> ERR315326 2 0.4741 0.471 0.004 0.668 0.328 0.000
#> ERR315424 2 0.4741 0.471 0.004 0.668 0.328 0.000
#> ERR315382 2 0.2782 0.738 0.004 0.904 0.024 0.068
#> ERR315325 2 0.2782 0.738 0.004 0.904 0.024 0.068
#> ERR315369 3 0.5585 0.566 0.012 0.316 0.652 0.020
#> ERR315485 3 0.5585 0.566 0.012 0.316 0.652 0.020
#> ERR315420 2 0.2782 0.738 0.004 0.904 0.024 0.068
#> ERR315459 2 0.2782 0.738 0.004 0.904 0.024 0.068
#> ERR315353 2 0.4741 0.471 0.004 0.668 0.328 0.000
#> ERR315487 2 0.4741 0.471 0.004 0.668 0.328 0.000
#> ERR315378 2 0.1388 0.747 0.000 0.960 0.012 0.028
#> ERR315431 2 0.0592 0.746 0.000 0.984 0.000 0.016
#> ERR315335 2 0.5744 0.275 0.000 0.536 0.028 0.436
#> ERR315452 2 0.5744 0.275 0.000 0.536 0.028 0.436
#> ERR315471 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315390 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315329 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315393 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315488 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315351 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315350 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315381 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315418 2 0.2856 0.736 0.004 0.900 0.024 0.072
#> ERR315449 2 0.2856 0.736 0.004 0.900 0.024 0.072
#> ERR315490 2 0.3662 0.709 0.004 0.836 0.012 0.148
#> ERR315495 2 0.3479 0.707 0.000 0.840 0.012 0.148
#> ERR315361 2 0.3479 0.707 0.000 0.840 0.012 0.148
#> ERR315419 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315414 2 0.2915 0.746 0.000 0.892 0.080 0.028
#> ERR315352 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315410 2 0.3801 0.747 0.004 0.856 0.064 0.076
#> ERR315349 2 0.5638 0.392 0.004 0.584 0.392 0.020
#> ERR315474 2 0.5638 0.392 0.004 0.584 0.392 0.020
#> ERR315470 2 0.5638 0.392 0.004 0.584 0.392 0.020
#> ERR315428 2 0.1978 0.738 0.004 0.928 0.000 0.068
#> ERR315363 2 0.2125 0.736 0.004 0.920 0.000 0.076
#> ERR315469 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315425 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315476 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315478 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315362 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315411 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315416 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315405 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315408 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315359 2 0.3725 0.748 0.004 0.860 0.060 0.076
#> ERR315330 2 0.3725 0.748 0.004 0.860 0.060 0.076
#> ERR315384 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315413 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315332 2 0.1733 0.748 0.000 0.948 0.028 0.024
#> ERR315334 2 0.6552 0.455 0.112 0.628 0.256 0.004
#> ERR315447 2 0.6552 0.455 0.112 0.628 0.256 0.004
#> ERR315453 2 0.6552 0.455 0.112 0.628 0.256 0.004
#> ERR315442 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315392 2 0.5738 0.281 0.000 0.540 0.028 0.432
#> ERR315450 2 0.5738 0.281 0.000 0.540 0.028 0.432
#> ERR315462 3 0.6137 0.583 0.040 0.296 0.644 0.020
#> ERR315328 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315389 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315435 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315482 2 0.3443 0.710 0.000 0.848 0.016 0.136
#> ERR315380 2 0.3443 0.710 0.000 0.848 0.016 0.136
#> ERR315377 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315374 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315466 2 0.1305 0.751 0.000 0.960 0.036 0.004
#> ERR315479 2 0.1305 0.751 0.000 0.960 0.036 0.004
#> ERR315473 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315391 4 0.3812 0.949 0.000 0.140 0.028 0.832
#> ERR315417 2 0.5731 0.295 0.000 0.544 0.028 0.428
#> ERR315385 2 0.5731 0.295 0.000 0.544 0.028 0.428
#> ERR315386 2 0.1994 0.747 0.004 0.936 0.008 0.052
#> ERR315438 2 0.1994 0.747 0.004 0.936 0.008 0.052
#> ERR315367 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315331 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315347 2 0.5638 0.392 0.004 0.584 0.392 0.020
#> ERR315396 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315486 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315403 3 0.6237 0.580 0.044 0.300 0.636 0.020
#> ERR315357 3 0.6237 0.580 0.044 0.300 0.636 0.020
#> ERR315463 2 0.2915 0.746 0.000 0.892 0.080 0.028
#> ERR315451 2 0.2915 0.746 0.000 0.892 0.080 0.028
#> ERR315445 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.695 0.000 0.000 1.000 0.000
#> ERR315397 2 0.1661 0.742 0.004 0.944 0.000 0.052
#> ERR315491 2 0.1576 0.743 0.004 0.948 0.000 0.048
#> ERR315483 2 0.1576 0.743 0.004 0.948 0.000 0.048
#> ERR315400 3 0.6114 0.586 0.040 0.292 0.648 0.020
#> ERR315440 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315493 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315441 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315455 2 0.5755 0.256 0.000 0.528 0.028 0.444
#> ERR315421 2 0.4761 0.466 0.000 0.664 0.332 0.004
#> ERR315370 2 0.4761 0.466 0.000 0.664 0.332 0.004
#> ERR315355 2 0.4917 0.469 0.004 0.664 0.328 0.004
#> ERR315446 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315375 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315467 2 0.6676 0.340 0.044 0.544 0.388 0.024
#> ERR315484 3 0.6032 0.587 0.036 0.292 0.652 0.020
#> ERR315406 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315404 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315407 2 0.3725 0.748 0.004 0.860 0.060 0.076
#> ERR315340 2 0.3725 0.748 0.004 0.860 0.060 0.076
#> ERR315356 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315430 2 0.2644 0.743 0.000 0.908 0.032 0.060
#> ERR315422 2 0.1209 0.744 0.004 0.964 0.000 0.032
#> ERR315358 2 0.1209 0.744 0.004 0.964 0.000 0.032
#> ERR315448 1 0.0336 0.914 0.992 0.008 0.000 0.000
#> ERR315401 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315464 2 0.5190 0.585 0.008 0.720 0.028 0.244
#> ERR315481 1 0.5532 0.512 0.708 0.232 0.056 0.004
#> ERR315454 1 0.5532 0.512 0.708 0.232 0.056 0.004
#> ERR315365 2 0.3725 0.748 0.004 0.860 0.060 0.076
#> ERR315354 2 0.3725 0.748 0.004 0.860 0.060 0.076
#> ERR315439 2 0.4917 0.473 0.004 0.664 0.328 0.004
#> ERR315444 2 0.4917 0.473 0.004 0.664 0.328 0.004
#> ERR315341 2 0.4741 0.471 0.004 0.668 0.328 0.000
#> ERR315412 2 0.1576 0.743 0.004 0.948 0.000 0.048
#> ERR315337 2 0.1489 0.744 0.004 0.952 0.000 0.044
#> ERR315429 2 0.1059 0.750 0.000 0.972 0.016 0.012
#> ERR315436 2 0.1059 0.750 0.000 0.972 0.016 0.012
#> ERR315379 3 0.5735 0.486 0.012 0.348 0.620 0.020
#> ERR315443 2 0.3307 0.740 0.000 0.868 0.104 0.028
#> ERR315415 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315456 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315336 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315399 2 0.5154 0.476 0.004 0.660 0.324 0.012
#> ERR315477 2 0.5755 0.256 0.000 0.528 0.028 0.444
#> ERR315346 2 0.4089 0.636 0.004 0.780 0.212 0.004
#> ERR315383 2 0.3307 0.740 0.000 0.868 0.104 0.028
#> ERR315494 2 0.3307 0.740 0.000 0.868 0.104 0.028
#> ERR315492 4 0.4491 0.993 0.000 0.140 0.060 0.800
#> ERR315432 2 0.5755 0.256 0.000 0.528 0.028 0.444
#> ERR315338 1 0.0336 0.914 0.992 0.008 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.452 0.4870 0.000 0.016 0.624 0.360 0.000
#> ERR315339 4 0.624 0.3368 0.000 0.184 0.012 0.592 0.212
#> ERR315376 4 0.624 0.3360 0.000 0.184 0.012 0.592 0.212
#> ERR315343 2 0.612 0.4880 0.000 0.500 0.000 0.364 0.136
#> ERR315342 2 0.535 0.5351 0.000 0.576 0.000 0.360 0.064
#> ERR315468 4 0.561 0.0834 0.000 0.408 0.076 0.516 0.000
#> ERR315434 4 0.635 0.3153 0.000 0.268 0.000 0.520 0.212
#> ERR315489 4 0.635 0.3153 0.000 0.268 0.000 0.520 0.212
#> ERR315371 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.473 0.5961 0.000 0.640 0.000 0.328 0.032
#> ERR315368 2 0.473 0.5961 0.000 0.640 0.000 0.328 0.032
#> ERR315465 1 0.489 0.5752 0.704 0.012 0.048 0.236 0.000
#> ERR315437 1 0.489 0.5752 0.704 0.012 0.048 0.236 0.000
#> ERR315327 4 0.430 0.4205 0.000 0.200 0.052 0.748 0.000
#> ERR315394 4 0.430 0.4205 0.000 0.200 0.052 0.748 0.000
#> ERR315427 4 0.452 0.4629 0.000 0.052 0.228 0.720 0.000
#> ERR315360 4 0.452 0.4629 0.000 0.052 0.228 0.720 0.000
#> ERR315426 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315460 4 0.631 0.3208 0.000 0.260 0.000 0.528 0.212
#> ERR315372 4 0.631 0.3208 0.000 0.260 0.000 0.528 0.212
#> ERR315472 4 0.640 0.3048 0.000 0.280 0.000 0.508 0.212
#> ERR315398 4 0.636 0.3121 0.000 0.272 0.000 0.516 0.212
#> ERR315409 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.477 0.6201 0.000 0.688 0.000 0.256 0.056
#> ERR315458 2 0.477 0.6201 0.000 0.688 0.000 0.256 0.056
#> ERR315366 1 0.489 0.5752 0.704 0.012 0.048 0.236 0.000
#> ERR315345 1 0.489 0.5752 0.704 0.012 0.048 0.236 0.000
#> ERR315326 4 0.393 0.5262 0.000 0.056 0.152 0.792 0.000
#> ERR315424 4 0.393 0.5262 0.000 0.056 0.152 0.792 0.000
#> ERR315382 4 0.394 0.4175 0.000 0.200 0.032 0.768 0.000
#> ERR315325 4 0.394 0.4175 0.000 0.200 0.032 0.768 0.000
#> ERR315369 3 0.454 0.4829 0.000 0.016 0.620 0.364 0.000
#> ERR315485 3 0.454 0.4829 0.000 0.016 0.620 0.364 0.000
#> ERR315420 4 0.433 0.3574 0.000 0.252 0.032 0.716 0.000
#> ERR315459 4 0.435 0.3538 0.000 0.256 0.032 0.712 0.000
#> ERR315353 4 0.397 0.5238 0.000 0.056 0.156 0.788 0.000
#> ERR315487 4 0.397 0.5238 0.000 0.056 0.156 0.788 0.000
#> ERR315378 2 0.623 0.4527 0.000 0.480 0.000 0.372 0.148
#> ERR315431 2 0.458 0.5074 0.000 0.608 0.000 0.376 0.016
#> ERR315335 2 0.597 0.0199 0.000 0.460 0.000 0.108 0.432
#> ERR315452 2 0.597 0.0199 0.000 0.460 0.000 0.108 0.432
#> ERR315471 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315351 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315350 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315381 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315418 4 0.435 0.3538 0.000 0.256 0.032 0.712 0.000
#> ERR315449 4 0.438 0.3496 0.000 0.260 0.032 0.708 0.000
#> ERR315490 2 0.485 0.5889 0.000 0.624 0.000 0.340 0.036
#> ERR315495 2 0.485 0.5889 0.000 0.624 0.000 0.340 0.036
#> ERR315361 2 0.485 0.5889 0.000 0.624 0.000 0.340 0.036
#> ERR315419 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315414 4 0.437 0.4148 0.000 0.208 0.052 0.740 0.000
#> ERR315352 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315410 4 0.543 -0.0472 0.000 0.440 0.048 0.508 0.004
#> ERR315349 4 0.467 0.3687 0.000 0.040 0.284 0.676 0.000
#> ERR315474 4 0.469 0.3645 0.000 0.040 0.288 0.672 0.000
#> ERR315470 4 0.469 0.3645 0.000 0.040 0.288 0.672 0.000
#> ERR315428 2 0.466 0.5867 0.000 0.660 0.004 0.312 0.024
#> ERR315363 2 0.466 0.5867 0.000 0.660 0.004 0.312 0.024
#> ERR315469 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.419 0.5240 0.000 0.060 0.156 0.780 0.004
#> ERR315478 4 0.419 0.5240 0.000 0.060 0.156 0.780 0.004
#> ERR315362 4 0.638 0.3086 0.000 0.276 0.000 0.512 0.212
#> ERR315411 4 0.640 0.3048 0.000 0.280 0.000 0.508 0.212
#> ERR315416 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315359 4 0.522 -0.0315 0.000 0.440 0.044 0.516 0.000
#> ERR315330 4 0.522 -0.0315 0.000 0.440 0.044 0.516 0.000
#> ERR315384 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315413 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315332 4 0.643 -0.3281 0.000 0.392 0.000 0.432 0.176
#> ERR315334 4 0.544 0.3382 0.016 0.060 0.280 0.644 0.000
#> ERR315447 4 0.544 0.3382 0.016 0.060 0.280 0.644 0.000
#> ERR315453 4 0.544 0.3382 0.016 0.060 0.280 0.644 0.000
#> ERR315442 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.600 0.0404 0.000 0.464 0.000 0.112 0.424
#> ERR315450 2 0.600 0.0404 0.000 0.464 0.000 0.112 0.424
#> ERR315462 3 0.463 0.4721 0.000 0.020 0.616 0.364 0.000
#> ERR315328 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315389 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315435 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315482 2 0.481 0.6187 0.000 0.692 0.000 0.244 0.064
#> ERR315380 2 0.481 0.6187 0.000 0.692 0.000 0.244 0.064
#> ERR315377 4 0.415 0.5253 0.000 0.060 0.152 0.784 0.004
#> ERR315374 4 0.415 0.5253 0.000 0.060 0.152 0.784 0.004
#> ERR315466 4 0.452 0.2369 0.000 0.316 0.024 0.660 0.000
#> ERR315479 4 0.452 0.2369 0.000 0.316 0.024 0.660 0.000
#> ERR315473 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315391 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315417 2 0.597 0.0199 0.000 0.460 0.000 0.108 0.432
#> ERR315385 2 0.597 0.0199 0.000 0.460 0.000 0.108 0.432
#> ERR315386 2 0.426 0.4885 0.000 0.564 0.000 0.436 0.000
#> ERR315438 2 0.423 0.5102 0.000 0.576 0.000 0.424 0.000
#> ERR315367 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315331 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315347 4 0.507 0.0383 0.000 0.036 0.424 0.540 0.000
#> ERR315396 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.452 0.4870 0.000 0.016 0.624 0.360 0.000
#> ERR315357 3 0.452 0.4870 0.000 0.016 0.624 0.360 0.000
#> ERR315463 4 0.420 0.4328 0.000 0.188 0.052 0.760 0.000
#> ERR315451 4 0.424 0.4289 0.000 0.192 0.052 0.756 0.000
#> ERR315445 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.000 0.7195 0.000 0.000 1.000 0.000 0.000
#> ERR315397 2 0.450 0.5908 0.000 0.664 0.000 0.312 0.024
#> ERR315491 2 0.450 0.5908 0.000 0.664 0.000 0.312 0.024
#> ERR315483 2 0.450 0.5908 0.000 0.664 0.000 0.312 0.024
#> ERR315400 3 0.452 0.4870 0.000 0.016 0.624 0.360 0.000
#> ERR315440 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.535 -0.1670 0.000 0.496 0.000 0.052 0.452
#> ERR315421 4 0.399 0.5263 0.000 0.060 0.152 0.788 0.000
#> ERR315370 4 0.399 0.5263 0.000 0.060 0.152 0.788 0.000
#> ERR315355 4 0.399 0.5263 0.000 0.060 0.152 0.788 0.000
#> ERR315446 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315375 4 0.415 0.5253 0.000 0.060 0.152 0.784 0.004
#> ERR315467 4 0.492 0.0549 0.000 0.028 0.420 0.552 0.000
#> ERR315484 3 0.452 0.4870 0.000 0.016 0.624 0.360 0.000
#> ERR315406 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315407 4 0.520 0.0181 0.000 0.424 0.044 0.532 0.000
#> ERR315340 4 0.520 0.0181 0.000 0.424 0.044 0.532 0.000
#> ERR315356 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315430 2 0.272 0.6115 0.000 0.852 0.004 0.144 0.000
#> ERR315422 2 0.449 0.5767 0.000 0.652 0.000 0.328 0.020
#> ERR315358 2 0.449 0.5767 0.000 0.652 0.000 0.328 0.020
#> ERR315448 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
#> ERR315401 4 0.626 0.3274 0.000 0.248 0.000 0.540 0.212
#> ERR315464 4 0.626 0.3274 0.000 0.248 0.000 0.540 0.212
#> ERR315481 1 0.489 0.5752 0.704 0.012 0.048 0.236 0.000
#> ERR315454 1 0.489 0.5752 0.704 0.012 0.048 0.236 0.000
#> ERR315365 4 0.520 0.0181 0.000 0.424 0.044 0.532 0.000
#> ERR315354 4 0.520 0.0181 0.000 0.424 0.044 0.532 0.000
#> ERR315439 4 0.407 0.5227 0.000 0.060 0.160 0.780 0.000
#> ERR315444 4 0.404 0.5240 0.000 0.060 0.156 0.784 0.000
#> ERR315341 4 0.373 0.5362 0.000 0.060 0.128 0.812 0.000
#> ERR315412 2 0.454 0.5874 0.000 0.656 0.000 0.320 0.024
#> ERR315337 2 0.454 0.5874 0.000 0.656 0.000 0.320 0.024
#> ERR315429 4 0.444 0.2334 0.000 0.316 0.020 0.664 0.000
#> ERR315436 4 0.444 0.2334 0.000 0.316 0.020 0.664 0.000
#> ERR315379 3 0.478 0.4112 0.000 0.024 0.588 0.388 0.000
#> ERR315443 4 0.561 0.0834 0.000 0.408 0.076 0.516 0.000
#> ERR315415 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315456 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315336 4 0.421 0.5258 0.000 0.064 0.152 0.780 0.004
#> ERR315399 4 0.421 0.5258 0.000 0.064 0.152 0.780 0.004
#> ERR315477 2 0.551 -0.1193 0.000 0.484 0.000 0.064 0.452
#> ERR315346 4 0.395 0.4897 0.000 0.136 0.068 0.796 0.000
#> ERR315383 4 0.561 0.0834 0.000 0.408 0.076 0.516 0.000
#> ERR315494 4 0.561 0.0834 0.000 0.408 0.076 0.516 0.000
#> ERR315492 5 0.321 1.0000 0.000 0.212 0.000 0.000 0.788
#> ERR315432 2 0.535 -0.1670 0.000 0.496 0.000 0.052 0.452
#> ERR315338 1 0.000 0.9120 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 4 0.3998 -0.3682 0.000 0.004 0.492 0.504 0.000 0.000
#> ERR315339 5 0.3758 0.3880 0.000 0.008 0.000 0.324 0.668 0.000
#> ERR315376 5 0.3758 0.3880 0.000 0.008 0.000 0.324 0.668 0.000
#> ERR315343 2 0.3507 0.6680 0.000 0.816 0.000 0.016 0.124 0.044
#> ERR315342 2 0.3152 0.6645 0.000 0.832 0.000 0.016 0.132 0.020
#> ERR315468 4 0.4161 -0.0949 0.000 0.448 0.000 0.540 0.012 0.000
#> ERR315434 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315489 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315371 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.2544 0.6492 0.000 0.864 0.000 0.120 0.004 0.012
#> ERR315368 2 0.2544 0.6492 0.000 0.864 0.000 0.120 0.004 0.012
#> ERR315465 1 0.3515 0.6053 0.676 0.000 0.000 0.324 0.000 0.000
#> ERR315437 1 0.3515 0.6053 0.676 0.000 0.000 0.324 0.000 0.000
#> ERR315327 5 0.4634 0.5631 0.000 0.044 0.000 0.400 0.556 0.000
#> ERR315394 5 0.4634 0.5631 0.000 0.044 0.000 0.400 0.556 0.000
#> ERR315427 4 0.2734 0.5505 0.000 0.088 0.020 0.872 0.020 0.000
#> ERR315360 4 0.2682 0.5478 0.000 0.084 0.020 0.876 0.020 0.000
#> ERR315426 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315460 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315372 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315472 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315398 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315409 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315423 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315402 2 0.3440 0.6618 0.000 0.828 0.000 0.108 0.028 0.036
#> ERR315458 2 0.3485 0.6618 0.000 0.824 0.000 0.112 0.028 0.036
#> ERR315366 1 0.3515 0.6053 0.676 0.000 0.000 0.324 0.000 0.000
#> ERR315345 1 0.3515 0.6053 0.676 0.000 0.000 0.324 0.000 0.000
#> ERR315326 4 0.3729 0.6329 0.000 0.296 0.000 0.692 0.012 0.000
#> ERR315424 4 0.3729 0.6329 0.000 0.296 0.000 0.692 0.012 0.000
#> ERR315382 5 0.5515 0.5659 0.000 0.260 0.000 0.184 0.556 0.000
#> ERR315325 5 0.5515 0.5659 0.000 0.260 0.000 0.184 0.556 0.000
#> ERR315369 3 0.3999 0.3251 0.000 0.004 0.500 0.496 0.000 0.000
#> ERR315485 3 0.3999 0.3251 0.000 0.004 0.500 0.496 0.000 0.000
#> ERR315420 5 0.5453 0.5715 0.000 0.284 0.000 0.160 0.556 0.000
#> ERR315459 5 0.5453 0.5715 0.000 0.284 0.000 0.160 0.556 0.000
#> ERR315353 4 0.3916 0.6294 0.000 0.300 0.000 0.680 0.020 0.000
#> ERR315487 4 0.3916 0.6294 0.000 0.300 0.000 0.680 0.020 0.000
#> ERR315378 2 0.3482 0.6660 0.000 0.816 0.000 0.016 0.128 0.040
#> ERR315431 2 0.3023 0.6533 0.000 0.828 0.000 0.032 0.140 0.000
#> ERR315335 2 0.4400 0.3787 0.000 0.592 0.000 0.032 0.000 0.376
#> ERR315452 2 0.4400 0.3787 0.000 0.592 0.000 0.032 0.000 0.376
#> ERR315471 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315350 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315381 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315388 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315418 5 0.5395 0.5674 0.000 0.300 0.000 0.144 0.556 0.000
#> ERR315449 5 0.5395 0.5674 0.000 0.300 0.000 0.144 0.556 0.000
#> ERR315490 2 0.2454 0.6516 0.000 0.876 0.000 0.104 0.004 0.016
#> ERR315495 2 0.2454 0.6516 0.000 0.876 0.000 0.104 0.004 0.016
#> ERR315361 2 0.2454 0.6516 0.000 0.876 0.000 0.104 0.004 0.016
#> ERR315419 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315344 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315414 5 0.4660 0.5393 0.000 0.044 0.000 0.416 0.540 0.000
#> ERR315352 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315410 2 0.4189 0.2955 0.000 0.604 0.000 0.376 0.020 0.000
#> ERR315349 4 0.3516 0.3852 0.000 0.004 0.088 0.812 0.096 0.000
#> ERR315474 4 0.3516 0.3852 0.000 0.004 0.088 0.812 0.096 0.000
#> ERR315470 4 0.3516 0.3852 0.000 0.004 0.088 0.812 0.096 0.000
#> ERR315428 2 0.2425 0.6708 0.000 0.884 0.000 0.024 0.088 0.004
#> ERR315363 2 0.2504 0.6688 0.000 0.880 0.000 0.028 0.088 0.004
#> ERR315469 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.4230 0.6079 0.000 0.324 0.000 0.648 0.024 0.004
#> ERR315478 4 0.4230 0.6079 0.000 0.324 0.000 0.648 0.024 0.004
#> ERR315362 5 0.1151 0.6593 0.000 0.012 0.000 0.032 0.956 0.000
#> ERR315411 5 0.1151 0.6593 0.000 0.012 0.000 0.032 0.956 0.000
#> ERR315416 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315364 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315359 2 0.4144 0.3180 0.000 0.620 0.000 0.360 0.020 0.000
#> ERR315330 2 0.4144 0.3180 0.000 0.620 0.000 0.360 0.020 0.000
#> ERR315384 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315413 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315332 2 0.4345 0.6352 0.000 0.772 0.000 0.084 0.096 0.048
#> ERR315334 4 0.3380 0.6351 0.000 0.244 0.004 0.748 0.004 0.000
#> ERR315447 4 0.3380 0.6351 0.000 0.244 0.004 0.748 0.004 0.000
#> ERR315453 4 0.3380 0.6351 0.000 0.244 0.004 0.748 0.004 0.000
#> ERR315442 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315457 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315392 2 0.4400 0.3787 0.000 0.592 0.000 0.032 0.000 0.376
#> ERR315450 2 0.4400 0.3787 0.000 0.592 0.000 0.032 0.000 0.376
#> ERR315462 4 0.3998 -0.3682 0.000 0.004 0.492 0.504 0.000 0.000
#> ERR315328 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315389 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315435 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315482 2 0.3587 0.6568 0.000 0.816 0.000 0.116 0.024 0.044
#> ERR315380 2 0.3587 0.6568 0.000 0.816 0.000 0.116 0.024 0.044
#> ERR315377 4 0.4214 0.6088 0.000 0.320 0.000 0.652 0.024 0.004
#> ERR315374 4 0.4214 0.6088 0.000 0.320 0.000 0.652 0.024 0.004
#> ERR315466 5 0.5440 0.5917 0.000 0.288 0.000 0.156 0.556 0.000
#> ERR315479 5 0.5440 0.5917 0.000 0.288 0.000 0.156 0.556 0.000
#> ERR315473 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315417 2 0.4400 0.3787 0.000 0.592 0.000 0.032 0.000 0.376
#> ERR315385 2 0.4400 0.3787 0.000 0.592 0.000 0.032 0.000 0.376
#> ERR315386 2 0.3955 0.1940 0.000 0.608 0.000 0.384 0.008 0.000
#> ERR315438 2 0.3923 0.2200 0.000 0.620 0.000 0.372 0.008 0.000
#> ERR315367 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315331 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315347 4 0.3229 0.4013 0.000 0.004 0.120 0.828 0.048 0.000
#> ERR315396 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315403 4 0.3998 -0.3680 0.000 0.004 0.492 0.504 0.000 0.000
#> ERR315357 4 0.3998 -0.3680 0.000 0.004 0.492 0.504 0.000 0.000
#> ERR315463 5 0.4584 0.5597 0.000 0.040 0.000 0.404 0.556 0.000
#> ERR315451 5 0.4584 0.5597 0.000 0.040 0.000 0.404 0.556 0.000
#> ERR315445 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315461 3 0.0146 0.8237 0.000 0.000 0.996 0.004 0.000 0.000
#> ERR315397 2 0.2342 0.6722 0.000 0.888 0.000 0.020 0.088 0.004
#> ERR315491 2 0.2199 0.6705 0.000 0.892 0.000 0.020 0.088 0.000
#> ERR315483 2 0.2199 0.6705 0.000 0.892 0.000 0.020 0.088 0.000
#> ERR315400 3 0.3999 0.3251 0.000 0.004 0.500 0.496 0.000 0.000
#> ERR315440 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.4666 0.2953 0.000 0.536 0.000 0.044 0.000 0.420
#> ERR315421 4 0.3876 0.6374 0.000 0.276 0.000 0.700 0.024 0.000
#> ERR315370 4 0.3876 0.6374 0.000 0.276 0.000 0.700 0.024 0.000
#> ERR315355 4 0.3876 0.6374 0.000 0.276 0.000 0.700 0.024 0.000
#> ERR315446 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315375 4 0.4230 0.6079 0.000 0.324 0.000 0.648 0.024 0.004
#> ERR315467 4 0.2846 0.4076 0.000 0.016 0.140 0.840 0.004 0.000
#> ERR315484 3 0.3999 0.3251 0.000 0.004 0.500 0.496 0.000 0.000
#> ERR315406 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315407 2 0.4144 0.3180 0.000 0.620 0.000 0.360 0.020 0.000
#> ERR315340 2 0.4144 0.3180 0.000 0.620 0.000 0.360 0.020 0.000
#> ERR315356 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315430 2 0.5334 0.6238 0.000 0.644 0.004 0.012 0.140 0.200
#> ERR315422 2 0.2350 0.6696 0.000 0.880 0.000 0.020 0.100 0.000
#> ERR315358 2 0.2350 0.6696 0.000 0.880 0.000 0.020 0.100 0.000
#> ERR315448 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315464 5 0.1049 0.6602 0.000 0.008 0.000 0.032 0.960 0.000
#> ERR315481 1 0.3684 0.5882 0.664 0.000 0.004 0.332 0.000 0.000
#> ERR315454 1 0.3684 0.5882 0.664 0.000 0.004 0.332 0.000 0.000
#> ERR315365 2 0.4144 0.3180 0.000 0.620 0.000 0.360 0.020 0.000
#> ERR315354 2 0.4144 0.3180 0.000 0.620 0.000 0.360 0.020 0.000
#> ERR315439 4 0.3993 0.6281 0.000 0.300 0.000 0.676 0.024 0.000
#> ERR315444 4 0.3993 0.6281 0.000 0.300 0.000 0.676 0.024 0.000
#> ERR315341 4 0.3935 0.6326 0.000 0.292 0.004 0.688 0.016 0.000
#> ERR315412 2 0.2255 0.6732 0.000 0.892 0.000 0.016 0.088 0.004
#> ERR315337 2 0.2255 0.6732 0.000 0.892 0.000 0.016 0.088 0.004
#> ERR315429 5 0.5257 0.5682 0.000 0.328 0.000 0.116 0.556 0.000
#> ERR315436 5 0.5257 0.5682 0.000 0.328 0.000 0.116 0.556 0.000
#> ERR315379 4 0.3380 0.2236 0.000 0.004 0.244 0.748 0.004 0.000
#> ERR315443 4 0.4157 -0.0862 0.000 0.444 0.000 0.544 0.012 0.000
#> ERR315415 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315456 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315336 4 0.4230 0.6079 0.000 0.324 0.000 0.648 0.024 0.004
#> ERR315399 4 0.4230 0.6079 0.000 0.324 0.000 0.648 0.024 0.004
#> ERR315477 2 0.4666 0.2953 0.000 0.536 0.000 0.044 0.000 0.420
#> ERR315346 4 0.3790 0.6231 0.000 0.264 0.004 0.716 0.016 0.000
#> ERR315383 4 0.4161 -0.0949 0.000 0.448 0.000 0.540 0.012 0.000
#> ERR315494 4 0.4161 -0.0949 0.000 0.448 0.000 0.540 0.012 0.000
#> ERR315492 6 0.0000 1.0000 0.000 0.000 0.000 0.000 0.000 1.000
#> ERR315432 2 0.4721 0.2924 0.000 0.532 0.000 0.048 0.000 0.420
#> ERR315338 1 0.0000 0.9164 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "NMF"]
# you can also extract it by
# res = res_list["CV:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.398 0.830 0.892 0.4543 0.519 0.519
#> 3 3 0.756 0.835 0.898 0.3983 0.701 0.493
#> 4 4 0.817 0.910 0.941 0.1605 0.788 0.487
#> 5 5 0.740 0.743 0.803 0.0764 0.933 0.749
#> 6 6 0.771 0.662 0.798 0.0415 0.914 0.631
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.4939 0.818 0.892 0.108
#> ERR315339 2 0.4161 0.893 0.084 0.916
#> ERR315376 2 0.4161 0.893 0.084 0.916
#> ERR315343 2 0.0000 0.923 0.000 1.000
#> ERR315342 2 0.0000 0.923 0.000 1.000
#> ERR315468 2 0.8763 0.624 0.296 0.704
#> ERR315434 2 0.4161 0.893 0.084 0.916
#> ERR315489 2 0.4161 0.893 0.084 0.916
#> ERR315371 1 0.7528 0.806 0.784 0.216
#> ERR315433 2 0.0000 0.923 0.000 1.000
#> ERR315368 2 0.0000 0.923 0.000 1.000
#> ERR315465 1 0.7299 0.808 0.796 0.204
#> ERR315437 1 0.6973 0.810 0.812 0.188
#> ERR315327 1 0.5059 0.816 0.888 0.112
#> ERR315394 1 0.5178 0.813 0.884 0.116
#> ERR315427 1 0.8909 0.561 0.692 0.308
#> ERR315360 1 0.8909 0.561 0.692 0.308
#> ERR315426 1 0.7528 0.806 0.784 0.216
#> ERR315387 1 0.7528 0.806 0.784 0.216
#> ERR315475 1 0.7528 0.806 0.784 0.216
#> ERR315395 1 0.8081 0.781 0.752 0.248
#> ERR315333 1 0.8081 0.781 0.752 0.248
#> ERR315460 2 0.4161 0.893 0.084 0.916
#> ERR315372 2 0.4161 0.893 0.084 0.916
#> ERR315472 2 0.4161 0.893 0.084 0.916
#> ERR315398 2 0.4161 0.893 0.084 0.916
#> ERR315409 1 0.4815 0.819 0.896 0.104
#> ERR315423 1 0.4815 0.819 0.896 0.104
#> ERR315402 2 0.0000 0.923 0.000 1.000
#> ERR315458 2 0.0000 0.923 0.000 1.000
#> ERR315366 1 0.5178 0.806 0.884 0.116
#> ERR315345 1 0.4690 0.803 0.900 0.100
#> ERR315326 2 0.9129 0.272 0.328 0.672
#> ERR315424 2 0.9000 0.341 0.316 0.684
#> ERR315382 2 0.4562 0.879 0.096 0.904
#> ERR315325 2 0.4562 0.879 0.096 0.904
#> ERR315369 1 0.4939 0.818 0.892 0.108
#> ERR315485 1 0.4939 0.818 0.892 0.108
#> ERR315420 2 0.4562 0.879 0.096 0.904
#> ERR315459 2 0.4562 0.879 0.096 0.904
#> ERR315353 2 0.1633 0.920 0.024 0.976
#> ERR315487 2 0.1633 0.920 0.024 0.976
#> ERR315378 2 0.0000 0.923 0.000 1.000
#> ERR315431 2 0.1414 0.915 0.020 0.980
#> ERR315335 2 0.0000 0.923 0.000 1.000
#> ERR315452 2 0.0000 0.923 0.000 1.000
#> ERR315471 1 0.7528 0.806 0.784 0.216
#> ERR315390 1 0.7528 0.806 0.784 0.216
#> ERR315329 1 0.7528 0.806 0.784 0.216
#> ERR315393 1 0.7528 0.806 0.784 0.216
#> ERR315488 1 0.7528 0.806 0.784 0.216
#> ERR315351 2 0.0000 0.923 0.000 1.000
#> ERR315350 2 0.0000 0.923 0.000 1.000
#> ERR315381 1 0.4815 0.819 0.896 0.104
#> ERR315388 1 0.4815 0.819 0.896 0.104
#> ERR315418 2 0.4562 0.879 0.096 0.904
#> ERR315449 2 0.4562 0.879 0.096 0.904
#> ERR315490 2 0.0000 0.923 0.000 1.000
#> ERR315495 2 0.0000 0.923 0.000 1.000
#> ERR315361 2 0.0000 0.923 0.000 1.000
#> ERR315419 1 0.4815 0.819 0.896 0.104
#> ERR315344 1 0.4815 0.819 0.896 0.104
#> ERR315414 1 0.8443 0.629 0.728 0.272
#> ERR315352 2 0.0000 0.923 0.000 1.000
#> ERR315410 2 0.0938 0.922 0.012 0.988
#> ERR315349 1 0.9909 0.180 0.556 0.444
#> ERR315474 1 0.9866 0.223 0.568 0.432
#> ERR315470 1 0.9866 0.223 0.568 0.432
#> ERR315428 2 0.2043 0.916 0.032 0.968
#> ERR315363 2 0.2043 0.916 0.032 0.968
#> ERR315469 1 0.8081 0.781 0.752 0.248
#> ERR315425 1 0.8081 0.781 0.752 0.248
#> ERR315476 2 0.0376 0.920 0.004 0.996
#> ERR315478 2 0.0376 0.920 0.004 0.996
#> ERR315362 2 0.4161 0.893 0.084 0.916
#> ERR315411 2 0.4161 0.893 0.084 0.916
#> ERR315416 1 0.7528 0.806 0.784 0.216
#> ERR315405 1 0.7528 0.806 0.784 0.216
#> ERR315408 1 0.4815 0.819 0.896 0.104
#> ERR315364 1 0.4815 0.819 0.896 0.104
#> ERR315359 2 0.4022 0.892 0.080 0.920
#> ERR315330 2 0.4022 0.892 0.080 0.920
#> ERR315384 2 0.0000 0.923 0.000 1.000
#> ERR315413 2 0.0000 0.923 0.000 1.000
#> ERR315332 2 0.0000 0.923 0.000 1.000
#> ERR315334 1 0.6712 0.798 0.824 0.176
#> ERR315447 1 0.6712 0.798 0.824 0.176
#> ERR315453 1 0.6712 0.798 0.824 0.176
#> ERR315442 1 0.4815 0.819 0.896 0.104
#> ERR315457 1 0.4815 0.819 0.896 0.104
#> ERR315392 2 0.0000 0.923 0.000 1.000
#> ERR315450 2 0.0000 0.923 0.000 1.000
#> ERR315462 1 0.4939 0.818 0.892 0.108
#> ERR315328 2 0.0000 0.923 0.000 1.000
#> ERR315389 2 0.0000 0.923 0.000 1.000
#> ERR315435 2 0.0000 0.923 0.000 1.000
#> ERR315482 2 0.0000 0.923 0.000 1.000
#> ERR315380 2 0.0000 0.923 0.000 1.000
#> ERR315377 2 0.0000 0.923 0.000 1.000
#> ERR315374 2 0.0000 0.923 0.000 1.000
#> ERR315466 2 0.8713 0.630 0.292 0.708
#> ERR315479 2 0.8713 0.630 0.292 0.708
#> ERR315473 1 0.7528 0.806 0.784 0.216
#> ERR315391 2 0.0000 0.923 0.000 1.000
#> ERR315417 2 0.0000 0.923 0.000 1.000
#> ERR315385 2 0.0000 0.923 0.000 1.000
#> ERR315386 2 0.0000 0.923 0.000 1.000
#> ERR315438 2 0.0000 0.923 0.000 1.000
#> ERR315367 2 0.0000 0.923 0.000 1.000
#> ERR315331 2 0.0000 0.923 0.000 1.000
#> ERR315347 1 0.5737 0.798 0.864 0.136
#> ERR315396 1 0.8081 0.781 0.752 0.248
#> ERR315486 1 0.8081 0.781 0.752 0.248
#> ERR315403 1 0.4815 0.819 0.896 0.104
#> ERR315357 1 0.4815 0.819 0.896 0.104
#> ERR315463 1 0.4939 0.818 0.892 0.108
#> ERR315451 1 0.4939 0.818 0.892 0.108
#> ERR315445 1 0.4815 0.819 0.896 0.104
#> ERR315461 1 0.4815 0.819 0.896 0.104
#> ERR315397 2 0.1843 0.917 0.028 0.972
#> ERR315491 2 0.1843 0.917 0.028 0.972
#> ERR315483 2 0.1633 0.919 0.024 0.976
#> ERR315400 1 0.4815 0.819 0.896 0.104
#> ERR315440 1 0.7528 0.806 0.784 0.216
#> ERR315493 1 0.7528 0.806 0.784 0.216
#> ERR315441 1 0.7528 0.806 0.784 0.216
#> ERR315455 2 0.0000 0.923 0.000 1.000
#> ERR315421 2 0.8555 0.540 0.280 0.720
#> ERR315370 2 0.8327 0.574 0.264 0.736
#> ERR315355 2 0.8267 0.583 0.260 0.740
#> ERR315446 2 0.0000 0.923 0.000 1.000
#> ERR315375 2 0.0376 0.920 0.004 0.996
#> ERR315467 1 0.4815 0.819 0.896 0.104
#> ERR315484 1 0.4939 0.818 0.892 0.108
#> ERR315406 1 0.8081 0.781 0.752 0.248
#> ERR315404 1 0.8081 0.781 0.752 0.248
#> ERR315407 2 0.4022 0.892 0.080 0.920
#> ERR315340 2 0.4022 0.892 0.080 0.920
#> ERR315356 2 0.0000 0.923 0.000 1.000
#> ERR315430 2 0.0000 0.923 0.000 1.000
#> ERR315422 2 0.2236 0.914 0.036 0.964
#> ERR315358 2 0.2236 0.914 0.036 0.964
#> ERR315448 1 0.7602 0.803 0.780 0.220
#> ERR315401 2 0.4161 0.893 0.084 0.916
#> ERR315464 2 0.4161 0.893 0.084 0.916
#> ERR315481 1 0.2603 0.798 0.956 0.044
#> ERR315454 1 0.2603 0.798 0.956 0.044
#> ERR315365 2 0.4022 0.892 0.080 0.920
#> ERR315354 2 0.4022 0.892 0.080 0.920
#> ERR315439 2 0.1184 0.921 0.016 0.984
#> ERR315444 2 0.0938 0.922 0.012 0.988
#> ERR315341 2 0.0672 0.922 0.008 0.992
#> ERR315412 2 0.1184 0.921 0.016 0.984
#> ERR315337 2 0.1184 0.921 0.016 0.984
#> ERR315429 2 0.8713 0.630 0.292 0.708
#> ERR315436 2 0.8713 0.630 0.292 0.708
#> ERR315379 1 0.4939 0.818 0.892 0.108
#> ERR315443 2 0.8763 0.624 0.296 0.704
#> ERR315415 2 0.0000 0.923 0.000 1.000
#> ERR315456 2 0.0000 0.923 0.000 1.000
#> ERR315336 2 0.0376 0.920 0.004 0.996
#> ERR315399 2 0.0376 0.920 0.004 0.996
#> ERR315477 2 0.0000 0.923 0.000 1.000
#> ERR315346 2 0.0000 0.923 0.000 1.000
#> ERR315383 2 0.8763 0.624 0.296 0.704
#> ERR315494 2 0.8763 0.624 0.296 0.704
#> ERR315492 2 0.0000 0.923 0.000 1.000
#> ERR315432 2 0.0000 0.923 0.000 1.000
#> ERR315338 1 0.7528 0.806 0.784 0.216
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315339 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315376 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315343 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315342 2 0.2878 0.9126 0.096 0.904 0.000
#> ERR315468 3 0.1964 0.8032 0.000 0.056 0.944
#> ERR315434 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315489 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315371 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315433 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315368 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315465 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315437 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315327 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315394 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315427 3 0.2116 0.8114 0.012 0.040 0.948
#> ERR315360 3 0.2229 0.8087 0.012 0.044 0.944
#> ERR315426 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315387 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315475 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315395 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315460 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315372 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315472 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315398 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315409 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315423 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315402 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315458 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315366 1 0.0747 0.9497 0.984 0.000 0.016
#> ERR315345 1 0.0892 0.9454 0.980 0.000 0.020
#> ERR315326 1 0.6200 0.5464 0.676 0.312 0.012
#> ERR315424 1 0.6255 0.5286 0.668 0.320 0.012
#> ERR315382 3 0.7698 0.6249 0.072 0.304 0.624
#> ERR315325 3 0.7698 0.6249 0.072 0.304 0.624
#> ERR315369 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315485 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315420 3 0.7453 0.6436 0.064 0.292 0.644
#> ERR315459 3 0.7453 0.6436 0.064 0.292 0.644
#> ERR315353 2 0.6721 0.6658 0.136 0.748 0.116
#> ERR315487 2 0.6714 0.6680 0.140 0.748 0.112
#> ERR315378 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315431 2 0.3272 0.9120 0.080 0.904 0.016
#> ERR315335 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315452 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315471 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315390 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315329 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315393 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315488 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315351 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315350 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315381 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315388 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315418 3 0.7562 0.6259 0.064 0.308 0.628
#> ERR315449 3 0.7562 0.6259 0.064 0.308 0.628
#> ERR315490 2 0.1031 0.9136 0.024 0.976 0.000
#> ERR315495 2 0.1753 0.9194 0.048 0.952 0.000
#> ERR315361 2 0.1411 0.9170 0.036 0.964 0.000
#> ERR315419 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315344 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315414 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315352 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315410 2 0.0237 0.9035 0.000 0.996 0.004
#> ERR315349 3 0.0424 0.8317 0.008 0.000 0.992
#> ERR315474 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315470 3 0.0424 0.8317 0.008 0.000 0.992
#> ERR315428 2 0.0592 0.9008 0.000 0.988 0.012
#> ERR315363 2 0.0592 0.9008 0.000 0.988 0.012
#> ERR315469 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315476 2 0.3120 0.9010 0.080 0.908 0.012
#> ERR315478 2 0.3120 0.9010 0.080 0.908 0.012
#> ERR315362 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315411 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315416 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315405 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315408 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315364 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315359 2 0.1337 0.8956 0.016 0.972 0.012
#> ERR315330 2 0.1337 0.8956 0.016 0.972 0.012
#> ERR315384 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315413 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315332 2 0.2878 0.9126 0.096 0.904 0.000
#> ERR315334 3 0.8548 0.4898 0.312 0.120 0.568
#> ERR315447 3 0.8570 0.4824 0.316 0.120 0.564
#> ERR315453 3 0.8455 0.5171 0.296 0.120 0.584
#> ERR315442 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315457 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315392 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315450 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315462 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315328 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315389 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315435 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315482 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315380 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315377 2 0.2339 0.9168 0.048 0.940 0.012
#> ERR315374 2 0.2339 0.9168 0.048 0.940 0.012
#> ERR315466 3 0.1529 0.8188 0.000 0.040 0.960
#> ERR315479 3 0.1529 0.8188 0.000 0.040 0.960
#> ERR315473 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315391 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315417 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315385 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315386 2 0.2165 0.9185 0.064 0.936 0.000
#> ERR315438 2 0.2165 0.9185 0.064 0.936 0.000
#> ERR315367 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315331 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315347 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315396 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315403 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315357 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315463 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315451 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315445 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315461 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315397 2 0.0424 0.9023 0.000 0.992 0.008
#> ERR315491 2 0.0424 0.9023 0.000 0.992 0.008
#> ERR315483 2 0.0424 0.9023 0.000 0.992 0.008
#> ERR315400 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315440 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315493 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315441 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315455 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315421 2 0.9399 0.0908 0.208 0.500 0.292
#> ERR315370 2 0.9292 0.1349 0.200 0.516 0.284
#> ERR315355 2 0.9136 0.2106 0.196 0.540 0.264
#> ERR315446 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315375 2 0.3120 0.8569 0.080 0.908 0.012
#> ERR315467 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315484 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315406 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.9591 1.000 0.000 0.000
#> ERR315407 2 0.1015 0.8984 0.008 0.980 0.012
#> ERR315340 2 0.1015 0.8984 0.008 0.980 0.012
#> ERR315356 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315430 2 0.2066 0.9194 0.060 0.940 0.000
#> ERR315422 2 0.0237 0.9035 0.000 0.996 0.004
#> ERR315358 2 0.0237 0.9035 0.000 0.996 0.004
#> ERR315448 1 0.0237 0.9607 0.996 0.000 0.004
#> ERR315401 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315464 3 0.7940 0.5854 0.076 0.332 0.592
#> ERR315481 1 0.4555 0.7402 0.800 0.000 0.200
#> ERR315454 1 0.4555 0.7402 0.800 0.000 0.200
#> ERR315365 2 0.1482 0.8939 0.020 0.968 0.012
#> ERR315354 2 0.1482 0.8939 0.020 0.968 0.012
#> ERR315439 2 0.3590 0.8412 0.076 0.896 0.028
#> ERR315444 2 0.3590 0.8412 0.076 0.896 0.028
#> ERR315341 2 0.3183 0.8514 0.076 0.908 0.016
#> ERR315412 2 0.0424 0.9023 0.000 0.992 0.008
#> ERR315337 2 0.0424 0.9023 0.000 0.992 0.008
#> ERR315429 3 0.1031 0.8242 0.000 0.024 0.976
#> ERR315436 3 0.1163 0.8228 0.000 0.028 0.972
#> ERR315379 3 0.0592 0.8325 0.012 0.000 0.988
#> ERR315443 3 0.0661 0.8304 0.004 0.008 0.988
#> ERR315415 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315456 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315336 2 0.3539 0.9107 0.100 0.888 0.012
#> ERR315399 2 0.3539 0.9107 0.100 0.888 0.012
#> ERR315477 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315346 2 0.3031 0.8545 0.076 0.912 0.012
#> ERR315383 3 0.0592 0.8291 0.000 0.012 0.988
#> ERR315494 3 0.0424 0.8301 0.000 0.008 0.992
#> ERR315492 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315432 2 0.2796 0.9155 0.092 0.908 0.000
#> ERR315338 1 0.0237 0.9607 0.996 0.000 0.004
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315339 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315376 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315343 2 0.3810 0.838 0.008 0.804 0.000 0.188
#> ERR315342 2 0.3810 0.838 0.008 0.804 0.000 0.188
#> ERR315468 3 0.1229 0.943 0.004 0.008 0.968 0.020
#> ERR315434 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315489 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315371 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315433 2 0.1716 0.892 0.000 0.936 0.000 0.064
#> ERR315368 2 0.1716 0.892 0.000 0.936 0.000 0.064
#> ERR315465 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315437 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315327 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315394 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315427 3 0.5214 0.482 0.004 0.012 0.648 0.336
#> ERR315360 3 0.5250 0.463 0.004 0.012 0.640 0.344
#> ERR315426 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315387 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315475 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315395 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315333 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315460 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315372 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315472 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315398 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315409 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315402 2 0.0188 0.892 0.000 0.996 0.000 0.004
#> ERR315458 2 0.0188 0.892 0.000 0.996 0.000 0.004
#> ERR315366 1 0.0336 0.979 0.992 0.000 0.008 0.000
#> ERR315345 1 0.0336 0.979 0.992 0.000 0.008 0.000
#> ERR315326 4 0.0672 0.933 0.008 0.008 0.000 0.984
#> ERR315424 4 0.0672 0.933 0.008 0.008 0.000 0.984
#> ERR315382 4 0.1305 0.928 0.000 0.004 0.036 0.960
#> ERR315325 4 0.1305 0.928 0.000 0.004 0.036 0.960
#> ERR315369 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315420 4 0.1305 0.928 0.000 0.004 0.036 0.960
#> ERR315459 4 0.1398 0.927 0.000 0.004 0.040 0.956
#> ERR315353 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315487 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315378 2 0.3810 0.838 0.008 0.804 0.000 0.188
#> ERR315431 2 0.3810 0.838 0.008 0.804 0.000 0.188
#> ERR315335 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315452 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315471 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315390 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315329 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315393 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315488 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315351 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315350 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315381 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315418 4 0.1305 0.928 0.000 0.004 0.036 0.960
#> ERR315449 4 0.1305 0.928 0.000 0.004 0.036 0.960
#> ERR315490 2 0.1389 0.894 0.000 0.952 0.000 0.048
#> ERR315495 2 0.1302 0.894 0.000 0.956 0.000 0.044
#> ERR315361 2 0.1302 0.894 0.000 0.956 0.000 0.044
#> ERR315419 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315414 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315352 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315410 2 0.5097 0.400 0.004 0.568 0.000 0.428
#> ERR315349 3 0.2831 0.854 0.004 0.000 0.876 0.120
#> ERR315474 3 0.2773 0.857 0.004 0.000 0.880 0.116
#> ERR315470 3 0.2831 0.854 0.004 0.000 0.876 0.120
#> ERR315428 4 0.2654 0.878 0.004 0.108 0.000 0.888
#> ERR315363 4 0.2654 0.878 0.004 0.108 0.000 0.888
#> ERR315469 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315425 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315476 4 0.2589 0.878 0.000 0.116 0.000 0.884
#> ERR315478 4 0.2589 0.878 0.000 0.116 0.000 0.884
#> ERR315362 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315411 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315416 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315405 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315408 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315359 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315330 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315384 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315413 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315332 2 0.3810 0.838 0.008 0.804 0.000 0.188
#> ERR315334 4 0.2053 0.899 0.072 0.004 0.000 0.924
#> ERR315447 4 0.1743 0.912 0.056 0.004 0.000 0.940
#> ERR315453 4 0.2053 0.899 0.072 0.004 0.000 0.924
#> ERR315442 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315392 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315450 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315462 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315328 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315389 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315435 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315482 2 0.1118 0.894 0.000 0.964 0.000 0.036
#> ERR315380 2 0.1118 0.894 0.000 0.964 0.000 0.036
#> ERR315377 4 0.3569 0.780 0.000 0.196 0.000 0.804
#> ERR315374 4 0.3610 0.774 0.000 0.200 0.000 0.800
#> ERR315466 3 0.1675 0.927 0.004 0.044 0.948 0.004
#> ERR315479 3 0.1675 0.927 0.004 0.044 0.948 0.004
#> ERR315473 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315391 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315417 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315385 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315386 2 0.3486 0.840 0.000 0.812 0.000 0.188
#> ERR315438 2 0.3444 0.843 0.000 0.816 0.000 0.184
#> ERR315367 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315331 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315347 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315396 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315486 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315403 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315357 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315463 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315451 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315445 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315397 4 0.2831 0.867 0.004 0.120 0.000 0.876
#> ERR315491 4 0.2831 0.867 0.004 0.120 0.000 0.876
#> ERR315483 4 0.2944 0.859 0.004 0.128 0.000 0.868
#> ERR315400 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315493 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315441 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315455 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315421 4 0.0927 0.932 0.008 0.016 0.000 0.976
#> ERR315370 4 0.0927 0.932 0.008 0.016 0.000 0.976
#> ERR315355 4 0.0927 0.932 0.008 0.016 0.000 0.976
#> ERR315446 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315375 4 0.1474 0.920 0.000 0.052 0.000 0.948
#> ERR315467 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315484 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315404 1 0.0376 0.983 0.992 0.004 0.000 0.004
#> ERR315407 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315340 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315356 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315430 2 0.4540 0.829 0.032 0.772 0.000 0.196
#> ERR315422 4 0.3208 0.840 0.004 0.148 0.000 0.848
#> ERR315358 4 0.3257 0.835 0.004 0.152 0.000 0.844
#> ERR315448 1 0.0336 0.984 0.992 0.008 0.000 0.000
#> ERR315401 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315464 4 0.1674 0.927 0.012 0.004 0.032 0.952
#> ERR315481 1 0.3610 0.757 0.800 0.000 0.200 0.000
#> ERR315454 1 0.3610 0.757 0.800 0.000 0.200 0.000
#> ERR315365 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315354 4 0.0469 0.933 0.000 0.012 0.000 0.988
#> ERR315439 4 0.0592 0.932 0.000 0.016 0.000 0.984
#> ERR315444 4 0.0592 0.932 0.000 0.016 0.000 0.984
#> ERR315341 4 0.0336 0.933 0.000 0.008 0.000 0.992
#> ERR315412 4 0.3157 0.845 0.004 0.144 0.000 0.852
#> ERR315337 4 0.3157 0.845 0.004 0.144 0.000 0.852
#> ERR315429 3 0.1585 0.931 0.004 0.040 0.952 0.004
#> ERR315436 3 0.1492 0.934 0.004 0.036 0.956 0.004
#> ERR315379 3 0.0000 0.962 0.000 0.000 1.000 0.000
#> ERR315443 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315415 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315456 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315336 4 0.3208 0.841 0.004 0.148 0.000 0.848
#> ERR315399 4 0.3208 0.841 0.004 0.148 0.000 0.848
#> ERR315477 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315346 4 0.0336 0.933 0.000 0.008 0.000 0.992
#> ERR315383 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315494 3 0.0188 0.961 0.004 0.000 0.996 0.000
#> ERR315492 2 0.0657 0.889 0.004 0.984 0.000 0.012
#> ERR315432 2 0.0188 0.892 0.004 0.996 0.000 0.000
#> ERR315338 1 0.0336 0.984 0.992 0.008 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315339 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315376 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315343 4 0.2927 0.6208 0.000 0.092 0.000 0.868 0.040
#> ERR315342 4 0.3427 0.6041 0.000 0.108 0.000 0.836 0.056
#> ERR315468 3 0.7604 0.5241 0.000 0.144 0.496 0.120 0.240
#> ERR315434 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315489 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315371 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315433 4 0.3878 0.4629 0.000 0.236 0.000 0.748 0.016
#> ERR315368 4 0.3819 0.4774 0.000 0.228 0.000 0.756 0.016
#> ERR315465 1 0.0162 0.9765 0.996 0.004 0.000 0.000 0.000
#> ERR315437 1 0.0162 0.9765 0.996 0.004 0.000 0.000 0.000
#> ERR315327 3 0.5993 0.7260 0.000 0.140 0.676 0.056 0.128
#> ERR315394 3 0.5993 0.7260 0.000 0.140 0.676 0.056 0.128
#> ERR315427 3 0.6273 0.1097 0.008 0.100 0.476 0.412 0.004
#> ERR315360 3 0.6386 0.0930 0.008 0.100 0.468 0.416 0.008
#> ERR315426 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315333 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315460 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315372 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315472 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315398 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315409 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315402 4 0.3561 0.3599 0.000 0.260 0.000 0.740 0.000
#> ERR315458 4 0.3561 0.3599 0.000 0.260 0.000 0.740 0.000
#> ERR315366 1 0.0162 0.9765 0.996 0.004 0.000 0.000 0.000
#> ERR315345 1 0.0162 0.9765 0.996 0.004 0.000 0.000 0.000
#> ERR315326 5 0.2429 0.7303 0.008 0.068 0.000 0.020 0.904
#> ERR315424 5 0.2429 0.7303 0.008 0.068 0.000 0.020 0.904
#> ERR315382 5 0.0000 0.7560 0.000 0.000 0.000 0.000 1.000
#> ERR315325 5 0.0162 0.7565 0.000 0.004 0.000 0.000 0.996
#> ERR315369 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.0290 0.7548 0.000 0.008 0.000 0.000 0.992
#> ERR315459 5 0.0290 0.7548 0.000 0.008 0.000 0.000 0.992
#> ERR315353 5 0.3085 0.7161 0.004 0.068 0.000 0.060 0.868
#> ERR315487 5 0.2949 0.7199 0.004 0.068 0.000 0.052 0.876
#> ERR315378 4 0.2983 0.6194 0.000 0.096 0.000 0.864 0.040
#> ERR315431 4 0.4054 0.5682 0.000 0.140 0.000 0.788 0.072
#> ERR315335 2 0.4074 0.9841 0.000 0.636 0.000 0.364 0.000
#> ERR315452 2 0.4074 0.9841 0.000 0.636 0.000 0.364 0.000
#> ERR315471 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.4015 0.9858 0.000 0.652 0.000 0.348 0.000
#> ERR315350 2 0.4015 0.9858 0.000 0.652 0.000 0.348 0.000
#> ERR315381 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.0510 0.7529 0.000 0.016 0.000 0.000 0.984
#> ERR315449 5 0.0510 0.7529 0.000 0.016 0.000 0.000 0.984
#> ERR315490 4 0.4793 0.4221 0.000 0.260 0.000 0.684 0.056
#> ERR315495 4 0.4730 0.4195 0.000 0.260 0.000 0.688 0.052
#> ERR315361 4 0.4769 0.4268 0.000 0.256 0.000 0.688 0.056
#> ERR315419 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315414 3 0.5993 0.7260 0.000 0.140 0.676 0.056 0.128
#> ERR315352 2 0.3999 0.9837 0.000 0.656 0.000 0.344 0.000
#> ERR315410 4 0.3488 0.5997 0.000 0.024 0.000 0.808 0.168
#> ERR315349 3 0.3110 0.7674 0.000 0.028 0.856 0.112 0.004
#> ERR315474 3 0.3007 0.7753 0.000 0.028 0.864 0.104 0.004
#> ERR315470 3 0.2670 0.7960 0.000 0.028 0.888 0.080 0.004
#> ERR315428 5 0.5556 0.5581 0.004 0.204 0.000 0.136 0.656
#> ERR315363 5 0.5556 0.5581 0.004 0.204 0.000 0.136 0.656
#> ERR315469 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315425 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315476 4 0.6219 0.4321 0.000 0.196 0.000 0.544 0.260
#> ERR315478 4 0.6225 0.4396 0.000 0.200 0.000 0.544 0.256
#> ERR315362 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315411 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315416 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315359 5 0.2927 0.7518 0.000 0.092 0.000 0.040 0.868
#> ERR315330 5 0.2927 0.7518 0.000 0.092 0.000 0.040 0.868
#> ERR315384 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315413 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315332 4 0.3828 0.5837 0.000 0.120 0.000 0.808 0.072
#> ERR315334 5 0.4598 0.7304 0.012 0.196 0.012 0.028 0.752
#> ERR315447 5 0.4570 0.7310 0.008 0.196 0.012 0.032 0.752
#> ERR315453 5 0.4598 0.7304 0.012 0.196 0.012 0.028 0.752
#> ERR315442 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.4074 0.9841 0.000 0.636 0.000 0.364 0.000
#> ERR315450 2 0.4074 0.9841 0.000 0.636 0.000 0.364 0.000
#> ERR315462 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315328 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315389 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315435 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315482 4 0.3395 0.4148 0.000 0.236 0.000 0.764 0.000
#> ERR315380 4 0.3395 0.4148 0.000 0.236 0.000 0.764 0.000
#> ERR315377 4 0.6030 0.5181 0.000 0.196 0.000 0.580 0.224
#> ERR315374 4 0.6003 0.5230 0.000 0.192 0.000 0.584 0.224
#> ERR315466 3 0.7081 0.6207 0.000 0.152 0.560 0.080 0.208
#> ERR315479 3 0.7056 0.6260 0.000 0.152 0.564 0.080 0.204
#> ERR315473 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.4015 0.9858 0.000 0.652 0.000 0.348 0.000
#> ERR315417 2 0.4074 0.9841 0.000 0.636 0.000 0.364 0.000
#> ERR315385 2 0.4074 0.9841 0.000 0.636 0.000 0.364 0.000
#> ERR315386 4 0.4841 0.5512 0.000 0.208 0.000 0.708 0.084
#> ERR315438 4 0.4841 0.5512 0.000 0.208 0.000 0.708 0.084
#> ERR315367 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315331 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315347 3 0.1808 0.8297 0.000 0.044 0.936 0.012 0.008
#> ERR315396 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315486 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315403 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315357 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315463 3 0.5728 0.7347 0.000 0.140 0.692 0.040 0.128
#> ERR315451 3 0.5728 0.7347 0.000 0.140 0.692 0.040 0.128
#> ERR315445 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.5556 0.5581 0.004 0.204 0.000 0.136 0.656
#> ERR315491 5 0.5556 0.5581 0.004 0.204 0.000 0.136 0.656
#> ERR315483 5 0.5556 0.5581 0.004 0.204 0.000 0.136 0.656
#> ERR315400 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.4045 0.9866 0.000 0.644 0.000 0.356 0.000
#> ERR315421 5 0.6534 0.0925 0.000 0.196 0.000 0.388 0.416
#> ERR315370 5 0.6534 0.0925 0.000 0.196 0.000 0.388 0.416
#> ERR315355 5 0.6536 0.0647 0.000 0.196 0.000 0.396 0.408
#> ERR315446 2 0.3999 0.9837 0.000 0.656 0.000 0.344 0.000
#> ERR315375 4 0.6349 0.3924 0.000 0.212 0.000 0.520 0.268
#> ERR315467 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315484 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315404 1 0.0451 0.9744 0.988 0.008 0.000 0.004 0.000
#> ERR315407 5 0.2362 0.7575 0.000 0.076 0.000 0.024 0.900
#> ERR315340 5 0.2362 0.7575 0.000 0.076 0.000 0.024 0.900
#> ERR315356 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315430 4 0.1646 0.6363 0.020 0.032 0.000 0.944 0.004
#> ERR315422 5 0.5613 0.5510 0.004 0.212 0.000 0.136 0.648
#> ERR315358 5 0.5613 0.5510 0.004 0.212 0.000 0.136 0.648
#> ERR315448 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315464 5 0.4372 0.7321 0.000 0.196 0.012 0.036 0.756
#> ERR315481 1 0.3661 0.6399 0.724 0.000 0.276 0.000 0.000
#> ERR315454 1 0.3636 0.6465 0.728 0.000 0.272 0.000 0.000
#> ERR315365 5 0.2769 0.7537 0.000 0.092 0.000 0.032 0.876
#> ERR315354 5 0.2769 0.7537 0.000 0.092 0.000 0.032 0.876
#> ERR315439 5 0.4062 0.6603 0.004 0.068 0.000 0.132 0.796
#> ERR315444 5 0.4062 0.6603 0.004 0.068 0.000 0.132 0.796
#> ERR315341 5 0.2569 0.7265 0.004 0.068 0.000 0.032 0.896
#> ERR315412 5 0.5641 0.5469 0.004 0.216 0.000 0.136 0.644
#> ERR315337 5 0.5641 0.5469 0.004 0.216 0.000 0.136 0.644
#> ERR315429 3 0.6988 0.6190 0.000 0.144 0.564 0.072 0.220
#> ERR315436 3 0.7011 0.6134 0.000 0.144 0.560 0.072 0.224
#> ERR315379 3 0.0000 0.8464 0.000 0.000 1.000 0.000 0.000
#> ERR315443 3 0.6033 0.7138 0.000 0.140 0.664 0.044 0.152
#> ERR315415 2 0.3999 0.9837 0.000 0.656 0.000 0.344 0.000
#> ERR315456 2 0.4015 0.9858 0.000 0.652 0.000 0.348 0.000
#> ERR315336 4 0.6276 0.4884 0.004 0.204 0.000 0.560 0.232
#> ERR315399 4 0.6228 0.5020 0.004 0.200 0.000 0.568 0.228
#> ERR315477 2 0.4045 0.9866 0.000 0.644 0.000 0.356 0.000
#> ERR315346 5 0.2396 0.7294 0.004 0.068 0.000 0.024 0.904
#> ERR315383 3 0.6069 0.7103 0.000 0.140 0.660 0.044 0.156
#> ERR315494 3 0.6642 0.6641 0.000 0.144 0.608 0.064 0.184
#> ERR315492 2 0.3999 0.9837 0.000 0.656 0.000 0.344 0.000
#> ERR315432 2 0.4045 0.9866 0.000 0.644 0.000 0.356 0.000
#> ERR315338 1 0.0000 0.9776 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315376 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315343 4 0.2822 0.6274 0.000 0.056 0.000 0.864 0.076 0.004
#> ERR315342 4 0.2994 0.6288 0.000 0.064 0.000 0.852 0.080 0.004
#> ERR315468 5 0.4990 0.5348 0.000 0.004 0.136 0.184 0.672 0.004
#> ERR315434 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315489 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315371 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 4 0.4141 0.4644 0.000 0.388 0.000 0.596 0.016 0.000
#> ERR315368 4 0.4141 0.4644 0.000 0.388 0.000 0.596 0.016 0.000
#> ERR315465 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315327 3 0.6285 0.1752 0.000 0.004 0.404 0.260 0.328 0.004
#> ERR315394 3 0.6285 0.1752 0.000 0.004 0.404 0.260 0.328 0.004
#> ERR315427 4 0.5037 0.3344 0.024 0.000 0.280 0.636 0.060 0.000
#> ERR315360 4 0.5000 0.3487 0.024 0.000 0.272 0.644 0.060 0.000
#> ERR315426 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315333 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315460 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315372 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315472 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315398 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315409 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.4025 -0.0874 0.000 0.576 0.000 0.416 0.008 0.000
#> ERR315458 2 0.4025 -0.0874 0.000 0.576 0.000 0.416 0.008 0.000
#> ERR315366 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315326 5 0.5330 0.5448 0.008 0.000 0.000 0.172 0.624 0.196
#> ERR315424 5 0.5330 0.5448 0.008 0.000 0.000 0.172 0.624 0.196
#> ERR315382 5 0.4453 0.2645 0.000 0.000 0.000 0.028 0.528 0.444
#> ERR315325 5 0.4453 0.2645 0.000 0.000 0.000 0.028 0.528 0.444
#> ERR315369 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315485 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315420 5 0.4403 0.3544 0.000 0.000 0.000 0.028 0.564 0.408
#> ERR315459 5 0.4403 0.3544 0.000 0.000 0.000 0.028 0.564 0.408
#> ERR315353 5 0.5091 0.5527 0.000 0.000 0.000 0.172 0.632 0.196
#> ERR315487 5 0.5091 0.5527 0.000 0.000 0.000 0.172 0.632 0.196
#> ERR315378 4 0.2888 0.6243 0.000 0.068 0.000 0.860 0.068 0.004
#> ERR315431 4 0.2814 0.6221 0.000 0.052 0.000 0.864 0.080 0.004
#> ERR315335 2 0.1219 0.8920 0.000 0.948 0.000 0.048 0.004 0.000
#> ERR315452 2 0.1219 0.8920 0.000 0.948 0.000 0.048 0.004 0.000
#> ERR315471 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315350 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315381 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.4362 0.3938 0.000 0.000 0.000 0.028 0.584 0.388
#> ERR315449 5 0.4362 0.3938 0.000 0.000 0.000 0.028 0.584 0.388
#> ERR315490 4 0.4750 0.4229 0.000 0.404 0.000 0.544 0.052 0.000
#> ERR315495 4 0.4703 0.4203 0.000 0.408 0.000 0.544 0.048 0.000
#> ERR315361 4 0.4750 0.4229 0.000 0.404 0.000 0.544 0.052 0.000
#> ERR315419 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 3 0.6285 0.1752 0.000 0.004 0.404 0.260 0.328 0.004
#> ERR315352 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315410 4 0.5611 0.6258 0.000 0.152 0.000 0.644 0.156 0.048
#> ERR315349 3 0.4029 0.5965 0.000 0.000 0.680 0.292 0.028 0.000
#> ERR315474 3 0.3897 0.6207 0.000 0.000 0.696 0.280 0.024 0.000
#> ERR315470 3 0.3886 0.6341 0.000 0.000 0.708 0.264 0.028 0.000
#> ERR315428 5 0.3261 0.6244 0.004 0.032 0.000 0.036 0.852 0.076
#> ERR315363 5 0.3261 0.6244 0.004 0.032 0.000 0.036 0.852 0.076
#> ERR315469 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315425 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315476 4 0.5263 0.6210 0.000 0.084 0.000 0.696 0.128 0.092
#> ERR315478 4 0.5263 0.6210 0.000 0.084 0.000 0.696 0.128 0.092
#> ERR315362 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315411 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315416 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 6 0.5488 0.1198 0.000 0.008 0.000 0.104 0.372 0.516
#> ERR315330 6 0.5480 0.1316 0.000 0.008 0.000 0.104 0.368 0.520
#> ERR315384 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315413 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315332 4 0.2209 0.6300 0.000 0.040 0.000 0.904 0.052 0.004
#> ERR315334 6 0.1346 0.7332 0.024 0.000 0.000 0.008 0.016 0.952
#> ERR315447 6 0.1346 0.7332 0.024 0.000 0.000 0.008 0.016 0.952
#> ERR315453 6 0.1346 0.7332 0.024 0.000 0.000 0.008 0.016 0.952
#> ERR315442 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.1219 0.8920 0.000 0.948 0.000 0.048 0.004 0.000
#> ERR315450 2 0.1219 0.8920 0.000 0.948 0.000 0.048 0.004 0.000
#> ERR315462 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315389 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315435 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315482 4 0.4096 0.2988 0.000 0.484 0.000 0.508 0.008 0.000
#> ERR315380 4 0.4095 0.3066 0.000 0.480 0.000 0.512 0.008 0.000
#> ERR315377 4 0.5312 0.6231 0.000 0.108 0.000 0.688 0.136 0.068
#> ERR315374 4 0.5264 0.6249 0.000 0.112 0.000 0.692 0.132 0.064
#> ERR315466 5 0.5773 0.4869 0.000 0.016 0.204 0.184 0.592 0.004
#> ERR315479 5 0.5851 0.4900 0.000 0.020 0.204 0.184 0.588 0.004
#> ERR315473 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315417 2 0.1219 0.8920 0.000 0.948 0.000 0.048 0.004 0.000
#> ERR315385 2 0.1219 0.8920 0.000 0.948 0.000 0.048 0.004 0.000
#> ERR315386 4 0.5030 0.5580 0.000 0.268 0.000 0.616 0.116 0.000
#> ERR315438 4 0.5030 0.5580 0.000 0.268 0.000 0.616 0.116 0.000
#> ERR315367 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315331 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315347 3 0.3381 0.7272 0.000 0.000 0.800 0.156 0.044 0.000
#> ERR315396 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315486 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315403 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315357 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315463 3 0.6285 0.1752 0.000 0.004 0.404 0.260 0.328 0.004
#> ERR315451 3 0.6285 0.1752 0.000 0.004 0.404 0.260 0.328 0.004
#> ERR315445 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.3261 0.6244 0.004 0.032 0.000 0.036 0.852 0.076
#> ERR315491 5 0.3261 0.6244 0.004 0.032 0.000 0.036 0.852 0.076
#> ERR315483 5 0.3261 0.6244 0.004 0.032 0.000 0.036 0.852 0.076
#> ERR315400 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.0632 0.8974 0.000 0.976 0.000 0.024 0.000 0.000
#> ERR315421 6 0.4537 0.2319 0.012 0.000 0.000 0.384 0.020 0.584
#> ERR315370 6 0.4537 0.2319 0.012 0.000 0.000 0.384 0.020 0.584
#> ERR315355 6 0.4579 0.1827 0.012 0.000 0.000 0.404 0.020 0.564
#> ERR315446 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315375 4 0.5496 0.5985 0.000 0.076 0.000 0.672 0.132 0.120
#> ERR315467 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315484 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315404 1 0.2119 0.9161 0.904 0.000 0.000 0.036 0.060 0.000
#> ERR315407 6 0.5176 0.0258 0.000 0.004 0.000 0.076 0.412 0.508
#> ERR315340 6 0.5176 0.0258 0.000 0.004 0.000 0.076 0.412 0.508
#> ERR315356 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315430 4 0.5954 0.5894 0.008 0.184 0.000 0.584 0.204 0.020
#> ERR315422 5 0.3278 0.6236 0.004 0.036 0.000 0.036 0.852 0.072
#> ERR315358 5 0.3278 0.6236 0.004 0.036 0.000 0.036 0.852 0.072
#> ERR315448 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315464 6 0.0146 0.7542 0.000 0.000 0.000 0.004 0.000 0.996
#> ERR315481 1 0.3531 0.5333 0.672 0.000 0.328 0.000 0.000 0.000
#> ERR315454 1 0.3515 0.5416 0.676 0.000 0.324 0.000 0.000 0.000
#> ERR315365 6 0.5186 0.1275 0.000 0.012 0.000 0.064 0.384 0.540
#> ERR315354 6 0.5097 0.1321 0.000 0.008 0.000 0.064 0.384 0.544
#> ERR315439 5 0.5065 0.5551 0.000 0.000 0.000 0.172 0.636 0.192
#> ERR315444 5 0.5065 0.5551 0.000 0.000 0.000 0.172 0.636 0.192
#> ERR315341 5 0.5117 0.5477 0.000 0.000 0.000 0.172 0.628 0.200
#> ERR315412 5 0.3292 0.6222 0.004 0.040 0.000 0.036 0.852 0.068
#> ERR315337 5 0.3292 0.6222 0.004 0.040 0.000 0.036 0.852 0.068
#> ERR315429 5 0.5773 0.4943 0.000 0.016 0.204 0.184 0.592 0.004
#> ERR315436 5 0.5749 0.4988 0.000 0.016 0.200 0.184 0.596 0.004
#> ERR315379 3 0.0000 0.8621 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315443 5 0.5921 0.2649 0.000 0.004 0.300 0.184 0.508 0.004
#> ERR315415 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315456 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315336 4 0.5590 0.6124 0.000 0.104 0.000 0.660 0.156 0.080
#> ERR315399 4 0.5640 0.6088 0.000 0.100 0.000 0.656 0.156 0.088
#> ERR315477 2 0.0632 0.8974 0.000 0.976 0.000 0.024 0.000 0.000
#> ERR315346 5 0.5113 0.5468 0.000 0.000 0.000 0.168 0.628 0.204
#> ERR315383 5 0.5932 0.2700 0.000 0.004 0.296 0.188 0.508 0.004
#> ERR315494 5 0.5629 0.4179 0.000 0.004 0.228 0.184 0.580 0.004
#> ERR315492 2 0.0363 0.8971 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315432 2 0.0632 0.8974 0.000 0.976 0.000 0.024 0.000 0.000
#> ERR315338 1 0.0000 0.9541 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "hclust"]
# you can also extract it by
# res = res_list["MAD:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.858 0.915 0.955 0.3322 0.699 0.699
#> 3 3 0.534 0.873 0.907 0.4454 0.870 0.814
#> 4 4 0.658 0.816 0.856 0.4036 0.791 0.632
#> 5 5 0.738 0.833 0.871 0.1456 0.866 0.627
#> 6 6 0.782 0.884 0.842 0.0475 0.945 0.755
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.0000 0.950 0.000 1.000
#> ERR315339 2 0.0000 0.950 0.000 1.000
#> ERR315376 2 0.0000 0.950 0.000 1.000
#> ERR315343 2 0.0000 0.950 0.000 1.000
#> ERR315342 2 0.0000 0.950 0.000 1.000
#> ERR315468 2 0.2603 0.932 0.044 0.956
#> ERR315434 2 0.0000 0.950 0.000 1.000
#> ERR315489 2 0.0000 0.950 0.000 1.000
#> ERR315371 1 0.1184 0.977 0.984 0.016
#> ERR315433 2 0.0000 0.950 0.000 1.000
#> ERR315368 2 0.0000 0.950 0.000 1.000
#> ERR315465 1 0.5294 0.892 0.880 0.120
#> ERR315437 1 0.5294 0.892 0.880 0.120
#> ERR315327 2 0.9248 0.569 0.340 0.660
#> ERR315394 2 0.9248 0.569 0.340 0.660
#> ERR315427 2 0.0000 0.950 0.000 1.000
#> ERR315360 2 0.0000 0.950 0.000 1.000
#> ERR315426 1 0.1184 0.977 0.984 0.016
#> ERR315387 1 0.1184 0.977 0.984 0.016
#> ERR315475 1 0.1184 0.977 0.984 0.016
#> ERR315395 1 0.1184 0.977 0.984 0.016
#> ERR315333 1 0.1184 0.977 0.984 0.016
#> ERR315460 2 0.0000 0.950 0.000 1.000
#> ERR315372 2 0.0000 0.950 0.000 1.000
#> ERR315472 2 0.0000 0.950 0.000 1.000
#> ERR315398 2 0.0000 0.950 0.000 1.000
#> ERR315409 2 0.0000 0.950 0.000 1.000
#> ERR315423 2 0.0000 0.950 0.000 1.000
#> ERR315402 2 0.0000 0.950 0.000 1.000
#> ERR315458 2 0.0000 0.950 0.000 1.000
#> ERR315366 1 0.5294 0.892 0.880 0.120
#> ERR315345 1 0.5294 0.892 0.880 0.120
#> ERR315326 2 0.0000 0.950 0.000 1.000
#> ERR315424 2 0.0000 0.950 0.000 1.000
#> ERR315382 2 0.9209 0.574 0.336 0.664
#> ERR315325 2 0.9209 0.574 0.336 0.664
#> ERR315369 2 0.0000 0.950 0.000 1.000
#> ERR315485 2 0.0000 0.950 0.000 1.000
#> ERR315420 2 0.9209 0.574 0.336 0.664
#> ERR315459 2 0.9209 0.574 0.336 0.664
#> ERR315353 2 0.0000 0.950 0.000 1.000
#> ERR315487 2 0.0000 0.950 0.000 1.000
#> ERR315378 2 0.0000 0.950 0.000 1.000
#> ERR315431 2 0.0000 0.950 0.000 1.000
#> ERR315335 2 0.0000 0.950 0.000 1.000
#> ERR315452 2 0.0000 0.950 0.000 1.000
#> ERR315471 1 0.1184 0.977 0.984 0.016
#> ERR315390 1 0.1184 0.977 0.984 0.016
#> ERR315329 1 0.1184 0.977 0.984 0.016
#> ERR315393 1 0.1184 0.977 0.984 0.016
#> ERR315488 1 0.1184 0.977 0.984 0.016
#> ERR315351 2 0.2603 0.932 0.044 0.956
#> ERR315350 2 0.2603 0.932 0.044 0.956
#> ERR315381 2 0.0000 0.950 0.000 1.000
#> ERR315388 2 0.0000 0.950 0.000 1.000
#> ERR315418 2 0.9209 0.574 0.336 0.664
#> ERR315449 2 0.9209 0.574 0.336 0.664
#> ERR315490 2 0.0000 0.950 0.000 1.000
#> ERR315495 2 0.0000 0.950 0.000 1.000
#> ERR315361 2 0.0000 0.950 0.000 1.000
#> ERR315419 2 0.0000 0.950 0.000 1.000
#> ERR315344 2 0.0000 0.950 0.000 1.000
#> ERR315414 2 0.9248 0.569 0.340 0.660
#> ERR315352 2 0.2603 0.932 0.044 0.956
#> ERR315410 2 0.0000 0.950 0.000 1.000
#> ERR315349 2 0.0000 0.950 0.000 1.000
#> ERR315474 2 0.0000 0.950 0.000 1.000
#> ERR315470 2 0.0000 0.950 0.000 1.000
#> ERR315428 2 0.2603 0.932 0.044 0.956
#> ERR315363 2 0.2603 0.932 0.044 0.956
#> ERR315469 1 0.1184 0.977 0.984 0.016
#> ERR315425 1 0.1184 0.977 0.984 0.016
#> ERR315476 2 0.0000 0.950 0.000 1.000
#> ERR315478 2 0.0000 0.950 0.000 1.000
#> ERR315362 2 0.0000 0.950 0.000 1.000
#> ERR315411 2 0.0000 0.950 0.000 1.000
#> ERR315416 1 0.1184 0.977 0.984 0.016
#> ERR315405 1 0.1184 0.977 0.984 0.016
#> ERR315408 2 0.0000 0.950 0.000 1.000
#> ERR315364 2 0.0000 0.950 0.000 1.000
#> ERR315359 2 0.0000 0.950 0.000 1.000
#> ERR315330 2 0.0000 0.950 0.000 1.000
#> ERR315384 2 0.2603 0.932 0.044 0.956
#> ERR315413 2 0.2603 0.932 0.044 0.956
#> ERR315332 2 0.0000 0.950 0.000 1.000
#> ERR315334 2 0.0938 0.943 0.012 0.988
#> ERR315447 2 0.0938 0.943 0.012 0.988
#> ERR315453 2 0.0938 0.943 0.012 0.988
#> ERR315442 2 0.0000 0.950 0.000 1.000
#> ERR315457 2 0.0000 0.950 0.000 1.000
#> ERR315392 2 0.0000 0.950 0.000 1.000
#> ERR315450 2 0.0000 0.950 0.000 1.000
#> ERR315462 2 0.0000 0.950 0.000 1.000
#> ERR315328 2 0.2603 0.932 0.044 0.956
#> ERR315389 2 0.2603 0.932 0.044 0.956
#> ERR315435 2 0.2603 0.932 0.044 0.956
#> ERR315482 2 0.0000 0.950 0.000 1.000
#> ERR315380 2 0.0000 0.950 0.000 1.000
#> ERR315377 2 0.0000 0.950 0.000 1.000
#> ERR315374 2 0.0000 0.950 0.000 1.000
#> ERR315466 2 0.9248 0.569 0.340 0.660
#> ERR315479 2 0.9248 0.569 0.340 0.660
#> ERR315473 1 0.1184 0.977 0.984 0.016
#> ERR315391 2 0.2603 0.932 0.044 0.956
#> ERR315417 2 0.0000 0.950 0.000 1.000
#> ERR315385 2 0.0000 0.950 0.000 1.000
#> ERR315386 2 0.0000 0.950 0.000 1.000
#> ERR315438 2 0.0000 0.950 0.000 1.000
#> ERR315367 2 0.2603 0.932 0.044 0.956
#> ERR315331 2 0.2603 0.932 0.044 0.956
#> ERR315347 2 0.0000 0.950 0.000 1.000
#> ERR315396 1 0.1184 0.977 0.984 0.016
#> ERR315486 1 0.1184 0.977 0.984 0.016
#> ERR315403 2 0.0000 0.950 0.000 1.000
#> ERR315357 2 0.0000 0.950 0.000 1.000
#> ERR315463 2 0.9248 0.569 0.340 0.660
#> ERR315451 2 0.9248 0.569 0.340 0.660
#> ERR315445 2 0.0000 0.950 0.000 1.000
#> ERR315461 2 0.0000 0.950 0.000 1.000
#> ERR315397 2 0.2603 0.932 0.044 0.956
#> ERR315491 2 0.2603 0.932 0.044 0.956
#> ERR315483 2 0.2603 0.932 0.044 0.956
#> ERR315400 2 0.0000 0.950 0.000 1.000
#> ERR315440 1 0.1184 0.977 0.984 0.016
#> ERR315493 1 0.1184 0.977 0.984 0.016
#> ERR315441 1 0.1184 0.977 0.984 0.016
#> ERR315455 2 0.2603 0.932 0.044 0.956
#> ERR315421 2 0.0000 0.950 0.000 1.000
#> ERR315370 2 0.0000 0.950 0.000 1.000
#> ERR315355 2 0.0000 0.950 0.000 1.000
#> ERR315446 2 0.2603 0.932 0.044 0.956
#> ERR315375 2 0.0000 0.950 0.000 1.000
#> ERR315467 2 0.0000 0.950 0.000 1.000
#> ERR315484 2 0.0000 0.950 0.000 1.000
#> ERR315406 1 0.1184 0.977 0.984 0.016
#> ERR315404 1 0.1184 0.977 0.984 0.016
#> ERR315407 2 0.0000 0.950 0.000 1.000
#> ERR315340 2 0.0000 0.950 0.000 1.000
#> ERR315356 2 0.2603 0.932 0.044 0.956
#> ERR315430 2 0.2603 0.932 0.044 0.956
#> ERR315422 2 0.2603 0.932 0.044 0.956
#> ERR315358 2 0.2603 0.932 0.044 0.956
#> ERR315448 1 0.1184 0.977 0.984 0.016
#> ERR315401 2 0.0000 0.950 0.000 1.000
#> ERR315464 2 0.0000 0.950 0.000 1.000
#> ERR315481 1 0.5294 0.892 0.880 0.120
#> ERR315454 1 0.5294 0.892 0.880 0.120
#> ERR315365 2 0.0000 0.950 0.000 1.000
#> ERR315354 2 0.0000 0.950 0.000 1.000
#> ERR315439 2 0.0000 0.950 0.000 1.000
#> ERR315444 2 0.0000 0.950 0.000 1.000
#> ERR315341 2 0.0000 0.950 0.000 1.000
#> ERR315412 2 0.2603 0.932 0.044 0.956
#> ERR315337 2 0.2603 0.932 0.044 0.956
#> ERR315429 2 0.9248 0.569 0.340 0.660
#> ERR315436 2 0.9248 0.569 0.340 0.660
#> ERR315379 2 0.0000 0.950 0.000 1.000
#> ERR315443 2 0.2603 0.932 0.044 0.956
#> ERR315415 2 0.2603 0.932 0.044 0.956
#> ERR315456 2 0.2603 0.932 0.044 0.956
#> ERR315336 2 0.0000 0.950 0.000 1.000
#> ERR315399 2 0.0000 0.950 0.000 1.000
#> ERR315477 2 0.2603 0.932 0.044 0.956
#> ERR315346 2 0.0000 0.950 0.000 1.000
#> ERR315383 2 0.2603 0.932 0.044 0.956
#> ERR315494 2 0.2603 0.932 0.044 0.956
#> ERR315492 2 0.2603 0.932 0.044 0.956
#> ERR315432 2 0.2603 0.932 0.044 0.956
#> ERR315338 1 0.1184 0.977 0.984 0.016
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315339 2 0.4291 0.853 0.000 0.820 0.180
#> ERR315376 2 0.4291 0.853 0.000 0.820 0.180
#> ERR315343 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315342 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315468 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315434 2 0.3816 0.863 0.000 0.852 0.148
#> ERR315489 2 0.3816 0.863 0.000 0.852 0.148
#> ERR315371 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315433 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315368 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315465 1 0.3038 0.835 0.896 0.104 0.000
#> ERR315437 1 0.3038 0.835 0.896 0.104 0.000
#> ERR315327 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315394 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315427 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315360 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315426 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315460 2 0.4291 0.853 0.000 0.820 0.180
#> ERR315372 2 0.4291 0.853 0.000 0.820 0.180
#> ERR315472 2 0.3816 0.863 0.000 0.852 0.148
#> ERR315398 2 0.3816 0.863 0.000 0.852 0.148
#> ERR315409 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315423 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315402 2 0.4555 0.843 0.000 0.800 0.200
#> ERR315458 2 0.4555 0.843 0.000 0.800 0.200
#> ERR315366 1 0.3038 0.835 0.896 0.104 0.000
#> ERR315345 1 0.3038 0.835 0.896 0.104 0.000
#> ERR315326 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315424 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315382 3 0.1411 0.962 0.000 0.036 0.964
#> ERR315325 3 0.1411 0.962 0.000 0.036 0.964
#> ERR315369 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315485 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315420 3 0.1411 0.962 0.000 0.036 0.964
#> ERR315459 3 0.1411 0.962 0.000 0.036 0.964
#> ERR315353 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315487 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315378 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315431 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315335 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315452 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315471 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315351 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315350 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315381 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315388 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315418 3 0.1411 0.962 0.000 0.036 0.964
#> ERR315449 3 0.1411 0.962 0.000 0.036 0.964
#> ERR315490 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315495 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315361 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315419 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315344 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315414 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315352 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315410 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315349 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315474 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315470 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315428 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315363 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315469 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315476 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315478 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315362 2 0.3816 0.863 0.000 0.852 0.148
#> ERR315411 2 0.3816 0.863 0.000 0.852 0.148
#> ERR315416 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315408 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315364 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315359 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315330 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315384 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315413 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315332 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315334 2 0.0592 0.860 0.012 0.988 0.000
#> ERR315447 2 0.0592 0.860 0.012 0.988 0.000
#> ERR315453 2 0.0592 0.860 0.012 0.988 0.000
#> ERR315442 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315457 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315392 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315450 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315462 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315328 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315389 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315435 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315482 2 0.4555 0.843 0.000 0.800 0.200
#> ERR315380 2 0.4555 0.843 0.000 0.800 0.200
#> ERR315377 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315374 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315466 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315479 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315473 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315391 2 0.4702 0.832 0.000 0.788 0.212
#> ERR315417 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315385 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315386 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315438 2 0.3116 0.875 0.000 0.892 0.108
#> ERR315367 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315331 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315347 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315396 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315403 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315357 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315463 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315451 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315445 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315461 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315397 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315491 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315483 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315400 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315455 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315421 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315370 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315355 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315446 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315375 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315467 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315484 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315406 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315407 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315340 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315356 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315430 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315422 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315358 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315448 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315401 2 0.4291 0.853 0.000 0.820 0.180
#> ERR315464 2 0.4291 0.853 0.000 0.820 0.180
#> ERR315481 1 0.3038 0.835 0.896 0.104 0.000
#> ERR315454 1 0.3038 0.835 0.896 0.104 0.000
#> ERR315365 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315354 2 0.2537 0.876 0.000 0.920 0.080
#> ERR315439 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315444 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315341 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315412 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315337 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315429 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315436 3 0.0000 0.974 0.000 0.000 1.000
#> ERR315379 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315443 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315415 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315456 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315336 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315399 2 0.0237 0.869 0.000 0.996 0.004
#> ERR315477 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315346 2 0.0000 0.868 0.000 1.000 0.000
#> ERR315383 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315494 2 0.5465 0.786 0.000 0.712 0.288
#> ERR315492 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315432 2 0.5497 0.782 0.000 0.708 0.292
#> ERR315338 1 0.0000 0.963 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315339 3 0.4552 0.735 0.000 0.172 0.784 0.044
#> ERR315376 3 0.4552 0.735 0.000 0.172 0.784 0.044
#> ERR315343 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315342 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315468 2 0.0657 0.947 0.000 0.984 0.004 0.012
#> ERR315434 3 0.4139 0.754 0.000 0.144 0.816 0.040
#> ERR315489 3 0.4139 0.754 0.000 0.144 0.816 0.040
#> ERR315371 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315433 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315368 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315465 1 0.2408 0.871 0.896 0.000 0.104 0.000
#> ERR315437 1 0.2408 0.871 0.896 0.000 0.104 0.000
#> ERR315327 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315394 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315427 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315360 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315426 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315460 3 0.4552 0.735 0.000 0.172 0.784 0.044
#> ERR315372 3 0.4552 0.735 0.000 0.172 0.784 0.044
#> ERR315472 3 0.4139 0.754 0.000 0.144 0.816 0.040
#> ERR315398 3 0.4139 0.754 0.000 0.144 0.816 0.040
#> ERR315409 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315423 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315402 3 0.6010 0.421 0.000 0.472 0.488 0.040
#> ERR315458 3 0.6010 0.421 0.000 0.472 0.488 0.040
#> ERR315366 1 0.2408 0.871 0.896 0.000 0.104 0.000
#> ERR315345 1 0.2408 0.871 0.896 0.000 0.104 0.000
#> ERR315326 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315424 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315382 4 0.3907 0.935 0.000 0.232 0.000 0.768
#> ERR315325 4 0.3907 0.935 0.000 0.232 0.000 0.768
#> ERR315369 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315485 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315420 4 0.3907 0.935 0.000 0.232 0.000 0.768
#> ERR315459 4 0.3907 0.935 0.000 0.232 0.000 0.768
#> ERR315353 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315487 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315378 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315431 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315335 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315452 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315471 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315351 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315350 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315381 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315388 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315418 4 0.3907 0.935 0.000 0.232 0.000 0.768
#> ERR315449 4 0.3907 0.935 0.000 0.232 0.000 0.768
#> ERR315490 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315495 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315361 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315419 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315344 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315414 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315352 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315410 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315349 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315474 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315470 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315428 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315363 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315469 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315476 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315478 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315362 3 0.4139 0.754 0.000 0.144 0.816 0.040
#> ERR315411 3 0.4139 0.754 0.000 0.144 0.816 0.040
#> ERR315416 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315408 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315364 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315359 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315330 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315384 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315413 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315332 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315334 3 0.0469 0.789 0.012 0.000 0.988 0.000
#> ERR315447 3 0.0469 0.789 0.012 0.000 0.988 0.000
#> ERR315453 3 0.0469 0.789 0.012 0.000 0.988 0.000
#> ERR315442 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315457 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315392 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315450 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315462 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315328 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315389 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315435 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315482 3 0.6010 0.421 0.000 0.472 0.488 0.040
#> ERR315380 3 0.6010 0.421 0.000 0.472 0.488 0.040
#> ERR315377 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315374 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315466 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315479 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315473 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315391 2 0.3229 0.787 0.000 0.880 0.072 0.048
#> ERR315417 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315385 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315386 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315438 3 0.6042 0.551 0.000 0.368 0.580 0.052
#> ERR315367 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315331 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315347 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315396 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315403 3 0.1389 0.784 0.000 0.000 0.952 0.048
#> ERR315357 3 0.1389 0.784 0.000 0.000 0.952 0.048
#> ERR315463 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315451 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315445 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315461 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315397 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315491 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315483 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315400 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315440 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315455 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315421 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315370 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315355 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315446 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315375 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315467 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315484 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315406 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315407 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315340 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315356 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315430 2 0.1302 0.958 0.000 0.956 0.000 0.044
#> ERR315422 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315358 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315448 1 0.0000 0.970 1.000 0.000 0.000 0.000
#> ERR315401 3 0.4552 0.735 0.000 0.172 0.784 0.044
#> ERR315464 3 0.4552 0.735 0.000 0.172 0.784 0.044
#> ERR315481 1 0.2408 0.871 0.896 0.000 0.104 0.000
#> ERR315454 1 0.2408 0.871 0.896 0.000 0.104 0.000
#> ERR315365 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315354 3 0.5630 0.572 0.000 0.360 0.608 0.032
#> ERR315439 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315444 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315341 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315412 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315337 2 0.0469 0.950 0.000 0.988 0.000 0.012
#> ERR315429 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315436 4 0.3024 0.958 0.000 0.148 0.000 0.852
#> ERR315379 3 0.2281 0.772 0.000 0.000 0.904 0.096
#> ERR315443 2 0.0657 0.947 0.000 0.984 0.004 0.012
#> ERR315415 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315456 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315336 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315399 3 0.0188 0.792 0.000 0.000 0.996 0.004
#> ERR315477 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315346 3 0.0000 0.792 0.000 0.000 1.000 0.000
#> ERR315383 2 0.0657 0.947 0.000 0.984 0.004 0.012
#> ERR315494 2 0.0657 0.947 0.000 0.984 0.004 0.012
#> ERR315492 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315432 2 0.1557 0.957 0.000 0.944 0.000 0.056
#> ERR315338 1 0.0000 0.970 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315339 3 0.3573 0.810 0.000 0.036 0.812 0.000 0.152
#> ERR315376 3 0.3573 0.810 0.000 0.036 0.812 0.000 0.152
#> ERR315343 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315342 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315468 2 0.2787 0.884 0.000 0.856 0.004 0.004 0.136
#> ERR315434 3 0.3219 0.838 0.000 0.020 0.840 0.004 0.136
#> ERR315489 3 0.3219 0.838 0.000 0.020 0.840 0.004 0.136
#> ERR315371 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315433 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315368 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315465 1 0.2074 0.894 0.896 0.000 0.000 0.104 0.000
#> ERR315437 1 0.2074 0.894 0.896 0.000 0.000 0.104 0.000
#> ERR315327 5 0.2773 0.916 0.000 0.164 0.000 0.000 0.836
#> ERR315394 5 0.2773 0.916 0.000 0.164 0.000 0.000 0.836
#> ERR315427 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315360 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315426 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315333 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315460 3 0.3573 0.810 0.000 0.036 0.812 0.000 0.152
#> ERR315372 3 0.3573 0.810 0.000 0.036 0.812 0.000 0.152
#> ERR315472 3 0.3219 0.838 0.000 0.020 0.840 0.004 0.136
#> ERR315398 3 0.3219 0.838 0.000 0.020 0.840 0.004 0.136
#> ERR315409 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315423 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315402 4 0.4464 0.547 0.000 0.408 0.000 0.584 0.008
#> ERR315458 4 0.4464 0.547 0.000 0.408 0.000 0.584 0.008
#> ERR315366 1 0.2074 0.894 0.896 0.000 0.000 0.104 0.000
#> ERR315345 1 0.2074 0.894 0.896 0.000 0.000 0.104 0.000
#> ERR315326 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315424 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315382 5 0.2068 0.876 0.000 0.092 0.004 0.000 0.904
#> ERR315325 5 0.2068 0.876 0.000 0.092 0.004 0.000 0.904
#> ERR315369 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315485 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315420 5 0.2068 0.876 0.000 0.092 0.004 0.000 0.904
#> ERR315459 5 0.2068 0.876 0.000 0.092 0.004 0.000 0.904
#> ERR315353 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315487 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315378 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315431 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315335 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315452 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315471 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315350 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315381 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315388 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315418 5 0.2068 0.876 0.000 0.092 0.004 0.000 0.904
#> ERR315449 5 0.2068 0.876 0.000 0.092 0.004 0.000 0.904
#> ERR315490 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315495 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315361 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315419 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315344 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315414 5 0.2773 0.916 0.000 0.164 0.000 0.000 0.836
#> ERR315352 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315410 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315349 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315474 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315470 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315428 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315363 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315469 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315425 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315476 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315478 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315362 3 0.3219 0.838 0.000 0.020 0.840 0.004 0.136
#> ERR315411 3 0.3219 0.838 0.000 0.020 0.840 0.004 0.136
#> ERR315416 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315364 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315359 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315330 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315384 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315413 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315332 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315334 4 0.2522 0.720 0.012 0.000 0.108 0.880 0.000
#> ERR315447 4 0.2522 0.720 0.012 0.000 0.108 0.880 0.000
#> ERR315453 4 0.2522 0.720 0.012 0.000 0.108 0.880 0.000
#> ERR315442 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315457 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315392 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315450 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315462 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315328 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315389 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315435 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315482 4 0.4464 0.547 0.000 0.408 0.000 0.584 0.008
#> ERR315380 4 0.4464 0.547 0.000 0.408 0.000 0.584 0.008
#> ERR315377 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315374 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315466 5 0.2852 0.917 0.000 0.172 0.000 0.000 0.828
#> ERR315479 5 0.2852 0.917 0.000 0.172 0.000 0.000 0.828
#> ERR315473 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.2971 0.775 0.000 0.836 0.000 0.156 0.008
#> ERR315417 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315385 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315386 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315438 4 0.4088 0.684 0.000 0.304 0.000 0.688 0.008
#> ERR315367 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315331 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315347 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315396 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315486 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315403 3 0.3966 0.546 0.000 0.000 0.664 0.336 0.000
#> ERR315357 3 0.3966 0.546 0.000 0.000 0.664 0.336 0.000
#> ERR315463 5 0.2773 0.916 0.000 0.164 0.000 0.000 0.836
#> ERR315451 5 0.2773 0.916 0.000 0.164 0.000 0.000 0.836
#> ERR315445 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315461 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315397 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315491 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315483 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315400 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315440 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315421 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315370 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315355 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315446 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315375 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315467 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315484 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315406 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315404 1 0.0290 0.972 0.992 0.000 0.000 0.000 0.008
#> ERR315407 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315340 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315356 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315430 2 0.0162 0.915 0.000 0.996 0.000 0.004 0.000
#> ERR315422 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315358 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315448 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
#> ERR315401 3 0.3573 0.810 0.000 0.036 0.812 0.000 0.152
#> ERR315464 3 0.3573 0.810 0.000 0.036 0.812 0.000 0.152
#> ERR315481 1 0.2074 0.894 0.896 0.000 0.000 0.104 0.000
#> ERR315454 1 0.2074 0.894 0.896 0.000 0.000 0.104 0.000
#> ERR315365 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315354 4 0.4815 0.690 0.000 0.304 0.028 0.660 0.008
#> ERR315439 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315444 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315341 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315412 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315337 2 0.2629 0.886 0.000 0.860 0.004 0.000 0.136
#> ERR315429 5 0.2852 0.917 0.000 0.172 0.000 0.000 0.828
#> ERR315436 5 0.2852 0.917 0.000 0.172 0.000 0.000 0.828
#> ERR315379 3 0.0404 0.901 0.000 0.000 0.988 0.012 0.000
#> ERR315443 2 0.2787 0.884 0.000 0.856 0.004 0.004 0.136
#> ERR315415 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315456 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315336 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315399 4 0.2074 0.728 0.000 0.000 0.104 0.896 0.000
#> ERR315477 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315346 4 0.2127 0.729 0.000 0.000 0.108 0.892 0.000
#> ERR315383 2 0.2787 0.884 0.000 0.856 0.004 0.004 0.136
#> ERR315494 2 0.2787 0.884 0.000 0.856 0.004 0.004 0.136
#> ERR315492 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315432 2 0.0290 0.917 0.000 0.992 0.000 0.000 0.008
#> ERR315338 1 0.0000 0.974 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315339 3 0.2100 0.811 0.000 0.000 0.884 0.000 0.112 0.004
#> ERR315376 3 0.2100 0.811 0.000 0.000 0.884 0.000 0.112 0.004
#> ERR315343 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315342 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315468 5 0.1429 0.879 0.000 0.000 0.052 0.004 0.940 0.004
#> ERR315434 3 0.2361 0.839 0.000 0.000 0.884 0.028 0.088 0.000
#> ERR315489 3 0.2361 0.839 0.000 0.000 0.884 0.028 0.088 0.000
#> ERR315371 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315368 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315465 1 0.1863 0.791 0.896 0.000 0.000 0.104 0.000 0.000
#> ERR315437 1 0.1863 0.791 0.896 0.000 0.000 0.104 0.000 0.000
#> ERR315327 6 0.1556 0.912 0.000 0.000 0.000 0.000 0.080 0.920
#> ERR315394 6 0.1556 0.912 0.000 0.000 0.000 0.000 0.080 0.920
#> ERR315427 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315360 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315426 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315333 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315460 3 0.2100 0.811 0.000 0.000 0.884 0.000 0.112 0.004
#> ERR315372 3 0.2100 0.811 0.000 0.000 0.884 0.000 0.112 0.004
#> ERR315472 3 0.2361 0.839 0.000 0.000 0.884 0.028 0.088 0.000
#> ERR315398 3 0.2361 0.839 0.000 0.000 0.884 0.028 0.088 0.000
#> ERR315409 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315423 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315402 2 0.5499 0.822 0.000 0.580 0.000 0.312 0.032 0.076
#> ERR315458 2 0.5499 0.822 0.000 0.580 0.000 0.312 0.032 0.076
#> ERR315366 1 0.1863 0.791 0.896 0.000 0.000 0.104 0.000 0.000
#> ERR315345 1 0.1863 0.791 0.896 0.000 0.000 0.104 0.000 0.000
#> ERR315326 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315424 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315382 6 0.3679 0.867 0.000 0.000 0.052 0.000 0.176 0.772
#> ERR315325 6 0.3679 0.867 0.000 0.000 0.052 0.000 0.176 0.772
#> ERR315369 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315485 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315420 6 0.3679 0.867 0.000 0.000 0.052 0.000 0.176 0.772
#> ERR315459 6 0.3679 0.867 0.000 0.000 0.052 0.000 0.176 0.772
#> ERR315353 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315487 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315378 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315431 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315335 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315452 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315471 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315350 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315381 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315388 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315418 6 0.3679 0.867 0.000 0.000 0.052 0.000 0.176 0.772
#> ERR315449 6 0.3679 0.867 0.000 0.000 0.052 0.000 0.176 0.772
#> ERR315490 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315495 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315361 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315419 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315344 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315414 6 0.1556 0.912 0.000 0.000 0.000 0.000 0.080 0.920
#> ERR315352 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315410 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315349 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315474 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315470 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315428 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315363 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315469 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315425 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315476 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315478 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315362 3 0.2361 0.839 0.000 0.000 0.884 0.028 0.088 0.000
#> ERR315411 3 0.2361 0.839 0.000 0.000 0.884 0.028 0.088 0.000
#> ERR315416 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315364 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315359 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315330 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315384 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315413 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315332 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315334 4 0.0508 0.978 0.012 0.000 0.004 0.984 0.000 0.000
#> ERR315447 4 0.0508 0.978 0.012 0.000 0.004 0.984 0.000 0.000
#> ERR315453 4 0.0508 0.978 0.012 0.000 0.004 0.984 0.000 0.000
#> ERR315442 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315457 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315392 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315450 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315462 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315328 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315389 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315435 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315482 2 0.5499 0.822 0.000 0.580 0.000 0.312 0.032 0.076
#> ERR315380 2 0.5499 0.822 0.000 0.580 0.000 0.312 0.032 0.076
#> ERR315377 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315374 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315466 6 0.1663 0.912 0.000 0.000 0.000 0.000 0.088 0.912
#> ERR315479 6 0.1663 0.912 0.000 0.000 0.000 0.000 0.088 0.912
#> ERR315473 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 5 0.3701 0.758 0.000 0.112 0.000 0.072 0.804 0.012
#> ERR315417 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315385 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315386 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315438 2 0.3907 0.957 0.000 0.588 0.000 0.408 0.004 0.000
#> ERR315367 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315331 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315347 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315396 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315486 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315403 3 0.3828 0.442 0.000 0.000 0.560 0.440 0.000 0.000
#> ERR315357 3 0.3828 0.442 0.000 0.000 0.560 0.440 0.000 0.000
#> ERR315463 6 0.1556 0.912 0.000 0.000 0.000 0.000 0.080 0.920
#> ERR315451 6 0.1556 0.912 0.000 0.000 0.000 0.000 0.080 0.920
#> ERR315445 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315461 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315397 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315491 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315483 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315400 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315440 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315421 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315370 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315355 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315446 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315375 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315467 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315484 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315406 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315404 1 0.5680 0.575 0.492 0.400 0.028 0.000 0.000 0.080
#> ERR315407 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315340 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315356 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315430 5 0.1858 0.911 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315422 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315358 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315448 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 3 0.2100 0.811 0.000 0.000 0.884 0.000 0.112 0.004
#> ERR315464 3 0.2100 0.811 0.000 0.000 0.884 0.000 0.112 0.004
#> ERR315481 1 0.1863 0.791 0.896 0.000 0.000 0.104 0.000 0.000
#> ERR315454 1 0.1863 0.791 0.896 0.000 0.000 0.104 0.000 0.000
#> ERR315365 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315354 2 0.4076 0.931 0.000 0.564 0.004 0.428 0.004 0.000
#> ERR315439 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315444 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315341 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315412 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315337 5 0.1285 0.881 0.000 0.000 0.052 0.000 0.944 0.004
#> ERR315429 6 0.1663 0.912 0.000 0.000 0.000 0.000 0.088 0.912
#> ERR315436 6 0.1663 0.912 0.000 0.000 0.000 0.000 0.088 0.912
#> ERR315379 3 0.1957 0.901 0.000 0.000 0.888 0.112 0.000 0.000
#> ERR315443 5 0.1429 0.879 0.000 0.000 0.052 0.004 0.940 0.004
#> ERR315415 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315456 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315336 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315399 4 0.0000 0.992 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315477 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315346 4 0.0146 0.995 0.000 0.000 0.004 0.996 0.000 0.000
#> ERR315383 5 0.1429 0.879 0.000 0.000 0.052 0.004 0.940 0.004
#> ERR315494 5 0.1429 0.879 0.000 0.000 0.052 0.004 0.940 0.004
#> ERR315492 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315432 5 0.1858 0.912 0.000 0.012 0.000 0.000 0.912 0.076
#> ERR315338 1 0.0000 0.850 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "kmeans"]
# you can also extract it by
# res = res_list["MAD:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.426 0.838 0.874 0.4522 0.498 0.498
#> 3 3 0.322 0.606 0.707 0.3480 0.741 0.538
#> 4 4 0.430 0.490 0.650 0.1502 0.796 0.531
#> 5 5 0.520 0.595 0.693 0.0816 0.852 0.550
#> 6 6 0.631 0.620 0.691 0.0494 0.969 0.860
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.8386 0.775 0.732 0.268
#> ERR315339 2 0.4939 0.879 0.108 0.892
#> ERR315376 2 0.4939 0.879 0.108 0.892
#> ERR315343 2 0.2236 0.933 0.036 0.964
#> ERR315342 2 0.2236 0.933 0.036 0.964
#> ERR315468 2 0.2423 0.934 0.040 0.960
#> ERR315434 2 0.5408 0.847 0.124 0.876
#> ERR315489 2 0.5408 0.847 0.124 0.876
#> ERR315371 1 0.3114 0.781 0.944 0.056
#> ERR315433 2 0.2236 0.933 0.036 0.964
#> ERR315368 2 0.2236 0.933 0.036 0.964
#> ERR315465 1 0.2236 0.780 0.964 0.036
#> ERR315437 1 0.2236 0.780 0.964 0.036
#> ERR315327 2 0.5178 0.867 0.116 0.884
#> ERR315394 2 0.5178 0.867 0.116 0.884
#> ERR315427 1 0.9580 0.694 0.620 0.380
#> ERR315360 1 0.9580 0.694 0.620 0.380
#> ERR315426 1 0.3114 0.782 0.944 0.056
#> ERR315387 1 0.3114 0.782 0.944 0.056
#> ERR315475 1 0.3114 0.782 0.944 0.056
#> ERR315395 1 0.3584 0.759 0.932 0.068
#> ERR315333 1 0.3584 0.759 0.932 0.068
#> ERR315460 2 0.4815 0.879 0.104 0.896
#> ERR315372 2 0.4815 0.879 0.104 0.896
#> ERR315472 2 0.2236 0.932 0.036 0.964
#> ERR315398 2 0.2236 0.932 0.036 0.964
#> ERR315409 1 0.8443 0.775 0.728 0.272
#> ERR315423 1 0.8443 0.775 0.728 0.272
#> ERR315402 2 0.0938 0.937 0.012 0.988
#> ERR315458 2 0.0938 0.937 0.012 0.988
#> ERR315366 1 0.2236 0.780 0.964 0.036
#> ERR315345 1 0.2236 0.780 0.964 0.036
#> ERR315326 1 0.8861 0.757 0.696 0.304
#> ERR315424 1 0.8861 0.757 0.696 0.304
#> ERR315382 2 0.5059 0.872 0.112 0.888
#> ERR315325 2 0.5059 0.872 0.112 0.888
#> ERR315369 1 0.8386 0.773 0.732 0.268
#> ERR315485 1 0.8386 0.773 0.732 0.268
#> ERR315420 2 0.5178 0.867 0.116 0.884
#> ERR315459 2 0.5178 0.867 0.116 0.884
#> ERR315353 1 0.9170 0.738 0.668 0.332
#> ERR315487 1 0.9170 0.738 0.668 0.332
#> ERR315378 2 0.2236 0.933 0.036 0.964
#> ERR315431 2 0.2236 0.933 0.036 0.964
#> ERR315335 2 0.2236 0.933 0.036 0.964
#> ERR315452 2 0.2236 0.933 0.036 0.964
#> ERR315471 1 0.3114 0.781 0.944 0.056
#> ERR315390 1 0.3114 0.781 0.944 0.056
#> ERR315329 1 0.3114 0.781 0.944 0.056
#> ERR315393 1 0.3114 0.779 0.944 0.056
#> ERR315488 1 0.3114 0.779 0.944 0.056
#> ERR315351 2 0.0938 0.937 0.012 0.988
#> ERR315350 2 0.0938 0.937 0.012 0.988
#> ERR315381 1 0.7745 0.793 0.772 0.228
#> ERR315388 1 0.7745 0.793 0.772 0.228
#> ERR315418 2 0.5178 0.867 0.116 0.884
#> ERR315449 2 0.5178 0.867 0.116 0.884
#> ERR315490 2 0.3114 0.923 0.056 0.944
#> ERR315495 2 0.3114 0.923 0.056 0.944
#> ERR315361 2 0.3114 0.923 0.056 0.944
#> ERR315419 1 0.8386 0.773 0.732 0.268
#> ERR315344 1 0.8386 0.773 0.732 0.268
#> ERR315414 2 0.5178 0.867 0.116 0.884
#> ERR315352 2 0.0672 0.936 0.008 0.992
#> ERR315410 2 0.3274 0.922 0.060 0.940
#> ERR315349 1 0.9635 0.681 0.612 0.388
#> ERR315474 1 0.9635 0.681 0.612 0.388
#> ERR315470 1 0.9635 0.681 0.612 0.388
#> ERR315428 2 0.1184 0.939 0.016 0.984
#> ERR315363 2 0.1184 0.939 0.016 0.984
#> ERR315469 1 0.3584 0.759 0.932 0.068
#> ERR315425 1 0.3584 0.759 0.932 0.068
#> ERR315476 1 0.9661 0.677 0.608 0.392
#> ERR315478 1 0.9661 0.677 0.608 0.392
#> ERR315362 2 0.3114 0.926 0.056 0.944
#> ERR315411 2 0.3114 0.926 0.056 0.944
#> ERR315416 1 0.3114 0.782 0.944 0.056
#> ERR315405 1 0.3114 0.782 0.944 0.056
#> ERR315408 1 0.8327 0.775 0.736 0.264
#> ERR315364 1 0.8327 0.775 0.736 0.264
#> ERR315359 2 0.3274 0.922 0.060 0.940
#> ERR315330 2 0.3274 0.922 0.060 0.940
#> ERR315384 2 0.0938 0.935 0.012 0.988
#> ERR315413 2 0.0938 0.935 0.012 0.988
#> ERR315332 2 0.2236 0.933 0.036 0.964
#> ERR315334 1 0.7453 0.796 0.788 0.212
#> ERR315447 1 0.7453 0.796 0.788 0.212
#> ERR315453 1 0.7453 0.796 0.788 0.212
#> ERR315442 1 0.8386 0.773 0.732 0.268
#> ERR315457 1 0.8386 0.773 0.732 0.268
#> ERR315392 2 0.2236 0.933 0.036 0.964
#> ERR315450 2 0.2236 0.933 0.036 0.964
#> ERR315462 1 0.9710 0.633 0.600 0.400
#> ERR315328 2 0.1184 0.931 0.016 0.984
#> ERR315389 2 0.1184 0.931 0.016 0.984
#> ERR315435 2 0.1184 0.931 0.016 0.984
#> ERR315482 2 0.2236 0.933 0.036 0.964
#> ERR315380 2 0.2236 0.933 0.036 0.964
#> ERR315377 1 0.9710 0.664 0.600 0.400
#> ERR315374 1 0.9710 0.664 0.600 0.400
#> ERR315466 2 0.5059 0.868 0.112 0.888
#> ERR315479 2 0.5059 0.868 0.112 0.888
#> ERR315473 1 0.3114 0.782 0.944 0.056
#> ERR315391 2 0.2236 0.933 0.036 0.964
#> ERR315417 2 0.2236 0.933 0.036 0.964
#> ERR315385 2 0.2236 0.933 0.036 0.964
#> ERR315386 2 0.3114 0.923 0.056 0.944
#> ERR315438 2 0.3114 0.923 0.056 0.944
#> ERR315367 2 0.0938 0.935 0.012 0.988
#> ERR315331 2 0.0938 0.935 0.012 0.988
#> ERR315347 1 0.9522 0.699 0.628 0.372
#> ERR315396 1 0.3584 0.759 0.932 0.068
#> ERR315486 1 0.3584 0.759 0.932 0.068
#> ERR315403 1 0.7376 0.796 0.792 0.208
#> ERR315357 1 0.7376 0.796 0.792 0.208
#> ERR315463 2 0.5178 0.867 0.116 0.884
#> ERR315451 2 0.5178 0.867 0.116 0.884
#> ERR315445 1 0.8386 0.773 0.732 0.268
#> ERR315461 1 0.8386 0.773 0.732 0.268
#> ERR315397 2 0.1184 0.939 0.016 0.984
#> ERR315491 2 0.1184 0.939 0.016 0.984
#> ERR315483 2 0.1184 0.939 0.016 0.984
#> ERR315400 1 0.8386 0.773 0.732 0.268
#> ERR315440 1 0.3114 0.779 0.944 0.056
#> ERR315493 1 0.3114 0.779 0.944 0.056
#> ERR315441 1 0.3114 0.779 0.944 0.056
#> ERR315455 2 0.0672 0.936 0.008 0.992
#> ERR315421 1 0.9580 0.694 0.620 0.380
#> ERR315370 1 0.9580 0.694 0.620 0.380
#> ERR315355 1 0.9580 0.694 0.620 0.380
#> ERR315446 2 0.0672 0.936 0.008 0.992
#> ERR315375 1 0.9710 0.664 0.600 0.400
#> ERR315467 1 0.8386 0.773 0.732 0.268
#> ERR315484 1 0.8443 0.775 0.728 0.272
#> ERR315406 1 0.3584 0.759 0.932 0.068
#> ERR315404 1 0.3584 0.759 0.932 0.068
#> ERR315407 2 0.3274 0.922 0.060 0.940
#> ERR315340 2 0.3274 0.922 0.060 0.940
#> ERR315356 2 0.0938 0.935 0.012 0.988
#> ERR315430 2 0.0938 0.935 0.012 0.988
#> ERR315422 2 0.0672 0.936 0.008 0.992
#> ERR315358 2 0.0672 0.936 0.008 0.992
#> ERR315448 1 0.3114 0.782 0.944 0.056
#> ERR315401 2 0.4815 0.879 0.104 0.896
#> ERR315464 2 0.4815 0.879 0.104 0.896
#> ERR315481 1 0.2043 0.779 0.968 0.032
#> ERR315454 1 0.2043 0.779 0.968 0.032
#> ERR315365 2 0.3274 0.922 0.060 0.940
#> ERR315354 2 0.3274 0.922 0.060 0.940
#> ERR315439 1 0.9580 0.694 0.620 0.380
#> ERR315444 1 0.9580 0.694 0.620 0.380
#> ERR315341 1 0.9393 0.716 0.644 0.356
#> ERR315412 2 0.1184 0.939 0.016 0.984
#> ERR315337 2 0.1184 0.939 0.016 0.984
#> ERR315429 2 0.5059 0.868 0.112 0.888
#> ERR315436 2 0.5059 0.868 0.112 0.888
#> ERR315379 1 0.8386 0.773 0.732 0.268
#> ERR315443 2 0.1184 0.936 0.016 0.984
#> ERR315415 2 0.0672 0.936 0.008 0.992
#> ERR315456 2 0.0672 0.936 0.008 0.992
#> ERR315336 1 0.9710 0.664 0.600 0.400
#> ERR315399 1 0.9710 0.664 0.600 0.400
#> ERR315477 2 0.0672 0.936 0.008 0.992
#> ERR315346 1 0.9393 0.716 0.644 0.356
#> ERR315383 2 0.1184 0.936 0.016 0.984
#> ERR315494 2 0.1184 0.936 0.016 0.984
#> ERR315492 2 0.0938 0.937 0.012 0.988
#> ERR315432 2 0.0672 0.936 0.008 0.992
#> ERR315338 1 0.3114 0.782 0.944 0.056
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.8008 0.5053 0.192 0.152 0.656
#> ERR315339 2 0.8460 0.5760 0.148 0.608 0.244
#> ERR315376 2 0.8460 0.5760 0.148 0.608 0.244
#> ERR315343 2 0.6566 0.6097 0.012 0.612 0.376
#> ERR315342 2 0.6566 0.6097 0.012 0.612 0.376
#> ERR315468 2 0.7153 0.6934 0.048 0.652 0.300
#> ERR315434 3 0.7770 0.3733 0.080 0.292 0.628
#> ERR315489 3 0.7770 0.3733 0.080 0.292 0.628
#> ERR315371 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315433 2 0.7059 0.4373 0.020 0.520 0.460
#> ERR315368 2 0.7059 0.4373 0.020 0.520 0.460
#> ERR315465 1 0.5656 0.9028 0.712 0.004 0.284
#> ERR315437 1 0.5656 0.9028 0.712 0.004 0.284
#> ERR315327 2 0.6523 0.5783 0.228 0.724 0.048
#> ERR315394 2 0.6523 0.5783 0.228 0.724 0.048
#> ERR315427 3 0.1170 0.6661 0.008 0.016 0.976
#> ERR315360 3 0.1170 0.6661 0.008 0.016 0.976
#> ERR315426 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315387 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315475 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315395 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315333 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315460 2 0.7615 0.6521 0.148 0.688 0.164
#> ERR315372 2 0.7615 0.6521 0.148 0.688 0.164
#> ERR315472 3 0.8196 0.2027 0.084 0.356 0.560
#> ERR315398 3 0.8196 0.2027 0.084 0.356 0.560
#> ERR315409 3 0.8372 0.4640 0.228 0.152 0.620
#> ERR315423 3 0.8372 0.4640 0.228 0.152 0.620
#> ERR315402 2 0.6193 0.6914 0.016 0.692 0.292
#> ERR315458 2 0.6193 0.6914 0.016 0.692 0.292
#> ERR315366 1 0.6081 0.8412 0.652 0.004 0.344
#> ERR315345 1 0.6081 0.8412 0.652 0.004 0.344
#> ERR315326 3 0.0983 0.6572 0.016 0.004 0.980
#> ERR315424 3 0.0983 0.6572 0.016 0.004 0.980
#> ERR315382 2 0.5988 0.6160 0.168 0.776 0.056
#> ERR315325 2 0.5988 0.6160 0.168 0.776 0.056
#> ERR315369 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315485 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315420 2 0.6535 0.5857 0.220 0.728 0.052
#> ERR315459 2 0.6535 0.5857 0.220 0.728 0.052
#> ERR315353 3 0.1015 0.6624 0.012 0.008 0.980
#> ERR315487 3 0.1015 0.6624 0.012 0.008 0.980
#> ERR315378 2 0.6566 0.6097 0.012 0.612 0.376
#> ERR315431 2 0.6566 0.6097 0.012 0.612 0.376
#> ERR315335 2 0.6490 0.6310 0.012 0.628 0.360
#> ERR315452 2 0.6490 0.6310 0.012 0.628 0.360
#> ERR315471 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315390 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315329 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315393 1 0.5443 0.9025 0.736 0.004 0.260
#> ERR315488 1 0.5443 0.9025 0.736 0.004 0.260
#> ERR315351 2 0.6143 0.7161 0.024 0.720 0.256
#> ERR315350 2 0.6143 0.7161 0.024 0.720 0.256
#> ERR315381 3 0.8153 0.4513 0.216 0.144 0.640
#> ERR315388 3 0.8153 0.4513 0.216 0.144 0.640
#> ERR315418 2 0.6535 0.5857 0.220 0.728 0.052
#> ERR315449 2 0.6535 0.5857 0.220 0.728 0.052
#> ERR315490 3 0.6836 -0.0969 0.016 0.412 0.572
#> ERR315495 3 0.6836 -0.0969 0.016 0.412 0.572
#> ERR315361 3 0.6836 -0.0969 0.016 0.412 0.572
#> ERR315419 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315344 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315414 2 0.6523 0.5783 0.228 0.724 0.048
#> ERR315352 2 0.5891 0.7414 0.036 0.764 0.200
#> ERR315410 3 0.6824 -0.0909 0.016 0.408 0.576
#> ERR315349 3 0.0892 0.6687 0.000 0.020 0.980
#> ERR315474 3 0.0892 0.6687 0.000 0.020 0.980
#> ERR315470 3 0.0892 0.6687 0.000 0.020 0.980
#> ERR315428 2 0.6894 0.7254 0.052 0.692 0.256
#> ERR315363 2 0.6894 0.7254 0.052 0.692 0.256
#> ERR315469 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315425 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315476 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315478 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315362 3 0.6935 0.2028 0.036 0.312 0.652
#> ERR315411 3 0.6935 0.2028 0.036 0.312 0.652
#> ERR315416 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315405 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315408 3 0.8372 0.4640 0.228 0.152 0.620
#> ERR315364 3 0.8372 0.4640 0.228 0.152 0.620
#> ERR315359 3 0.7263 -0.0984 0.032 0.400 0.568
#> ERR315330 3 0.7263 -0.0984 0.032 0.400 0.568
#> ERR315384 2 0.5053 0.7220 0.024 0.812 0.164
#> ERR315413 2 0.5053 0.7220 0.024 0.812 0.164
#> ERR315332 2 0.6936 0.4395 0.016 0.524 0.460
#> ERR315334 3 0.3349 0.5744 0.108 0.004 0.888
#> ERR315447 3 0.3349 0.5744 0.108 0.004 0.888
#> ERR315453 3 0.3349 0.5744 0.108 0.004 0.888
#> ERR315442 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315457 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315392 2 0.6490 0.6310 0.012 0.628 0.360
#> ERR315450 2 0.6490 0.6310 0.012 0.628 0.360
#> ERR315462 3 0.6737 0.5947 0.100 0.156 0.744
#> ERR315328 2 0.4934 0.7234 0.024 0.820 0.156
#> ERR315389 2 0.4934 0.7234 0.024 0.820 0.156
#> ERR315435 2 0.4934 0.7234 0.024 0.820 0.156
#> ERR315482 2 0.6686 0.6140 0.016 0.612 0.372
#> ERR315380 2 0.6686 0.6140 0.016 0.612 0.372
#> ERR315377 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315374 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315466 2 0.6375 0.5592 0.244 0.720 0.036
#> ERR315479 2 0.6375 0.5592 0.244 0.720 0.036
#> ERR315473 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315391 2 0.7059 0.4386 0.020 0.520 0.460
#> ERR315417 2 0.6529 0.6220 0.012 0.620 0.368
#> ERR315385 2 0.6529 0.6220 0.012 0.620 0.368
#> ERR315386 3 0.5919 0.3549 0.016 0.260 0.724
#> ERR315438 3 0.5919 0.3549 0.016 0.260 0.724
#> ERR315367 2 0.4994 0.7224 0.024 0.816 0.160
#> ERR315331 2 0.4994 0.7224 0.024 0.816 0.160
#> ERR315347 3 0.0424 0.6667 0.000 0.008 0.992
#> ERR315396 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315486 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315403 3 0.6087 0.4860 0.144 0.076 0.780
#> ERR315357 3 0.6087 0.4860 0.144 0.076 0.780
#> ERR315463 2 0.6523 0.5783 0.228 0.724 0.048
#> ERR315451 2 0.6523 0.5783 0.228 0.724 0.048
#> ERR315445 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315461 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315397 2 0.6894 0.7254 0.052 0.692 0.256
#> ERR315491 2 0.6894 0.7254 0.052 0.692 0.256
#> ERR315483 2 0.6894 0.7254 0.052 0.692 0.256
#> ERR315400 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315440 1 0.5443 0.9025 0.736 0.004 0.260
#> ERR315493 1 0.5443 0.9025 0.736 0.004 0.260
#> ERR315441 1 0.5443 0.9025 0.736 0.004 0.260
#> ERR315455 2 0.5772 0.7373 0.024 0.756 0.220
#> ERR315421 3 0.1170 0.6661 0.008 0.016 0.976
#> ERR315370 3 0.1170 0.6661 0.008 0.016 0.976
#> ERR315355 3 0.1170 0.6661 0.008 0.016 0.976
#> ERR315446 2 0.5792 0.7418 0.036 0.772 0.192
#> ERR315375 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315467 3 0.8508 0.4578 0.232 0.160 0.608
#> ERR315484 3 0.8138 0.4924 0.204 0.152 0.644
#> ERR315406 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315404 1 0.4369 0.7940 0.864 0.040 0.096
#> ERR315407 3 0.7263 -0.0984 0.032 0.400 0.568
#> ERR315340 3 0.7263 -0.0984 0.032 0.400 0.568
#> ERR315356 2 0.4994 0.7224 0.024 0.816 0.160
#> ERR315430 2 0.4994 0.7224 0.024 0.816 0.160
#> ERR315422 2 0.6630 0.7352 0.056 0.724 0.220
#> ERR315358 2 0.6630 0.7352 0.056 0.724 0.220
#> ERR315448 1 0.5623 0.9058 0.716 0.004 0.280
#> ERR315401 2 0.7717 0.6471 0.148 0.680 0.172
#> ERR315464 2 0.7717 0.6471 0.148 0.680 0.172
#> ERR315481 1 0.6126 0.7587 0.600 0.000 0.400
#> ERR315454 1 0.6126 0.7587 0.600 0.000 0.400
#> ERR315365 3 0.7276 -0.1144 0.032 0.404 0.564
#> ERR315354 3 0.7276 -0.1144 0.032 0.404 0.564
#> ERR315439 3 0.1015 0.6653 0.008 0.012 0.980
#> ERR315444 3 0.1015 0.6653 0.008 0.012 0.980
#> ERR315341 3 0.1015 0.6624 0.012 0.008 0.980
#> ERR315412 2 0.6986 0.7256 0.056 0.688 0.256
#> ERR315337 2 0.6986 0.7256 0.056 0.688 0.256
#> ERR315429 2 0.6375 0.5592 0.244 0.720 0.036
#> ERR315436 2 0.6375 0.5592 0.244 0.720 0.036
#> ERR315379 3 0.7724 0.5504 0.164 0.156 0.680
#> ERR315443 2 0.5408 0.7080 0.052 0.812 0.136
#> ERR315415 2 0.5842 0.7418 0.036 0.768 0.196
#> ERR315456 2 0.5891 0.7414 0.036 0.764 0.200
#> ERR315336 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315399 3 0.1315 0.6623 0.008 0.020 0.972
#> ERR315477 2 0.5772 0.7373 0.024 0.756 0.220
#> ERR315346 3 0.1015 0.6624 0.012 0.008 0.980
#> ERR315383 2 0.5473 0.7104 0.052 0.808 0.140
#> ERR315494 2 0.5473 0.7104 0.052 0.808 0.140
#> ERR315492 2 0.6079 0.7387 0.036 0.748 0.216
#> ERR315432 2 0.5772 0.7373 0.024 0.756 0.220
#> ERR315338 1 0.5623 0.9058 0.716 0.004 0.280
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.3940 0.47599 0.152 0.020 0.824 0.004
#> ERR315339 3 0.8239 -0.53021 0.012 0.332 0.380 0.276
#> ERR315376 3 0.8239 -0.53021 0.012 0.332 0.380 0.276
#> ERR315343 2 0.5159 0.57531 0.004 0.756 0.064 0.176
#> ERR315342 2 0.5159 0.57531 0.004 0.756 0.064 0.176
#> ERR315468 2 0.5849 0.38107 0.000 0.704 0.132 0.164
#> ERR315434 3 0.7353 0.29221 0.004 0.200 0.548 0.248
#> ERR315489 3 0.7353 0.29221 0.004 0.200 0.548 0.248
#> ERR315371 1 0.0188 0.89099 0.996 0.000 0.004 0.000
#> ERR315433 2 0.5993 0.53859 0.004 0.684 0.088 0.224
#> ERR315368 2 0.5993 0.53859 0.004 0.684 0.088 0.224
#> ERR315465 1 0.1174 0.87841 0.968 0.000 0.012 0.020
#> ERR315437 1 0.1174 0.87841 0.968 0.000 0.012 0.020
#> ERR315327 4 0.7446 0.86655 0.004 0.416 0.148 0.432
#> ERR315394 4 0.7446 0.86655 0.004 0.416 0.148 0.432
#> ERR315427 3 0.9713 0.50595 0.188 0.176 0.344 0.292
#> ERR315360 3 0.9713 0.50595 0.188 0.176 0.344 0.292
#> ERR315426 1 0.0336 0.89053 0.992 0.000 0.008 0.000
#> ERR315387 1 0.0336 0.89053 0.992 0.000 0.008 0.000
#> ERR315475 1 0.0336 0.89053 0.992 0.000 0.008 0.000
#> ERR315395 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315333 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315460 3 0.8255 -0.56122 0.012 0.344 0.364 0.280
#> ERR315372 3 0.8255 -0.56122 0.012 0.344 0.364 0.280
#> ERR315472 3 0.7613 0.20983 0.004 0.224 0.504 0.268
#> ERR315398 3 0.7613 0.20983 0.004 0.224 0.504 0.268
#> ERR315409 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315423 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315402 2 0.1798 0.52849 0.000 0.944 0.016 0.040
#> ERR315458 2 0.1798 0.52849 0.000 0.944 0.016 0.040
#> ERR315366 1 0.2443 0.82741 0.916 0.000 0.060 0.024
#> ERR315345 1 0.2443 0.82741 0.916 0.000 0.060 0.024
#> ERR315326 3 0.9696 0.51805 0.200 0.164 0.348 0.288
#> ERR315424 3 0.9696 0.51805 0.200 0.164 0.348 0.288
#> ERR315382 4 0.7916 0.82659 0.008 0.364 0.208 0.420
#> ERR315325 4 0.7916 0.82659 0.008 0.364 0.208 0.420
#> ERR315369 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315485 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315420 4 0.7752 0.88536 0.008 0.348 0.184 0.460
#> ERR315459 4 0.7752 0.88536 0.008 0.348 0.184 0.460
#> ERR315353 3 0.9696 0.51805 0.200 0.164 0.348 0.288
#> ERR315487 3 0.9696 0.51805 0.200 0.164 0.348 0.288
#> ERR315378 2 0.5159 0.57531 0.004 0.756 0.064 0.176
#> ERR315431 2 0.5159 0.57531 0.004 0.756 0.064 0.176
#> ERR315335 2 0.3947 0.58187 0.004 0.840 0.040 0.116
#> ERR315452 2 0.3947 0.58187 0.004 0.840 0.040 0.116
#> ERR315471 1 0.0188 0.89099 0.996 0.000 0.004 0.000
#> ERR315390 1 0.0188 0.89099 0.996 0.000 0.004 0.000
#> ERR315329 1 0.0188 0.89099 0.996 0.000 0.004 0.000
#> ERR315393 1 0.0657 0.88763 0.984 0.000 0.012 0.004
#> ERR315488 1 0.0657 0.88763 0.984 0.000 0.012 0.004
#> ERR315351 2 0.2984 0.45257 0.000 0.888 0.028 0.084
#> ERR315350 2 0.2984 0.45257 0.000 0.888 0.028 0.084
#> ERR315381 3 0.3933 0.44545 0.200 0.008 0.792 0.000
#> ERR315388 3 0.3933 0.44545 0.200 0.008 0.792 0.000
#> ERR315418 4 0.7752 0.88536 0.008 0.348 0.184 0.460
#> ERR315449 4 0.7752 0.88536 0.008 0.348 0.184 0.460
#> ERR315490 2 0.6978 0.41230 0.004 0.588 0.148 0.260
#> ERR315495 2 0.6978 0.41230 0.004 0.588 0.148 0.260
#> ERR315361 2 0.6978 0.41230 0.004 0.588 0.148 0.260
#> ERR315419 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315344 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315414 4 0.7446 0.86655 0.004 0.416 0.148 0.432
#> ERR315352 2 0.3821 0.36766 0.000 0.840 0.040 0.120
#> ERR315410 2 0.6946 0.41024 0.000 0.580 0.168 0.252
#> ERR315349 3 0.9676 0.50286 0.176 0.180 0.352 0.292
#> ERR315474 3 0.9676 0.50286 0.176 0.180 0.352 0.292
#> ERR315470 3 0.9676 0.50286 0.176 0.180 0.352 0.292
#> ERR315428 2 0.5719 0.22553 0.000 0.712 0.112 0.176
#> ERR315363 2 0.5719 0.22553 0.000 0.712 0.112 0.176
#> ERR315469 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315425 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315476 3 0.9691 0.47542 0.172 0.184 0.336 0.308
#> ERR315478 3 0.9691 0.47542 0.172 0.184 0.336 0.308
#> ERR315362 2 0.7920 0.00885 0.000 0.344 0.340 0.316
#> ERR315411 2 0.7920 0.00885 0.000 0.344 0.340 0.316
#> ERR315416 1 0.0469 0.88928 0.988 0.000 0.012 0.000
#> ERR315405 1 0.0469 0.88928 0.988 0.000 0.012 0.000
#> ERR315408 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315364 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315359 2 0.7277 0.40177 0.000 0.536 0.204 0.260
#> ERR315330 2 0.7277 0.40177 0.000 0.536 0.204 0.260
#> ERR315384 2 0.4054 0.22800 0.000 0.796 0.016 0.188
#> ERR315413 2 0.4054 0.22800 0.000 0.796 0.016 0.188
#> ERR315332 2 0.6208 0.53708 0.004 0.672 0.108 0.216
#> ERR315334 3 0.9536 0.53058 0.264 0.116 0.352 0.268
#> ERR315447 3 0.9536 0.53058 0.264 0.116 0.352 0.268
#> ERR315453 3 0.9536 0.53058 0.264 0.116 0.352 0.268
#> ERR315442 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315457 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315392 2 0.3947 0.58187 0.004 0.840 0.040 0.116
#> ERR315450 2 0.3947 0.58187 0.004 0.840 0.040 0.116
#> ERR315462 3 0.3767 0.49431 0.084 0.048 0.860 0.008
#> ERR315328 2 0.4136 0.20729 0.000 0.788 0.016 0.196
#> ERR315389 2 0.4136 0.20729 0.000 0.788 0.016 0.196
#> ERR315435 2 0.4136 0.20729 0.000 0.788 0.016 0.196
#> ERR315482 2 0.4321 0.58473 0.004 0.812 0.040 0.144
#> ERR315380 2 0.4321 0.58473 0.004 0.812 0.040 0.144
#> ERR315377 3 0.9688 0.47201 0.168 0.188 0.336 0.308
#> ERR315374 3 0.9688 0.47201 0.168 0.188 0.336 0.308
#> ERR315466 4 0.7378 0.89220 0.008 0.352 0.136 0.504
#> ERR315479 4 0.7378 0.89220 0.008 0.352 0.136 0.504
#> ERR315473 1 0.0336 0.89053 0.992 0.000 0.008 0.000
#> ERR315391 2 0.5436 0.57086 0.004 0.724 0.060 0.212
#> ERR315417 2 0.4059 0.58306 0.004 0.832 0.040 0.124
#> ERR315385 2 0.4059 0.58306 0.004 0.832 0.040 0.124
#> ERR315386 2 0.7977 0.17571 0.016 0.476 0.204 0.304
#> ERR315438 2 0.7977 0.17571 0.016 0.476 0.204 0.304
#> ERR315367 2 0.4054 0.22800 0.000 0.796 0.016 0.188
#> ERR315331 2 0.4054 0.22800 0.000 0.796 0.016 0.188
#> ERR315347 3 0.9650 0.51234 0.180 0.172 0.360 0.288
#> ERR315396 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315486 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315403 3 0.5815 0.45419 0.216 0.008 0.704 0.072
#> ERR315357 3 0.5815 0.45419 0.216 0.008 0.704 0.072
#> ERR315463 4 0.7446 0.86655 0.004 0.416 0.148 0.432
#> ERR315451 4 0.7446 0.86655 0.004 0.416 0.148 0.432
#> ERR315445 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315461 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315397 2 0.5719 0.22553 0.000 0.712 0.112 0.176
#> ERR315491 2 0.5719 0.22553 0.000 0.712 0.112 0.176
#> ERR315483 2 0.5719 0.22553 0.000 0.712 0.112 0.176
#> ERR315400 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315440 1 0.0657 0.88763 0.984 0.000 0.012 0.004
#> ERR315493 1 0.0657 0.88763 0.984 0.000 0.012 0.004
#> ERR315441 1 0.0657 0.88763 0.984 0.000 0.012 0.004
#> ERR315455 2 0.3182 0.39922 0.000 0.876 0.028 0.096
#> ERR315421 3 0.9713 0.50595 0.188 0.176 0.344 0.292
#> ERR315370 3 0.9713 0.50595 0.188 0.176 0.344 0.292
#> ERR315355 3 0.9713 0.50595 0.188 0.176 0.344 0.292
#> ERR315446 2 0.3821 0.36766 0.000 0.840 0.040 0.120
#> ERR315375 3 0.9688 0.47201 0.168 0.188 0.336 0.308
#> ERR315467 3 0.3978 0.45023 0.192 0.012 0.796 0.000
#> ERR315484 3 0.3718 0.46635 0.168 0.012 0.820 0.000
#> ERR315406 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315404 1 0.5734 0.75438 0.712 0.016 0.052 0.220
#> ERR315407 2 0.7283 0.40909 0.000 0.536 0.208 0.256
#> ERR315340 2 0.7283 0.40909 0.000 0.536 0.208 0.256
#> ERR315356 2 0.4054 0.22800 0.000 0.796 0.016 0.188
#> ERR315430 2 0.4054 0.22800 0.000 0.796 0.016 0.188
#> ERR315422 2 0.6164 0.05984 0.000 0.656 0.104 0.240
#> ERR315358 2 0.6164 0.05984 0.000 0.656 0.104 0.240
#> ERR315448 1 0.0469 0.88928 0.988 0.000 0.012 0.000
#> ERR315401 3 0.8254 -0.55505 0.012 0.340 0.368 0.280
#> ERR315464 3 0.8254 -0.55505 0.012 0.340 0.368 0.280
#> ERR315481 1 0.3497 0.74884 0.852 0.000 0.124 0.024
#> ERR315454 1 0.3497 0.74884 0.852 0.000 0.124 0.024
#> ERR315365 2 0.7283 0.40909 0.000 0.536 0.208 0.256
#> ERR315354 2 0.7283 0.40909 0.000 0.536 0.208 0.256
#> ERR315439 3 0.9722 0.51266 0.196 0.172 0.344 0.288
#> ERR315444 3 0.9722 0.51266 0.196 0.172 0.344 0.288
#> ERR315341 3 0.9702 0.51564 0.196 0.168 0.348 0.288
#> ERR315412 2 0.5759 0.21684 0.000 0.708 0.112 0.180
#> ERR315337 2 0.5759 0.21684 0.000 0.708 0.112 0.180
#> ERR315429 4 0.7378 0.89220 0.008 0.352 0.136 0.504
#> ERR315436 4 0.7378 0.89220 0.008 0.352 0.136 0.504
#> ERR315379 3 0.3894 0.47937 0.140 0.024 0.832 0.004
#> ERR315443 2 0.6457 -0.13433 0.000 0.644 0.156 0.200
#> ERR315415 2 0.3821 0.36766 0.000 0.840 0.040 0.120
#> ERR315456 2 0.3821 0.36766 0.000 0.840 0.040 0.120
#> ERR315336 3 0.9691 0.47542 0.172 0.184 0.336 0.308
#> ERR315399 3 0.9691 0.47542 0.172 0.184 0.336 0.308
#> ERR315477 2 0.3182 0.39922 0.000 0.876 0.028 0.096
#> ERR315346 3 0.9702 0.51564 0.196 0.168 0.348 0.288
#> ERR315383 2 0.6373 -0.09981 0.000 0.652 0.148 0.200
#> ERR315494 2 0.6373 -0.09981 0.000 0.652 0.148 0.200
#> ERR315492 2 0.3764 0.37580 0.000 0.844 0.040 0.116
#> ERR315432 2 0.3182 0.39922 0.000 0.876 0.028 0.096
#> ERR315338 1 0.0469 0.88928 0.988 0.000 0.012 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.139 0.8251 0.032 0.000 0.952 0.016 0.000
#> ERR315339 5 0.834 0.4623 0.020 0.164 0.320 0.104 0.392
#> ERR315376 5 0.834 0.4623 0.020 0.164 0.320 0.104 0.392
#> ERR315343 2 0.475 0.5720 0.004 0.712 0.008 0.240 0.036
#> ERR315342 2 0.475 0.5720 0.004 0.712 0.008 0.240 0.036
#> ERR315468 2 0.762 -0.2227 0.004 0.452 0.116 0.100 0.328
#> ERR315434 3 0.813 -0.0957 0.008 0.136 0.400 0.324 0.132
#> ERR315489 3 0.813 -0.0957 0.008 0.136 0.400 0.324 0.132
#> ERR315371 1 0.215 0.8796 0.916 0.000 0.048 0.036 0.000
#> ERR315433 2 0.464 0.4779 0.000 0.656 0.012 0.320 0.012
#> ERR315368 2 0.464 0.4779 0.000 0.656 0.012 0.320 0.012
#> ERR315465 1 0.352 0.8529 0.840 0.000 0.048 0.104 0.008
#> ERR315437 1 0.352 0.8529 0.840 0.000 0.048 0.104 0.008
#> ERR315327 5 0.624 0.5959 0.004 0.224 0.112 0.032 0.628
#> ERR315394 5 0.624 0.5959 0.004 0.224 0.112 0.032 0.628
#> ERR315427 4 0.597 0.8326 0.052 0.072 0.228 0.648 0.000
#> ERR315360 4 0.597 0.8326 0.052 0.072 0.228 0.648 0.000
#> ERR315426 1 0.246 0.8787 0.904 0.000 0.048 0.044 0.004
#> ERR315387 1 0.246 0.8787 0.904 0.000 0.048 0.044 0.004
#> ERR315475 1 0.246 0.8787 0.904 0.000 0.048 0.044 0.004
#> ERR315395 1 0.500 0.7479 0.752 0.000 0.052 0.056 0.140
#> ERR315333 1 0.500 0.7479 0.752 0.000 0.052 0.056 0.140
#> ERR315460 5 0.819 0.4995 0.020 0.160 0.308 0.092 0.420
#> ERR315372 5 0.819 0.4995 0.020 0.160 0.308 0.092 0.420
#> ERR315472 3 0.834 -0.1030 0.008 0.168 0.372 0.316 0.136
#> ERR315398 3 0.834 -0.1030 0.008 0.168 0.372 0.316 0.136
#> ERR315409 3 0.150 0.8419 0.056 0.000 0.940 0.004 0.000
#> ERR315423 3 0.150 0.8419 0.056 0.000 0.940 0.004 0.000
#> ERR315402 2 0.282 0.5629 0.000 0.888 0.012 0.064 0.036
#> ERR315458 2 0.282 0.5629 0.000 0.888 0.012 0.064 0.036
#> ERR315366 1 0.438 0.7985 0.780 0.000 0.088 0.124 0.008
#> ERR315345 1 0.438 0.7985 0.780 0.000 0.088 0.124 0.008
#> ERR315326 4 0.579 0.8101 0.052 0.024 0.268 0.644 0.012
#> ERR315424 4 0.579 0.8101 0.052 0.024 0.268 0.644 0.012
#> ERR315382 5 0.564 0.6436 0.000 0.152 0.156 0.016 0.676
#> ERR315325 5 0.564 0.6436 0.000 0.152 0.156 0.016 0.676
#> ERR315369 3 0.127 0.8422 0.052 0.000 0.948 0.000 0.000
#> ERR315485 3 0.127 0.8422 0.052 0.000 0.948 0.000 0.000
#> ERR315420 5 0.516 0.6448 0.008 0.128 0.116 0.012 0.736
#> ERR315459 5 0.516 0.6448 0.008 0.128 0.116 0.012 0.736
#> ERR315353 4 0.579 0.8101 0.052 0.024 0.268 0.644 0.012
#> ERR315487 4 0.579 0.8101 0.052 0.024 0.268 0.644 0.012
#> ERR315378 2 0.475 0.5720 0.004 0.712 0.008 0.240 0.036
#> ERR315431 2 0.475 0.5720 0.004 0.712 0.008 0.240 0.036
#> ERR315335 2 0.360 0.5862 0.000 0.832 0.012 0.120 0.036
#> ERR315452 2 0.360 0.5862 0.000 0.832 0.012 0.120 0.036
#> ERR315471 1 0.215 0.8796 0.916 0.000 0.048 0.036 0.000
#> ERR315390 1 0.215 0.8796 0.916 0.000 0.048 0.036 0.000
#> ERR315329 1 0.215 0.8796 0.916 0.000 0.048 0.036 0.000
#> ERR315393 1 0.219 0.8770 0.912 0.000 0.060 0.028 0.000
#> ERR315488 1 0.219 0.8770 0.912 0.000 0.060 0.028 0.000
#> ERR315351 2 0.516 0.4133 0.008 0.752 0.044 0.060 0.136
#> ERR315350 2 0.516 0.4133 0.008 0.752 0.044 0.060 0.136
#> ERR315381 3 0.163 0.8386 0.056 0.000 0.936 0.008 0.000
#> ERR315388 3 0.163 0.8386 0.056 0.000 0.936 0.008 0.000
#> ERR315418 5 0.516 0.6448 0.008 0.128 0.116 0.012 0.736
#> ERR315449 5 0.516 0.6448 0.008 0.128 0.116 0.012 0.736
#> ERR315490 2 0.553 0.2808 0.000 0.536 0.028 0.412 0.024
#> ERR315495 2 0.553 0.2808 0.000 0.536 0.028 0.412 0.024
#> ERR315361 2 0.553 0.2808 0.000 0.536 0.028 0.412 0.024
#> ERR315419 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315344 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315414 5 0.624 0.5959 0.004 0.224 0.112 0.032 0.628
#> ERR315352 2 0.555 0.3529 0.008 0.716 0.052 0.056 0.168
#> ERR315410 2 0.606 0.3287 0.000 0.536 0.052 0.376 0.036
#> ERR315349 4 0.596 0.8302 0.048 0.072 0.236 0.644 0.000
#> ERR315474 4 0.596 0.8302 0.048 0.072 0.236 0.644 0.000
#> ERR315470 4 0.596 0.8302 0.048 0.072 0.236 0.644 0.000
#> ERR315428 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315363 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315469 1 0.504 0.7480 0.752 0.000 0.052 0.064 0.132
#> ERR315425 1 0.504 0.7480 0.752 0.000 0.052 0.064 0.132
#> ERR315476 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315478 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315362 4 0.827 0.2464 0.004 0.208 0.280 0.384 0.124
#> ERR315411 4 0.827 0.2464 0.004 0.208 0.280 0.384 0.124
#> ERR315416 1 0.312 0.8712 0.864 0.000 0.048 0.084 0.004
#> ERR315405 1 0.312 0.8712 0.864 0.000 0.048 0.084 0.004
#> ERR315408 3 0.150 0.8419 0.056 0.000 0.940 0.004 0.000
#> ERR315364 3 0.150 0.8419 0.056 0.000 0.940 0.004 0.000
#> ERR315359 2 0.709 0.2909 0.000 0.484 0.128 0.332 0.056
#> ERR315330 2 0.709 0.2909 0.000 0.484 0.128 0.332 0.056
#> ERR315384 2 0.537 0.3438 0.004 0.660 0.012 0.056 0.268
#> ERR315413 2 0.537 0.3438 0.004 0.660 0.012 0.056 0.268
#> ERR315332 2 0.486 0.4823 0.004 0.644 0.004 0.324 0.024
#> ERR315334 4 0.620 0.7216 0.080 0.020 0.312 0.580 0.008
#> ERR315447 4 0.620 0.7216 0.080 0.020 0.312 0.580 0.008
#> ERR315453 4 0.620 0.7216 0.080 0.020 0.312 0.580 0.008
#> ERR315442 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315457 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315392 2 0.360 0.5862 0.000 0.832 0.012 0.120 0.036
#> ERR315450 2 0.360 0.5862 0.000 0.832 0.012 0.120 0.036
#> ERR315462 3 0.173 0.7931 0.012 0.008 0.944 0.032 0.004
#> ERR315328 2 0.557 0.3027 0.004 0.628 0.012 0.060 0.296
#> ERR315389 2 0.557 0.3027 0.004 0.628 0.012 0.060 0.296
#> ERR315435 2 0.557 0.3027 0.004 0.628 0.012 0.060 0.296
#> ERR315482 2 0.338 0.5921 0.000 0.828 0.008 0.148 0.016
#> ERR315380 2 0.338 0.5921 0.000 0.828 0.008 0.148 0.016
#> ERR315377 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315374 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315466 5 0.559 0.6191 0.008 0.172 0.100 0.020 0.700
#> ERR315479 5 0.559 0.6191 0.008 0.172 0.100 0.020 0.700
#> ERR315473 1 0.281 0.8769 0.884 0.000 0.048 0.064 0.004
#> ERR315391 2 0.427 0.5678 0.004 0.768 0.032 0.188 0.008
#> ERR315417 2 0.388 0.5914 0.000 0.804 0.012 0.152 0.032
#> ERR315385 2 0.388 0.5914 0.000 0.804 0.012 0.152 0.032
#> ERR315386 4 0.563 0.3426 0.000 0.348 0.068 0.576 0.008
#> ERR315438 4 0.563 0.3426 0.000 0.348 0.068 0.576 0.008
#> ERR315367 2 0.539 0.3387 0.004 0.656 0.012 0.056 0.272
#> ERR315331 2 0.539 0.3387 0.004 0.656 0.012 0.056 0.272
#> ERR315347 4 0.577 0.8231 0.048 0.048 0.264 0.640 0.000
#> ERR315396 1 0.500 0.7479 0.752 0.000 0.052 0.056 0.140
#> ERR315486 1 0.500 0.7479 0.752 0.000 0.052 0.056 0.140
#> ERR315403 3 0.437 0.6110 0.072 0.004 0.780 0.140 0.004
#> ERR315357 3 0.437 0.6110 0.072 0.004 0.780 0.140 0.004
#> ERR315463 5 0.624 0.5959 0.004 0.224 0.112 0.032 0.628
#> ERR315451 5 0.624 0.5959 0.004 0.224 0.112 0.032 0.628
#> ERR315445 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315461 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315397 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315491 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315483 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315400 3 0.127 0.8422 0.052 0.000 0.948 0.000 0.000
#> ERR315440 1 0.219 0.8770 0.912 0.000 0.060 0.028 0.000
#> ERR315493 1 0.219 0.8770 0.912 0.000 0.060 0.028 0.000
#> ERR315441 1 0.219 0.8770 0.912 0.000 0.060 0.028 0.000
#> ERR315455 2 0.459 0.4116 0.008 0.780 0.024 0.044 0.144
#> ERR315421 4 0.597 0.8326 0.052 0.072 0.228 0.648 0.000
#> ERR315370 4 0.597 0.8326 0.052 0.072 0.228 0.648 0.000
#> ERR315355 4 0.597 0.8326 0.052 0.072 0.228 0.648 0.000
#> ERR315446 2 0.555 0.3529 0.008 0.716 0.052 0.056 0.168
#> ERR315375 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315467 3 0.134 0.8430 0.056 0.000 0.944 0.000 0.000
#> ERR315484 3 0.144 0.8342 0.040 0.000 0.948 0.012 0.000
#> ERR315406 1 0.502 0.7479 0.752 0.000 0.052 0.060 0.136
#> ERR315404 1 0.502 0.7479 0.752 0.000 0.052 0.060 0.136
#> ERR315407 2 0.717 0.3190 0.000 0.488 0.128 0.320 0.064
#> ERR315340 2 0.717 0.3190 0.000 0.488 0.128 0.320 0.064
#> ERR315356 2 0.539 0.3387 0.004 0.656 0.012 0.056 0.272
#> ERR315430 2 0.539 0.3387 0.004 0.656 0.012 0.056 0.272
#> ERR315422 5 0.773 0.4325 0.008 0.352 0.100 0.112 0.428
#> ERR315358 5 0.773 0.4325 0.008 0.352 0.100 0.112 0.428
#> ERR315448 1 0.312 0.8712 0.864 0.000 0.048 0.084 0.004
#> ERR315401 5 0.819 0.4995 0.020 0.160 0.308 0.092 0.420
#> ERR315464 5 0.819 0.4995 0.020 0.160 0.308 0.092 0.420
#> ERR315481 1 0.499 0.7327 0.728 0.000 0.140 0.124 0.008
#> ERR315454 1 0.499 0.7327 0.728 0.000 0.140 0.124 0.008
#> ERR315365 2 0.717 0.3190 0.000 0.488 0.128 0.320 0.064
#> ERR315354 2 0.717 0.3190 0.000 0.488 0.128 0.320 0.064
#> ERR315439 4 0.596 0.8189 0.052 0.036 0.256 0.644 0.012
#> ERR315444 4 0.596 0.8189 0.052 0.036 0.256 0.644 0.012
#> ERR315341 4 0.579 0.8101 0.052 0.024 0.268 0.644 0.012
#> ERR315412 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315337 5 0.786 0.4091 0.008 0.356 0.100 0.128 0.408
#> ERR315429 5 0.559 0.6191 0.008 0.172 0.100 0.020 0.700
#> ERR315436 5 0.559 0.6191 0.008 0.172 0.100 0.020 0.700
#> ERR315379 3 0.136 0.8211 0.028 0.004 0.956 0.012 0.000
#> ERR315443 2 0.743 -0.4372 0.004 0.400 0.152 0.052 0.392
#> ERR315415 2 0.555 0.3529 0.008 0.716 0.052 0.056 0.168
#> ERR315456 2 0.555 0.3529 0.008 0.716 0.052 0.056 0.168
#> ERR315336 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315399 4 0.638 0.7959 0.044 0.092 0.168 0.668 0.028
#> ERR315477 2 0.459 0.4116 0.008 0.780 0.024 0.044 0.144
#> ERR315346 4 0.579 0.8101 0.052 0.024 0.268 0.644 0.012
#> ERR315383 2 0.743 -0.4372 0.004 0.400 0.152 0.052 0.392
#> ERR315494 2 0.748 -0.4341 0.004 0.400 0.152 0.056 0.388
#> ERR315492 2 0.555 0.3529 0.008 0.716 0.052 0.056 0.168
#> ERR315432 2 0.459 0.4116 0.008 0.780 0.024 0.044 0.144
#> ERR315338 1 0.312 0.8712 0.864 0.000 0.048 0.084 0.004
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.158 0.9553 0.012 0.000 0.944 0.028 0.004 NA
#> ERR315339 5 0.813 0.4652 0.004 0.100 0.200 0.068 0.408 NA
#> ERR315376 5 0.813 0.4652 0.004 0.100 0.200 0.068 0.408 NA
#> ERR315343 2 0.523 0.5735 0.008 0.684 0.012 0.196 0.012 NA
#> ERR315342 2 0.523 0.5735 0.008 0.684 0.012 0.196 0.012 NA
#> ERR315468 2 0.790 -0.3205 0.012 0.384 0.080 0.072 0.348 NA
#> ERR315434 4 0.856 0.1487 0.000 0.108 0.252 0.300 0.116 NA
#> ERR315489 4 0.856 0.1487 0.000 0.108 0.252 0.300 0.116 NA
#> ERR315371 1 0.221 0.8589 0.908 0.004 0.032 0.052 0.004 NA
#> ERR315433 2 0.443 0.5239 0.000 0.664 0.008 0.296 0.004 NA
#> ERR315368 2 0.443 0.5239 0.000 0.664 0.008 0.296 0.004 NA
#> ERR315465 1 0.349 0.8273 0.824 0.004 0.032 0.124 0.004 NA
#> ERR315437 1 0.349 0.8273 0.824 0.004 0.032 0.124 0.004 NA
#> ERR315327 5 0.549 0.5584 0.020 0.100 0.076 0.008 0.716 NA
#> ERR315394 5 0.549 0.5584 0.020 0.100 0.076 0.008 0.716 NA
#> ERR315427 4 0.383 0.7733 0.028 0.016 0.140 0.800 0.000 NA
#> ERR315360 4 0.383 0.7733 0.028 0.016 0.140 0.800 0.000 NA
#> ERR315426 1 0.211 0.8580 0.904 0.000 0.032 0.064 0.000 NA
#> ERR315387 1 0.211 0.8580 0.904 0.000 0.032 0.064 0.000 NA
#> ERR315475 1 0.211 0.8580 0.904 0.000 0.032 0.064 0.000 NA
#> ERR315395 1 0.516 0.6796 0.648 0.000 0.036 0.000 0.064 NA
#> ERR315333 1 0.516 0.6796 0.648 0.000 0.036 0.000 0.064 NA
#> ERR315460 5 0.805 0.4715 0.004 0.096 0.200 0.064 0.416 NA
#> ERR315372 5 0.805 0.4715 0.004 0.096 0.200 0.064 0.416 NA
#> ERR315472 4 0.870 0.0774 0.000 0.116 0.240 0.280 0.140 NA
#> ERR315398 4 0.870 0.0774 0.000 0.116 0.240 0.280 0.140 NA
#> ERR315409 3 0.139 0.9701 0.032 0.000 0.948 0.016 0.004 NA
#> ERR315423 3 0.139 0.9701 0.032 0.000 0.948 0.016 0.004 NA
#> ERR315402 2 0.234 0.5952 0.000 0.896 0.000 0.068 0.028 NA
#> ERR315458 2 0.234 0.5952 0.000 0.896 0.000 0.068 0.028 NA
#> ERR315366 1 0.417 0.7771 0.768 0.004 0.052 0.160 0.004 NA
#> ERR315345 1 0.417 0.7771 0.768 0.004 0.052 0.160 0.004 NA
#> ERR315326 4 0.496 0.7635 0.044 0.012 0.160 0.732 0.008 NA
#> ERR315424 4 0.496 0.7635 0.044 0.012 0.160 0.732 0.008 NA
#> ERR315382 5 0.398 0.6074 0.004 0.032 0.108 0.000 0.800 NA
#> ERR315325 5 0.398 0.6074 0.004 0.032 0.108 0.000 0.800 NA
#> ERR315369 3 0.179 0.9672 0.028 0.000 0.936 0.016 0.008 NA
#> ERR315485 3 0.179 0.9672 0.028 0.000 0.936 0.016 0.008 NA
#> ERR315420 5 0.243 0.6011 0.016 0.016 0.068 0.000 0.896 NA
#> ERR315459 5 0.243 0.6011 0.016 0.016 0.068 0.000 0.896 NA
#> ERR315353 4 0.493 0.7646 0.044 0.012 0.164 0.732 0.008 NA
#> ERR315487 4 0.493 0.7646 0.044 0.012 0.164 0.732 0.008 NA
#> ERR315378 2 0.523 0.5735 0.008 0.684 0.012 0.196 0.012 NA
#> ERR315431 2 0.523 0.5735 0.008 0.684 0.012 0.196 0.012 NA
#> ERR315335 2 0.334 0.5995 0.000 0.840 0.004 0.100 0.032 NA
#> ERR315452 2 0.334 0.5995 0.000 0.840 0.004 0.100 0.032 NA
#> ERR315471 1 0.221 0.8589 0.908 0.004 0.032 0.052 0.004 NA
#> ERR315390 1 0.221 0.8589 0.908 0.004 0.032 0.052 0.004 NA
#> ERR315329 1 0.221 0.8589 0.908 0.004 0.032 0.052 0.004 NA
#> ERR315393 1 0.229 0.8560 0.908 0.004 0.044 0.036 0.004 NA
#> ERR315488 1 0.229 0.8560 0.908 0.004 0.044 0.036 0.004 NA
#> ERR315351 2 0.519 0.4685 0.000 0.692 0.004 0.032 0.140 NA
#> ERR315350 2 0.519 0.4685 0.000 0.692 0.004 0.032 0.140 NA
#> ERR315381 3 0.139 0.9701 0.032 0.000 0.948 0.016 0.004 NA
#> ERR315388 3 0.139 0.9701 0.032 0.000 0.948 0.016 0.004 NA
#> ERR315418 5 0.243 0.6011 0.016 0.016 0.068 0.000 0.896 NA
#> ERR315449 5 0.243 0.6011 0.016 0.016 0.068 0.000 0.896 NA
#> ERR315490 2 0.519 0.2880 0.000 0.500 0.012 0.436 0.004 NA
#> ERR315495 2 0.519 0.2880 0.000 0.500 0.012 0.436 0.004 NA
#> ERR315361 2 0.519 0.2880 0.000 0.500 0.012 0.436 0.004 NA
#> ERR315419 3 0.150 0.9698 0.032 0.000 0.944 0.016 0.008 NA
#> ERR315344 3 0.150 0.9698 0.032 0.000 0.944 0.016 0.008 NA
#> ERR315414 5 0.549 0.5584 0.020 0.100 0.076 0.008 0.716 NA
#> ERR315352 2 0.558 0.4267 0.004 0.652 0.004 0.028 0.176 NA
#> ERR315410 2 0.591 0.3335 0.000 0.504 0.020 0.384 0.020 NA
#> ERR315349 4 0.374 0.7730 0.028 0.016 0.140 0.804 0.000 NA
#> ERR315474 4 0.374 0.7730 0.028 0.016 0.140 0.804 0.000 NA
#> ERR315470 4 0.374 0.7730 0.028 0.016 0.140 0.804 0.000 NA
#> ERR315428 5 0.811 0.4187 0.012 0.288 0.072 0.068 0.388 NA
#> ERR315363 5 0.811 0.4187 0.012 0.288 0.072 0.068 0.388 NA
#> ERR315469 1 0.516 0.6796 0.648 0.000 0.036 0.000 0.064 NA
#> ERR315425 1 0.516 0.6796 0.648 0.000 0.036 0.000 0.064 NA
#> ERR315476 4 0.421 0.7197 0.024 0.016 0.064 0.804 0.008 NA
#> ERR315478 4 0.421 0.7197 0.024 0.016 0.064 0.804 0.008 NA
#> ERR315362 4 0.850 0.2052 0.000 0.176 0.148 0.348 0.100 NA
#> ERR315411 4 0.850 0.2052 0.000 0.176 0.148 0.348 0.100 NA
#> ERR315416 1 0.333 0.8436 0.844 0.004 0.028 0.100 0.004 NA
#> ERR315405 1 0.333 0.8436 0.844 0.004 0.028 0.100 0.004 NA
#> ERR315408 3 0.139 0.9701 0.032 0.000 0.948 0.016 0.004 NA
#> ERR315364 3 0.139 0.9701 0.032 0.000 0.948 0.016 0.004 NA
#> ERR315359 2 0.712 0.2666 0.000 0.424 0.064 0.372 0.052 NA
#> ERR315330 2 0.712 0.2666 0.000 0.424 0.064 0.372 0.052 NA
#> ERR315384 2 0.608 0.3899 0.008 0.568 0.004 0.016 0.236 NA
#> ERR315413 2 0.608 0.3899 0.008 0.568 0.004 0.016 0.236 NA
#> ERR315332 2 0.524 0.5653 0.008 0.652 0.012 0.244 0.004 NA
#> ERR315334 4 0.472 0.7291 0.044 0.004 0.204 0.716 0.004 NA
#> ERR315447 4 0.472 0.7291 0.044 0.004 0.204 0.716 0.004 NA
#> ERR315453 4 0.472 0.7291 0.044 0.004 0.204 0.716 0.004 NA
#> ERR315442 3 0.150 0.9698 0.032 0.000 0.944 0.016 0.008 NA
#> ERR315457 3 0.150 0.9698 0.032 0.000 0.944 0.016 0.008 NA
#> ERR315392 2 0.334 0.5995 0.000 0.840 0.004 0.100 0.032 NA
#> ERR315450 2 0.334 0.5995 0.000 0.840 0.004 0.100 0.032 NA
#> ERR315462 3 0.158 0.9344 0.000 0.000 0.940 0.036 0.012 NA
#> ERR315328 2 0.617 0.3662 0.008 0.548 0.004 0.016 0.256 NA
#> ERR315389 2 0.617 0.3662 0.008 0.548 0.004 0.016 0.256 NA
#> ERR315435 2 0.617 0.3662 0.008 0.548 0.004 0.016 0.256 NA
#> ERR315482 2 0.266 0.6045 0.000 0.860 0.000 0.120 0.008 NA
#> ERR315380 2 0.266 0.6045 0.000 0.860 0.000 0.120 0.008 NA
#> ERR315377 4 0.430 0.7199 0.024 0.016 0.064 0.796 0.008 NA
#> ERR315374 4 0.430 0.7199 0.024 0.016 0.064 0.796 0.008 NA
#> ERR315466 5 0.415 0.5700 0.020 0.060 0.052 0.008 0.816 NA
#> ERR315479 5 0.415 0.5700 0.020 0.060 0.052 0.008 0.816 NA
#> ERR315473 1 0.297 0.8534 0.872 0.004 0.028 0.072 0.004 NA
#> ERR315391 2 0.456 0.5738 0.000 0.744 0.004 0.132 0.020 NA
#> ERR315417 2 0.331 0.6004 0.000 0.840 0.004 0.104 0.028 NA
#> ERR315385 2 0.331 0.6004 0.000 0.840 0.004 0.104 0.028 NA
#> ERR315386 4 0.456 0.3204 0.000 0.300 0.016 0.652 0.000 NA
#> ERR315438 4 0.456 0.3204 0.000 0.300 0.016 0.652 0.000 NA
#> ERR315367 2 0.608 0.3899 0.008 0.568 0.004 0.016 0.236 NA
#> ERR315331 2 0.608 0.3899 0.008 0.568 0.004 0.016 0.236 NA
#> ERR315347 4 0.408 0.7711 0.028 0.016 0.152 0.784 0.004 NA
#> ERR315396 1 0.527 0.6796 0.648 0.000 0.036 0.004 0.064 NA
#> ERR315486 1 0.527 0.6796 0.648 0.000 0.036 0.004 0.064 NA
#> ERR315403 3 0.329 0.8009 0.016 0.000 0.828 0.132 0.004 NA
#> ERR315357 3 0.329 0.8009 0.016 0.000 0.828 0.132 0.004 NA
#> ERR315463 5 0.549 0.5584 0.020 0.100 0.076 0.008 0.716 NA
#> ERR315451 5 0.549 0.5584 0.020 0.100 0.076 0.008 0.716 NA
#> ERR315445 3 0.150 0.9698 0.032 0.000 0.944 0.016 0.008 NA
#> ERR315461 3 0.150 0.9698 0.032 0.000 0.944 0.016 0.008 NA
#> ERR315397 5 0.811 0.4187 0.012 0.288 0.072 0.068 0.388 NA
#> ERR315491 5 0.811 0.4187 0.012 0.288 0.072 0.068 0.388 NA
#> ERR315483 5 0.811 0.4187 0.012 0.288 0.072 0.068 0.388 NA
#> ERR315400 3 0.168 0.9681 0.028 0.000 0.940 0.016 0.008 NA
#> ERR315440 1 0.229 0.8560 0.908 0.004 0.044 0.036 0.004 NA
#> ERR315493 1 0.229 0.8560 0.908 0.004 0.044 0.036 0.004 NA
#> ERR315441 1 0.229 0.8560 0.908 0.004 0.044 0.036 0.004 NA
#> ERR315455 2 0.504 0.4349 0.000 0.688 0.004 0.016 0.172 NA
#> ERR315421 4 0.375 0.7713 0.028 0.016 0.132 0.808 0.000 NA
#> ERR315370 4 0.375 0.7713 0.028 0.016 0.132 0.808 0.000 NA
#> ERR315355 4 0.375 0.7713 0.028 0.016 0.132 0.808 0.000 NA
#> ERR315446 2 0.561 0.4198 0.004 0.648 0.004 0.028 0.180 NA
#> ERR315375 4 0.421 0.7197 0.024 0.016 0.064 0.804 0.008 NA
#> ERR315467 3 0.179 0.9672 0.028 0.000 0.936 0.016 0.008 NA
#> ERR315484 3 0.158 0.9553 0.012 0.000 0.944 0.028 0.004 NA
#> ERR315406 1 0.527 0.6796 0.648 0.000 0.036 0.004 0.064 NA
#> ERR315404 1 0.527 0.6796 0.648 0.000 0.036 0.004 0.064 NA
#> ERR315407 2 0.719 0.2856 0.000 0.428 0.068 0.360 0.056 NA
#> ERR315340 2 0.719 0.2856 0.000 0.428 0.068 0.360 0.056 NA
#> ERR315356 2 0.608 0.3899 0.008 0.568 0.004 0.016 0.236 NA
#> ERR315430 2 0.608 0.3899 0.008 0.568 0.004 0.016 0.236 NA
#> ERR315422 5 0.785 0.4376 0.012 0.280 0.068 0.052 0.424 NA
#> ERR315358 5 0.785 0.4376 0.012 0.280 0.068 0.052 0.424 NA
#> ERR315448 1 0.333 0.8436 0.844 0.004 0.028 0.100 0.004 NA
#> ERR315401 5 0.805 0.4715 0.004 0.096 0.200 0.064 0.416 NA
#> ERR315464 5 0.805 0.4715 0.004 0.096 0.200 0.064 0.416 NA
#> ERR315481 1 0.476 0.7429 0.728 0.004 0.096 0.152 0.004 NA
#> ERR315454 1 0.476 0.7429 0.728 0.004 0.096 0.152 0.004 NA
#> ERR315365 2 0.719 0.2856 0.000 0.428 0.068 0.360 0.056 NA
#> ERR315354 2 0.719 0.2856 0.000 0.428 0.068 0.360 0.056 NA
#> ERR315439 4 0.493 0.7646 0.044 0.012 0.164 0.732 0.008 NA
#> ERR315444 4 0.493 0.7646 0.044 0.012 0.164 0.732 0.008 NA
#> ERR315341 4 0.493 0.7646 0.044 0.012 0.164 0.732 0.008 NA
#> ERR315412 5 0.811 0.4229 0.012 0.284 0.072 0.068 0.392 NA
#> ERR315337 5 0.811 0.4229 0.012 0.284 0.072 0.068 0.392 NA
#> ERR315429 5 0.415 0.5700 0.020 0.060 0.052 0.008 0.816 NA
#> ERR315436 5 0.415 0.5700 0.020 0.060 0.052 0.008 0.816 NA
#> ERR315379 3 0.159 0.9528 0.008 0.000 0.944 0.028 0.008 NA
#> ERR315443 5 0.749 0.4271 0.016 0.340 0.104 0.020 0.420 NA
#> ERR315415 2 0.558 0.4267 0.004 0.652 0.004 0.028 0.176 NA
#> ERR315456 2 0.558 0.4267 0.004 0.652 0.004 0.028 0.176 NA
#> ERR315336 4 0.421 0.7197 0.024 0.016 0.064 0.804 0.008 NA
#> ERR315399 4 0.421 0.7197 0.024 0.016 0.064 0.804 0.008 NA
#> ERR315477 2 0.504 0.4349 0.000 0.688 0.004 0.016 0.172 NA
#> ERR315346 4 0.493 0.7646 0.044 0.012 0.164 0.732 0.008 NA
#> ERR315383 5 0.746 0.4208 0.016 0.344 0.100 0.020 0.420 NA
#> ERR315494 5 0.759 0.4156 0.016 0.344 0.100 0.028 0.412 NA
#> ERR315492 2 0.558 0.4267 0.004 0.652 0.004 0.028 0.176 NA
#> ERR315432 2 0.504 0.4349 0.000 0.688 0.004 0.016 0.172 NA
#> ERR315338 1 0.333 0.8436 0.844 0.004 0.028 0.100 0.004 NA
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "skmeans"]
# you can also extract it by
# res = res_list["MAD:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.995 0.998 0.5022 0.498 0.498
#> 3 3 0.692 0.805 0.889 0.3130 0.738 0.519
#> 4 4 0.728 0.775 0.874 0.1117 0.899 0.712
#> 5 5 0.797 0.808 0.891 0.0808 0.834 0.484
#> 6 6 0.814 0.787 0.858 0.0430 0.973 0.873
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.000 1.000 1.0 0.0
#> ERR315339 2 0.000 0.995 0.0 1.0
#> ERR315376 2 0.000 0.995 0.0 1.0
#> ERR315343 2 0.000 0.995 0.0 1.0
#> ERR315342 2 0.000 0.995 0.0 1.0
#> ERR315468 2 0.000 0.995 0.0 1.0
#> ERR315434 2 0.722 0.753 0.2 0.8
#> ERR315489 2 0.722 0.753 0.2 0.8
#> ERR315371 1 0.000 1.000 1.0 0.0
#> ERR315433 2 0.000 0.995 0.0 1.0
#> ERR315368 2 0.000 0.995 0.0 1.0
#> ERR315465 1 0.000 1.000 1.0 0.0
#> ERR315437 1 0.000 1.000 1.0 0.0
#> ERR315327 2 0.000 0.995 0.0 1.0
#> ERR315394 2 0.000 0.995 0.0 1.0
#> ERR315427 1 0.000 1.000 1.0 0.0
#> ERR315360 1 0.000 1.000 1.0 0.0
#> ERR315426 1 0.000 1.000 1.0 0.0
#> ERR315387 1 0.000 1.000 1.0 0.0
#> ERR315475 1 0.000 1.000 1.0 0.0
#> ERR315395 1 0.000 1.000 1.0 0.0
#> ERR315333 1 0.000 1.000 1.0 0.0
#> ERR315460 2 0.000 0.995 0.0 1.0
#> ERR315372 2 0.000 0.995 0.0 1.0
#> ERR315472 2 0.000 0.995 0.0 1.0
#> ERR315398 2 0.000 0.995 0.0 1.0
#> ERR315409 1 0.000 1.000 1.0 0.0
#> ERR315423 1 0.000 1.000 1.0 0.0
#> ERR315402 2 0.000 0.995 0.0 1.0
#> ERR315458 2 0.000 0.995 0.0 1.0
#> ERR315366 1 0.000 1.000 1.0 0.0
#> ERR315345 1 0.000 1.000 1.0 0.0
#> ERR315326 1 0.000 1.000 1.0 0.0
#> ERR315424 1 0.000 1.000 1.0 0.0
#> ERR315382 2 0.000 0.995 0.0 1.0
#> ERR315325 2 0.000 0.995 0.0 1.0
#> ERR315369 1 0.000 1.000 1.0 0.0
#> ERR315485 1 0.000 1.000 1.0 0.0
#> ERR315420 2 0.000 0.995 0.0 1.0
#> ERR315459 2 0.000 0.995 0.0 1.0
#> ERR315353 1 0.000 1.000 1.0 0.0
#> ERR315487 1 0.000 1.000 1.0 0.0
#> ERR315378 2 0.000 0.995 0.0 1.0
#> ERR315431 2 0.000 0.995 0.0 1.0
#> ERR315335 2 0.000 0.995 0.0 1.0
#> ERR315452 2 0.000 0.995 0.0 1.0
#> ERR315471 1 0.000 1.000 1.0 0.0
#> ERR315390 1 0.000 1.000 1.0 0.0
#> ERR315329 1 0.000 1.000 1.0 0.0
#> ERR315393 1 0.000 1.000 1.0 0.0
#> ERR315488 1 0.000 1.000 1.0 0.0
#> ERR315351 2 0.000 0.995 0.0 1.0
#> ERR315350 2 0.000 0.995 0.0 1.0
#> ERR315381 1 0.000 1.000 1.0 0.0
#> ERR315388 1 0.000 1.000 1.0 0.0
#> ERR315418 2 0.000 0.995 0.0 1.0
#> ERR315449 2 0.000 0.995 0.0 1.0
#> ERR315490 2 0.000 0.995 0.0 1.0
#> ERR315495 2 0.000 0.995 0.0 1.0
#> ERR315361 2 0.000 0.995 0.0 1.0
#> ERR315419 1 0.000 1.000 1.0 0.0
#> ERR315344 1 0.000 1.000 1.0 0.0
#> ERR315414 2 0.000 0.995 0.0 1.0
#> ERR315352 2 0.000 0.995 0.0 1.0
#> ERR315410 2 0.000 0.995 0.0 1.0
#> ERR315349 1 0.000 1.000 1.0 0.0
#> ERR315474 1 0.000 1.000 1.0 0.0
#> ERR315470 1 0.000 1.000 1.0 0.0
#> ERR315428 2 0.000 0.995 0.0 1.0
#> ERR315363 2 0.000 0.995 0.0 1.0
#> ERR315469 1 0.000 1.000 1.0 0.0
#> ERR315425 1 0.000 1.000 1.0 0.0
#> ERR315476 1 0.000 1.000 1.0 0.0
#> ERR315478 1 0.000 1.000 1.0 0.0
#> ERR315362 2 0.000 0.995 0.0 1.0
#> ERR315411 2 0.000 0.995 0.0 1.0
#> ERR315416 1 0.000 1.000 1.0 0.0
#> ERR315405 1 0.000 1.000 1.0 0.0
#> ERR315408 1 0.000 1.000 1.0 0.0
#> ERR315364 1 0.000 1.000 1.0 0.0
#> ERR315359 2 0.000 0.995 0.0 1.0
#> ERR315330 2 0.000 0.995 0.0 1.0
#> ERR315384 2 0.000 0.995 0.0 1.0
#> ERR315413 2 0.000 0.995 0.0 1.0
#> ERR315332 2 0.000 0.995 0.0 1.0
#> ERR315334 1 0.000 1.000 1.0 0.0
#> ERR315447 1 0.000 1.000 1.0 0.0
#> ERR315453 1 0.000 1.000 1.0 0.0
#> ERR315442 1 0.000 1.000 1.0 0.0
#> ERR315457 1 0.000 1.000 1.0 0.0
#> ERR315392 2 0.000 0.995 0.0 1.0
#> ERR315450 2 0.000 0.995 0.0 1.0
#> ERR315462 1 0.000 1.000 1.0 0.0
#> ERR315328 2 0.000 0.995 0.0 1.0
#> ERR315389 2 0.000 0.995 0.0 1.0
#> ERR315435 2 0.000 0.995 0.0 1.0
#> ERR315482 2 0.000 0.995 0.0 1.0
#> ERR315380 2 0.000 0.995 0.0 1.0
#> ERR315377 1 0.000 1.000 1.0 0.0
#> ERR315374 1 0.000 1.000 1.0 0.0
#> ERR315466 2 0.000 0.995 0.0 1.0
#> ERR315479 2 0.000 0.995 0.0 1.0
#> ERR315473 1 0.000 1.000 1.0 0.0
#> ERR315391 2 0.000 0.995 0.0 1.0
#> ERR315417 2 0.000 0.995 0.0 1.0
#> ERR315385 2 0.000 0.995 0.0 1.0
#> ERR315386 2 0.000 0.995 0.0 1.0
#> ERR315438 2 0.000 0.995 0.0 1.0
#> ERR315367 2 0.000 0.995 0.0 1.0
#> ERR315331 2 0.000 0.995 0.0 1.0
#> ERR315347 1 0.000 1.000 1.0 0.0
#> ERR315396 1 0.000 1.000 1.0 0.0
#> ERR315486 1 0.000 1.000 1.0 0.0
#> ERR315403 1 0.000 1.000 1.0 0.0
#> ERR315357 1 0.000 1.000 1.0 0.0
#> ERR315463 2 0.000 0.995 0.0 1.0
#> ERR315451 2 0.000 0.995 0.0 1.0
#> ERR315445 1 0.000 1.000 1.0 0.0
#> ERR315461 1 0.000 1.000 1.0 0.0
#> ERR315397 2 0.000 0.995 0.0 1.0
#> ERR315491 2 0.000 0.995 0.0 1.0
#> ERR315483 2 0.000 0.995 0.0 1.0
#> ERR315400 1 0.000 1.000 1.0 0.0
#> ERR315440 1 0.000 1.000 1.0 0.0
#> ERR315493 1 0.000 1.000 1.0 0.0
#> ERR315441 1 0.000 1.000 1.0 0.0
#> ERR315455 2 0.000 0.995 0.0 1.0
#> ERR315421 1 0.000 1.000 1.0 0.0
#> ERR315370 1 0.000 1.000 1.0 0.0
#> ERR315355 1 0.000 1.000 1.0 0.0
#> ERR315446 2 0.000 0.995 0.0 1.0
#> ERR315375 1 0.000 1.000 1.0 0.0
#> ERR315467 1 0.000 1.000 1.0 0.0
#> ERR315484 1 0.000 1.000 1.0 0.0
#> ERR315406 1 0.000 1.000 1.0 0.0
#> ERR315404 1 0.000 1.000 1.0 0.0
#> ERR315407 2 0.000 0.995 0.0 1.0
#> ERR315340 2 0.000 0.995 0.0 1.0
#> ERR315356 2 0.000 0.995 0.0 1.0
#> ERR315430 2 0.000 0.995 0.0 1.0
#> ERR315422 2 0.000 0.995 0.0 1.0
#> ERR315358 2 0.000 0.995 0.0 1.0
#> ERR315448 1 0.000 1.000 1.0 0.0
#> ERR315401 2 0.000 0.995 0.0 1.0
#> ERR315464 2 0.000 0.995 0.0 1.0
#> ERR315481 1 0.000 1.000 1.0 0.0
#> ERR315454 1 0.000 1.000 1.0 0.0
#> ERR315365 2 0.000 0.995 0.0 1.0
#> ERR315354 2 0.000 0.995 0.0 1.0
#> ERR315439 1 0.000 1.000 1.0 0.0
#> ERR315444 1 0.000 1.000 1.0 0.0
#> ERR315341 1 0.000 1.000 1.0 0.0
#> ERR315412 2 0.000 0.995 0.0 1.0
#> ERR315337 2 0.000 0.995 0.0 1.0
#> ERR315429 2 0.000 0.995 0.0 1.0
#> ERR315436 2 0.000 0.995 0.0 1.0
#> ERR315379 1 0.000 1.000 1.0 0.0
#> ERR315443 2 0.000 0.995 0.0 1.0
#> ERR315415 2 0.000 0.995 0.0 1.0
#> ERR315456 2 0.000 0.995 0.0 1.0
#> ERR315336 1 0.000 1.000 1.0 0.0
#> ERR315399 1 0.000 1.000 1.0 0.0
#> ERR315477 2 0.000 0.995 0.0 1.0
#> ERR315346 1 0.000 1.000 1.0 0.0
#> ERR315383 2 0.000 0.995 0.0 1.0
#> ERR315494 2 0.000 0.995 0.0 1.0
#> ERR315492 2 0.000 0.995 0.0 1.0
#> ERR315432 2 0.000 0.995 0.0 1.0
#> ERR315338 1 0.000 1.000 1.0 0.0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315339 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315376 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315343 2 0.5988 0.544 0.000 0.632 0.368
#> ERR315342 2 0.5988 0.544 0.000 0.632 0.368
#> ERR315468 3 0.2356 0.863 0.000 0.072 0.928
#> ERR315434 2 0.5842 0.666 0.036 0.768 0.196
#> ERR315489 2 0.5842 0.666 0.036 0.768 0.196
#> ERR315371 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315433 2 0.5431 0.678 0.000 0.716 0.284
#> ERR315368 2 0.5431 0.678 0.000 0.716 0.284
#> ERR315465 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315437 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315327 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315394 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315427 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315360 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315426 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315387 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315475 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315395 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315333 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315460 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315372 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315472 2 0.6452 0.590 0.036 0.712 0.252
#> ERR315398 2 0.6452 0.590 0.036 0.712 0.252
#> ERR315409 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315423 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315402 3 0.3686 0.776 0.000 0.140 0.860
#> ERR315458 3 0.3686 0.776 0.000 0.140 0.860
#> ERR315366 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315345 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315326 2 0.0424 0.798 0.008 0.992 0.000
#> ERR315424 2 0.0424 0.798 0.008 0.992 0.000
#> ERR315382 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315325 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315369 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315485 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315420 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315459 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315353 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315487 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315378 2 0.5988 0.544 0.000 0.632 0.368
#> ERR315431 2 0.5988 0.544 0.000 0.632 0.368
#> ERR315335 3 0.5988 0.311 0.000 0.368 0.632
#> ERR315452 3 0.5988 0.311 0.000 0.368 0.632
#> ERR315471 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315390 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315329 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315393 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315488 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315351 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315350 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315381 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315388 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315418 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315449 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315490 2 0.5178 0.713 0.000 0.744 0.256
#> ERR315495 2 0.5178 0.713 0.000 0.744 0.256
#> ERR315361 2 0.5178 0.713 0.000 0.744 0.256
#> ERR315419 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315344 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315414 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315352 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315410 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315349 2 0.0000 0.800 0.000 1.000 0.000
#> ERR315474 2 0.0000 0.800 0.000 1.000 0.000
#> ERR315470 2 0.0000 0.800 0.000 1.000 0.000
#> ERR315428 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315363 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315469 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315425 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315476 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315478 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315362 2 0.4452 0.723 0.000 0.808 0.192
#> ERR315411 2 0.4452 0.723 0.000 0.808 0.192
#> ERR315416 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315405 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315408 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315364 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315359 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315330 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315384 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315413 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315332 2 0.5431 0.678 0.000 0.716 0.284
#> ERR315334 1 0.5988 0.707 0.632 0.368 0.000
#> ERR315447 1 0.5988 0.707 0.632 0.368 0.000
#> ERR315453 1 0.5988 0.707 0.632 0.368 0.000
#> ERR315442 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315457 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315392 3 0.5988 0.311 0.000 0.368 0.632
#> ERR315450 3 0.5988 0.311 0.000 0.368 0.632
#> ERR315462 1 0.6140 0.586 0.596 0.404 0.000
#> ERR315328 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315389 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315435 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315482 2 0.6302 0.250 0.000 0.520 0.480
#> ERR315380 2 0.6302 0.250 0.000 0.520 0.480
#> ERR315377 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315374 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315466 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315479 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315473 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315391 2 0.5465 0.673 0.000 0.712 0.288
#> ERR315417 3 0.6008 0.299 0.000 0.372 0.628
#> ERR315385 3 0.6008 0.299 0.000 0.372 0.628
#> ERR315386 2 0.1529 0.799 0.000 0.960 0.040
#> ERR315438 2 0.1529 0.799 0.000 0.960 0.040
#> ERR315367 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315331 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315347 2 0.0000 0.800 0.000 1.000 0.000
#> ERR315396 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315486 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315403 1 0.5397 0.803 0.720 0.280 0.000
#> ERR315357 1 0.5397 0.803 0.720 0.280 0.000
#> ERR315463 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315451 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315445 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315461 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315397 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315491 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315483 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315400 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315440 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315493 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315441 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315455 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315421 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315370 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315355 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315446 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315375 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315467 1 0.4291 0.832 0.820 0.180 0.000
#> ERR315484 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315406 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315404 1 0.0237 0.859 0.996 0.004 0.000
#> ERR315407 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315340 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315356 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315430 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315422 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315358 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315448 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315401 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315464 3 0.1647 0.916 0.036 0.004 0.960
#> ERR315481 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315454 1 0.1411 0.866 0.964 0.036 0.000
#> ERR315365 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315354 2 0.5098 0.720 0.000 0.752 0.248
#> ERR315439 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315444 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315341 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315412 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315337 3 0.0592 0.921 0.000 0.012 0.988
#> ERR315429 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315436 3 0.1411 0.918 0.036 0.000 0.964
#> ERR315379 1 0.5098 0.812 0.752 0.248 0.000
#> ERR315443 3 0.0237 0.926 0.004 0.000 0.996
#> ERR315415 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315456 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315336 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315399 2 0.0592 0.799 0.012 0.988 0.000
#> ERR315477 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315346 2 0.0237 0.800 0.004 0.996 0.000
#> ERR315383 3 0.0237 0.926 0.004 0.000 0.996
#> ERR315494 3 0.0237 0.926 0.004 0.000 0.996
#> ERR315492 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315432 3 0.0000 0.927 0.000 0.000 1.000
#> ERR315338 1 0.1411 0.866 0.964 0.036 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315339 3 0.4989 0.175 0.000 0.472 0.528 0.000
#> ERR315376 3 0.4989 0.175 0.000 0.472 0.528 0.000
#> ERR315343 4 0.4509 0.383 0.000 0.288 0.004 0.708
#> ERR315342 4 0.4509 0.383 0.000 0.288 0.004 0.708
#> ERR315468 2 0.2124 0.840 0.000 0.924 0.008 0.068
#> ERR315434 3 0.5910 0.547 0.000 0.088 0.676 0.236
#> ERR315489 3 0.5910 0.547 0.000 0.088 0.676 0.236
#> ERR315371 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315433 4 0.1824 0.736 0.000 0.060 0.004 0.936
#> ERR315368 4 0.1824 0.736 0.000 0.060 0.004 0.936
#> ERR315465 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315327 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315394 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315427 4 0.4225 0.763 0.024 0.000 0.184 0.792
#> ERR315360 4 0.4225 0.763 0.024 0.000 0.184 0.792
#> ERR315426 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315333 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315460 2 0.4661 0.356 0.000 0.652 0.348 0.000
#> ERR315372 2 0.4661 0.356 0.000 0.652 0.348 0.000
#> ERR315472 3 0.6957 0.450 0.000 0.172 0.580 0.248
#> ERR315398 3 0.6957 0.450 0.000 0.172 0.580 0.248
#> ERR315409 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315423 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315402 2 0.4560 0.692 0.000 0.700 0.004 0.296
#> ERR315458 2 0.4560 0.692 0.000 0.700 0.004 0.296
#> ERR315366 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315326 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315424 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315382 2 0.1474 0.819 0.000 0.948 0.052 0.000
#> ERR315325 2 0.1474 0.819 0.000 0.948 0.052 0.000
#> ERR315369 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315485 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315420 2 0.0817 0.838 0.000 0.976 0.024 0.000
#> ERR315459 2 0.0817 0.838 0.000 0.976 0.024 0.000
#> ERR315353 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315487 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315378 4 0.4509 0.383 0.000 0.288 0.004 0.708
#> ERR315431 4 0.4509 0.383 0.000 0.288 0.004 0.708
#> ERR315335 2 0.5151 0.386 0.000 0.532 0.004 0.464
#> ERR315452 2 0.5151 0.386 0.000 0.532 0.004 0.464
#> ERR315471 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315351 2 0.3539 0.807 0.000 0.820 0.004 0.176
#> ERR315350 2 0.3539 0.807 0.000 0.820 0.004 0.176
#> ERR315381 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315388 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315418 2 0.0817 0.838 0.000 0.976 0.024 0.000
#> ERR315449 2 0.0817 0.838 0.000 0.976 0.024 0.000
#> ERR315490 4 0.0188 0.765 0.000 0.004 0.000 0.996
#> ERR315495 4 0.0188 0.765 0.000 0.004 0.000 0.996
#> ERR315361 4 0.0188 0.765 0.000 0.004 0.000 0.996
#> ERR315419 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315344 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315414 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315352 2 0.2125 0.847 0.000 0.920 0.004 0.076
#> ERR315410 4 0.0592 0.761 0.000 0.016 0.000 0.984
#> ERR315349 4 0.4121 0.764 0.020 0.000 0.184 0.796
#> ERR315474 4 0.4121 0.764 0.020 0.000 0.184 0.796
#> ERR315470 4 0.4121 0.764 0.020 0.000 0.184 0.796
#> ERR315428 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315363 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315469 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315425 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315476 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315478 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315362 4 0.5395 0.697 0.000 0.084 0.184 0.732
#> ERR315411 4 0.5395 0.697 0.000 0.084 0.184 0.732
#> ERR315416 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315364 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315359 4 0.1406 0.764 0.000 0.024 0.016 0.960
#> ERR315330 4 0.1406 0.764 0.000 0.024 0.016 0.960
#> ERR315384 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315413 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315332 4 0.1824 0.736 0.000 0.060 0.004 0.936
#> ERR315334 4 0.7806 0.251 0.296 0.000 0.284 0.420
#> ERR315447 4 0.7806 0.251 0.296 0.000 0.284 0.420
#> ERR315453 4 0.7806 0.251 0.296 0.000 0.284 0.420
#> ERR315442 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315457 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315392 2 0.5151 0.386 0.000 0.532 0.004 0.464
#> ERR315450 2 0.5151 0.386 0.000 0.532 0.004 0.464
#> ERR315462 3 0.0376 0.893 0.004 0.000 0.992 0.004
#> ERR315328 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315389 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315435 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315482 4 0.5112 -0.120 0.000 0.436 0.004 0.560
#> ERR315380 4 0.5112 -0.120 0.000 0.436 0.004 0.560
#> ERR315377 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315374 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315466 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315479 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315473 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315391 4 0.2053 0.726 0.000 0.072 0.004 0.924
#> ERR315417 2 0.5151 0.386 0.000 0.532 0.004 0.464
#> ERR315385 2 0.5151 0.386 0.000 0.532 0.004 0.464
#> ERR315386 4 0.0000 0.766 0.000 0.000 0.000 1.000
#> ERR315438 4 0.0000 0.766 0.000 0.000 0.000 1.000
#> ERR315367 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315331 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315347 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315396 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315486 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315403 3 0.1042 0.880 0.008 0.000 0.972 0.020
#> ERR315357 3 0.1042 0.880 0.008 0.000 0.972 0.020
#> ERR315463 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315451 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315445 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315461 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315397 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315491 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315483 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315400 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315440 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315455 2 0.2053 0.847 0.000 0.924 0.004 0.072
#> ERR315421 4 0.4225 0.763 0.024 0.000 0.184 0.792
#> ERR315370 4 0.4225 0.763 0.024 0.000 0.184 0.792
#> ERR315355 4 0.4225 0.763 0.024 0.000 0.184 0.792
#> ERR315446 2 0.1978 0.848 0.000 0.928 0.004 0.068
#> ERR315375 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315467 3 0.1109 0.877 0.028 0.004 0.968 0.000
#> ERR315484 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315406 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315404 1 0.0779 0.982 0.980 0.016 0.004 0.000
#> ERR315407 4 0.1488 0.762 0.000 0.032 0.012 0.956
#> ERR315340 4 0.1488 0.762 0.000 0.032 0.012 0.956
#> ERR315356 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315430 2 0.3852 0.795 0.000 0.800 0.008 0.192
#> ERR315422 2 0.1151 0.850 0.000 0.968 0.008 0.024
#> ERR315358 2 0.1151 0.850 0.000 0.968 0.008 0.024
#> ERR315448 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315401 2 0.4661 0.356 0.000 0.652 0.348 0.000
#> ERR315464 2 0.4661 0.356 0.000 0.652 0.348 0.000
#> ERR315481 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> ERR315365 4 0.1356 0.760 0.000 0.032 0.008 0.960
#> ERR315354 4 0.1356 0.760 0.000 0.032 0.008 0.960
#> ERR315439 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315444 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315341 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315412 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315337 2 0.1256 0.851 0.000 0.964 0.008 0.028
#> ERR315429 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315436 2 0.0707 0.840 0.000 0.980 0.020 0.000
#> ERR315379 3 0.0336 0.897 0.008 0.000 0.992 0.000
#> ERR315443 2 0.1151 0.850 0.000 0.968 0.008 0.024
#> ERR315415 2 0.2125 0.847 0.000 0.920 0.004 0.076
#> ERR315456 2 0.2125 0.847 0.000 0.920 0.004 0.076
#> ERR315336 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315399 4 0.3821 0.779 0.040 0.000 0.120 0.840
#> ERR315477 2 0.2053 0.847 0.000 0.924 0.004 0.072
#> ERR315346 4 0.4267 0.761 0.024 0.000 0.188 0.788
#> ERR315383 2 0.1151 0.850 0.000 0.968 0.008 0.024
#> ERR315494 2 0.1151 0.850 0.000 0.968 0.008 0.024
#> ERR315492 2 0.2125 0.847 0.000 0.920 0.004 0.076
#> ERR315432 2 0.2053 0.847 0.000 0.924 0.004 0.072
#> ERR315338 1 0.0000 0.994 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315339 5 0.2595 0.773 0.000 0.032 0.080 0.000 0.888
#> ERR315376 5 0.2595 0.773 0.000 0.032 0.080 0.000 0.888
#> ERR315343 2 0.2927 0.731 0.000 0.872 0.000 0.060 0.068
#> ERR315342 2 0.2927 0.731 0.000 0.872 0.000 0.060 0.068
#> ERR315468 5 0.4299 0.502 0.000 0.388 0.000 0.004 0.608
#> ERR315434 4 0.7060 0.370 0.000 0.044 0.144 0.476 0.336
#> ERR315489 4 0.7060 0.370 0.000 0.044 0.144 0.476 0.336
#> ERR315371 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.2561 0.714 0.000 0.856 0.000 0.144 0.000
#> ERR315368 2 0.2561 0.714 0.000 0.856 0.000 0.144 0.000
#> ERR315465 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.1410 0.835 0.000 0.060 0.000 0.000 0.940
#> ERR315394 5 0.1410 0.835 0.000 0.060 0.000 0.000 0.940
#> ERR315427 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315360 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315426 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315460 5 0.2067 0.798 0.000 0.032 0.048 0.000 0.920
#> ERR315372 5 0.2067 0.798 0.000 0.032 0.048 0.000 0.920
#> ERR315472 4 0.7056 0.306 0.000 0.048 0.128 0.452 0.372
#> ERR315398 4 0.7056 0.306 0.000 0.048 0.128 0.452 0.372
#> ERR315409 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.0807 0.735 0.000 0.976 0.000 0.012 0.012
#> ERR315458 2 0.0807 0.735 0.000 0.976 0.000 0.012 0.012
#> ERR315366 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315326 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315424 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315382 5 0.0404 0.834 0.000 0.012 0.000 0.000 0.988
#> ERR315325 5 0.0404 0.834 0.000 0.012 0.000 0.000 0.988
#> ERR315369 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.0703 0.839 0.000 0.024 0.000 0.000 0.976
#> ERR315459 5 0.0703 0.839 0.000 0.024 0.000 0.000 0.976
#> ERR315353 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315487 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315378 2 0.2927 0.731 0.000 0.872 0.000 0.060 0.068
#> ERR315431 2 0.2927 0.731 0.000 0.872 0.000 0.060 0.068
#> ERR315335 2 0.0992 0.738 0.000 0.968 0.000 0.024 0.008
#> ERR315452 2 0.0992 0.738 0.000 0.968 0.000 0.024 0.008
#> ERR315471 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.2648 0.674 0.000 0.848 0.000 0.000 0.152
#> ERR315350 2 0.2648 0.674 0.000 0.848 0.000 0.000 0.152
#> ERR315381 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.0703 0.839 0.000 0.024 0.000 0.000 0.976
#> ERR315449 5 0.0703 0.839 0.000 0.024 0.000 0.000 0.976
#> ERR315490 2 0.4150 0.426 0.000 0.612 0.000 0.388 0.000
#> ERR315495 2 0.4150 0.426 0.000 0.612 0.000 0.388 0.000
#> ERR315361 2 0.4150 0.426 0.000 0.612 0.000 0.388 0.000
#> ERR315419 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315414 5 0.1410 0.835 0.000 0.060 0.000 0.000 0.940
#> ERR315352 2 0.3534 0.555 0.000 0.744 0.000 0.000 0.256
#> ERR315410 2 0.4329 0.549 0.000 0.672 0.000 0.312 0.016
#> ERR315349 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315474 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315470 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315428 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315363 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315469 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315478 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315362 4 0.5237 0.581 0.000 0.056 0.008 0.644 0.292
#> ERR315411 4 0.5237 0.581 0.000 0.056 0.008 0.644 0.292
#> ERR315416 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315359 2 0.4748 0.553 0.000 0.660 0.000 0.300 0.040
#> ERR315330 2 0.4748 0.553 0.000 0.660 0.000 0.300 0.040
#> ERR315384 2 0.3949 0.513 0.000 0.668 0.000 0.000 0.332
#> ERR315413 2 0.3949 0.513 0.000 0.668 0.000 0.000 0.332
#> ERR315332 2 0.3143 0.684 0.000 0.796 0.000 0.204 0.000
#> ERR315334 4 0.1399 0.876 0.028 0.000 0.020 0.952 0.000
#> ERR315447 4 0.1399 0.876 0.028 0.000 0.020 0.952 0.000
#> ERR315453 4 0.1399 0.876 0.028 0.000 0.020 0.952 0.000
#> ERR315442 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.0992 0.738 0.000 0.968 0.000 0.024 0.008
#> ERR315450 2 0.0992 0.738 0.000 0.968 0.000 0.024 0.008
#> ERR315462 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315328 2 0.3983 0.501 0.000 0.660 0.000 0.000 0.340
#> ERR315389 2 0.3983 0.501 0.000 0.660 0.000 0.000 0.340
#> ERR315435 2 0.3983 0.501 0.000 0.660 0.000 0.000 0.340
#> ERR315482 2 0.0880 0.737 0.000 0.968 0.000 0.032 0.000
#> ERR315380 2 0.0880 0.737 0.000 0.968 0.000 0.032 0.000
#> ERR315377 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315374 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315466 5 0.0963 0.839 0.000 0.036 0.000 0.000 0.964
#> ERR315479 5 0.0963 0.839 0.000 0.036 0.000 0.000 0.964
#> ERR315473 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.1197 0.736 0.000 0.952 0.000 0.048 0.000
#> ERR315417 2 0.0992 0.738 0.000 0.968 0.000 0.024 0.008
#> ERR315385 2 0.0992 0.738 0.000 0.968 0.000 0.024 0.008
#> ERR315386 4 0.2280 0.787 0.000 0.120 0.000 0.880 0.000
#> ERR315438 4 0.2280 0.787 0.000 0.120 0.000 0.880 0.000
#> ERR315367 2 0.3949 0.513 0.000 0.668 0.000 0.000 0.332
#> ERR315331 2 0.3949 0.513 0.000 0.668 0.000 0.000 0.332
#> ERR315347 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315396 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.0162 0.996 0.000 0.000 0.996 0.004 0.000
#> ERR315357 3 0.0162 0.996 0.000 0.000 0.996 0.004 0.000
#> ERR315463 5 0.1410 0.835 0.000 0.060 0.000 0.000 0.940
#> ERR315451 5 0.1410 0.835 0.000 0.060 0.000 0.000 0.940
#> ERR315445 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315491 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315483 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315400 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.3305 0.592 0.000 0.776 0.000 0.000 0.224
#> ERR315421 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315370 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315355 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315446 2 0.3561 0.550 0.000 0.740 0.000 0.000 0.260
#> ERR315375 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315467 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315484 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315407 2 0.4748 0.553 0.000 0.660 0.000 0.300 0.040
#> ERR315340 2 0.4748 0.553 0.000 0.660 0.000 0.300 0.040
#> ERR315356 2 0.3949 0.513 0.000 0.668 0.000 0.000 0.332
#> ERR315430 2 0.3949 0.513 0.000 0.668 0.000 0.000 0.332
#> ERR315422 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315358 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315448 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.2067 0.798 0.000 0.032 0.048 0.000 0.920
#> ERR315464 5 0.2067 0.798 0.000 0.032 0.048 0.000 0.920
#> ERR315481 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR315365 2 0.4748 0.553 0.000 0.660 0.000 0.300 0.040
#> ERR315354 2 0.4748 0.553 0.000 0.660 0.000 0.300 0.040
#> ERR315439 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315444 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315341 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315412 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315337 5 0.3612 0.735 0.000 0.268 0.000 0.000 0.732
#> ERR315429 5 0.0963 0.839 0.000 0.036 0.000 0.000 0.964
#> ERR315436 5 0.0963 0.839 0.000 0.036 0.000 0.000 0.964
#> ERR315379 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000
#> ERR315443 5 0.3534 0.741 0.000 0.256 0.000 0.000 0.744
#> ERR315415 2 0.3561 0.550 0.000 0.740 0.000 0.000 0.260
#> ERR315456 2 0.3534 0.555 0.000 0.744 0.000 0.000 0.256
#> ERR315336 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315399 4 0.0324 0.897 0.000 0.004 0.004 0.992 0.000
#> ERR315477 2 0.3336 0.587 0.000 0.772 0.000 0.000 0.228
#> ERR315346 4 0.0510 0.896 0.000 0.000 0.016 0.984 0.000
#> ERR315383 5 0.3561 0.737 0.000 0.260 0.000 0.000 0.740
#> ERR315494 5 0.3586 0.734 0.000 0.264 0.000 0.000 0.736
#> ERR315492 2 0.3534 0.555 0.000 0.744 0.000 0.000 0.256
#> ERR315432 2 0.3336 0.587 0.000 0.772 0.000 0.000 0.228
#> ERR315338 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 6 0.3954 0.772 0.000 0.004 0.016 0.000 0.296 0.684
#> ERR315376 6 0.3954 0.772 0.000 0.004 0.016 0.000 0.296 0.684
#> ERR315343 2 0.3210 0.651 0.000 0.832 0.000 0.012 0.124 0.032
#> ERR315342 2 0.3210 0.651 0.000 0.832 0.000 0.012 0.124 0.032
#> ERR315468 5 0.5040 0.602 0.000 0.212 0.000 0.000 0.636 0.152
#> ERR315434 6 0.3968 0.802 0.000 0.004 0.048 0.080 0.060 0.808
#> ERR315489 6 0.3968 0.802 0.000 0.004 0.048 0.080 0.060 0.808
#> ERR315371 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.2908 0.624 0.000 0.848 0.000 0.048 0.000 0.104
#> ERR315368 2 0.2908 0.624 0.000 0.848 0.000 0.048 0.000 0.104
#> ERR315465 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.1890 0.731 0.000 0.024 0.000 0.000 0.916 0.060
#> ERR315394 5 0.1890 0.731 0.000 0.024 0.000 0.000 0.916 0.060
#> ERR315427 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315360 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315426 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315333 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315460 6 0.3885 0.770 0.000 0.004 0.012 0.000 0.300 0.684
#> ERR315372 6 0.3885 0.770 0.000 0.004 0.012 0.000 0.300 0.684
#> ERR315472 6 0.3941 0.807 0.000 0.008 0.036 0.076 0.068 0.812
#> ERR315398 6 0.3941 0.807 0.000 0.008 0.036 0.076 0.068 0.812
#> ERR315409 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.0405 0.669 0.000 0.988 0.000 0.000 0.004 0.008
#> ERR315458 2 0.0405 0.669 0.000 0.988 0.000 0.000 0.004 0.008
#> ERR315366 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315326 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315424 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315382 5 0.1814 0.738 0.000 0.000 0.000 0.000 0.900 0.100
#> ERR315325 5 0.1814 0.738 0.000 0.000 0.000 0.000 0.900 0.100
#> ERR315369 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315485 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315420 5 0.1814 0.738 0.000 0.000 0.000 0.000 0.900 0.100
#> ERR315459 5 0.1814 0.738 0.000 0.000 0.000 0.000 0.900 0.100
#> ERR315353 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315487 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315378 2 0.3210 0.651 0.000 0.832 0.000 0.012 0.124 0.032
#> ERR315431 2 0.3210 0.651 0.000 0.832 0.000 0.012 0.124 0.032
#> ERR315335 2 0.1562 0.672 0.000 0.940 0.000 0.004 0.024 0.032
#> ERR315452 2 0.1562 0.672 0.000 0.940 0.000 0.004 0.024 0.032
#> ERR315471 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.5108 0.535 0.000 0.628 0.000 0.000 0.208 0.164
#> ERR315350 2 0.5108 0.535 0.000 0.628 0.000 0.000 0.208 0.164
#> ERR315381 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.1814 0.738 0.000 0.000 0.000 0.000 0.900 0.100
#> ERR315449 5 0.1814 0.738 0.000 0.000 0.000 0.000 0.900 0.100
#> ERR315490 2 0.4828 0.489 0.000 0.664 0.000 0.200 0.000 0.136
#> ERR315495 2 0.4828 0.489 0.000 0.664 0.000 0.200 0.000 0.136
#> ERR315361 2 0.4828 0.489 0.000 0.664 0.000 0.200 0.000 0.136
#> ERR315419 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.1890 0.731 0.000 0.024 0.000 0.000 0.916 0.060
#> ERR315352 2 0.5288 0.499 0.000 0.596 0.000 0.000 0.240 0.164
#> ERR315410 2 0.5567 0.375 0.000 0.556 0.000 0.108 0.016 0.320
#> ERR315349 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315474 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315470 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315428 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315363 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315469 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315425 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315476 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315478 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315362 6 0.3812 0.786 0.000 0.028 0.004 0.100 0.056 0.812
#> ERR315411 6 0.3812 0.786 0.000 0.028 0.004 0.100 0.056 0.812
#> ERR315416 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 2 0.5636 0.349 0.000 0.536 0.000 0.100 0.020 0.344
#> ERR315330 2 0.5636 0.349 0.000 0.536 0.000 0.100 0.020 0.344
#> ERR315384 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315413 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315332 2 0.3557 0.636 0.000 0.824 0.000 0.100 0.044 0.032
#> ERR315334 4 0.0405 0.952 0.008 0.000 0.000 0.988 0.000 0.004
#> ERR315447 4 0.0405 0.952 0.008 0.000 0.000 0.988 0.000 0.004
#> ERR315453 4 0.0405 0.952 0.008 0.000 0.000 0.988 0.000 0.004
#> ERR315442 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.1562 0.672 0.000 0.940 0.000 0.004 0.024 0.032
#> ERR315450 2 0.1562 0.672 0.000 0.940 0.000 0.004 0.024 0.032
#> ERR315462 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315389 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315435 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315482 2 0.0508 0.668 0.000 0.984 0.000 0.004 0.000 0.012
#> ERR315380 2 0.0508 0.668 0.000 0.984 0.000 0.004 0.000 0.012
#> ERR315377 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315374 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315466 5 0.1753 0.738 0.000 0.004 0.000 0.000 0.912 0.084
#> ERR315479 5 0.1753 0.738 0.000 0.004 0.000 0.000 0.912 0.084
#> ERR315473 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.2662 0.639 0.000 0.840 0.000 0.004 0.004 0.152
#> ERR315417 2 0.1562 0.672 0.000 0.940 0.000 0.004 0.024 0.032
#> ERR315385 2 0.1562 0.672 0.000 0.940 0.000 0.004 0.024 0.032
#> ERR315386 4 0.4461 0.634 0.000 0.192 0.000 0.704 0.000 0.104
#> ERR315438 4 0.4461 0.634 0.000 0.192 0.000 0.704 0.000 0.104
#> ERR315367 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315331 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315347 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315396 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315486 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315403 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315357 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315463 5 0.1890 0.731 0.000 0.024 0.000 0.000 0.916 0.060
#> ERR315451 5 0.1890 0.731 0.000 0.024 0.000 0.000 0.916 0.060
#> ERR315445 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315491 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315483 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315400 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.4516 0.535 0.000 0.668 0.000 0.000 0.260 0.072
#> ERR315421 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315370 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315355 4 0.0865 0.947 0.000 0.000 0.000 0.964 0.000 0.036
#> ERR315446 2 0.5308 0.494 0.000 0.592 0.000 0.000 0.244 0.164
#> ERR315375 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315467 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315484 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315404 1 0.0405 0.992 0.988 0.000 0.000 0.000 0.004 0.008
#> ERR315407 2 0.5636 0.349 0.000 0.536 0.000 0.100 0.020 0.344
#> ERR315340 2 0.5636 0.349 0.000 0.536 0.000 0.100 0.020 0.344
#> ERR315356 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315430 2 0.4389 0.358 0.000 0.528 0.000 0.000 0.448 0.024
#> ERR315422 5 0.5047 0.650 0.000 0.136 0.000 0.000 0.628 0.236
#> ERR315358 5 0.5047 0.650 0.000 0.136 0.000 0.000 0.628 0.236
#> ERR315448 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 6 0.3885 0.770 0.000 0.004 0.012 0.000 0.300 0.684
#> ERR315464 6 0.3885 0.770 0.000 0.004 0.012 0.000 0.300 0.684
#> ERR315481 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315365 2 0.5636 0.349 0.000 0.536 0.000 0.100 0.020 0.344
#> ERR315354 2 0.5636 0.349 0.000 0.536 0.000 0.100 0.020 0.344
#> ERR315439 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315444 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315341 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315412 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315337 5 0.5080 0.648 0.000 0.140 0.000 0.000 0.624 0.236
#> ERR315429 5 0.1753 0.738 0.000 0.004 0.000 0.000 0.912 0.084
#> ERR315436 5 0.1753 0.738 0.000 0.004 0.000 0.000 0.912 0.084
#> ERR315379 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315443 5 0.3044 0.722 0.000 0.048 0.000 0.000 0.836 0.116
#> ERR315415 2 0.5288 0.499 0.000 0.596 0.000 0.000 0.240 0.164
#> ERR315456 2 0.5288 0.499 0.000 0.596 0.000 0.000 0.240 0.164
#> ERR315336 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315399 4 0.0603 0.952 0.000 0.004 0.000 0.980 0.000 0.016
#> ERR315477 2 0.4516 0.531 0.000 0.668 0.000 0.000 0.260 0.072
#> ERR315346 4 0.0260 0.955 0.000 0.000 0.000 0.992 0.000 0.008
#> ERR315383 5 0.3044 0.722 0.000 0.048 0.000 0.000 0.836 0.116
#> ERR315494 5 0.3044 0.722 0.000 0.048 0.000 0.000 0.836 0.116
#> ERR315492 2 0.5288 0.499 0.000 0.596 0.000 0.000 0.240 0.164
#> ERR315432 2 0.4537 0.531 0.000 0.664 0.000 0.000 0.264 0.072
#> ERR315338 1 0.0000 0.997 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "pam"]
# you can also extract it by
# res = res_list["MAD:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.421 0.702 0.823 0.4935 0.512 0.512
#> 3 3 0.529 0.747 0.857 0.2550 0.761 0.571
#> 4 4 0.704 0.791 0.900 0.1768 0.817 0.549
#> 5 5 0.791 0.802 0.893 0.0690 0.877 0.588
#> 6 6 0.834 0.773 0.844 0.0302 0.963 0.834
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.8909 0.7388 0.692 0.308
#> ERR315339 1 0.0000 0.7154 1.000 0.000
#> ERR315376 1 0.0000 0.7154 1.000 0.000
#> ERR315343 2 0.9170 0.8022 0.332 0.668
#> ERR315342 2 0.9170 0.8022 0.332 0.668
#> ERR315468 1 0.2778 0.6682 0.952 0.048
#> ERR315434 2 0.6148 0.7680 0.152 0.848
#> ERR315489 2 0.6148 0.7680 0.152 0.848
#> ERR315371 1 0.9170 0.7402 0.668 0.332
#> ERR315433 2 0.9170 0.8022 0.332 0.668
#> ERR315368 2 0.9170 0.8022 0.332 0.668
#> ERR315465 2 0.2948 0.6275 0.052 0.948
#> ERR315437 2 0.2948 0.6275 0.052 0.948
#> ERR315327 1 0.0000 0.7154 1.000 0.000
#> ERR315394 1 0.0000 0.7154 1.000 0.000
#> ERR315427 2 0.4431 0.7460 0.092 0.908
#> ERR315360 2 0.4431 0.7460 0.092 0.908
#> ERR315426 1 0.9170 0.7402 0.668 0.332
#> ERR315387 1 0.9170 0.7402 0.668 0.332
#> ERR315475 1 0.9170 0.7402 0.668 0.332
#> ERR315395 1 0.9170 0.7402 0.668 0.332
#> ERR315333 1 0.9170 0.7402 0.668 0.332
#> ERR315460 1 0.0000 0.7154 1.000 0.000
#> ERR315372 1 0.0000 0.7154 1.000 0.000
#> ERR315472 2 0.9170 0.8022 0.332 0.668
#> ERR315398 2 0.9170 0.8022 0.332 0.668
#> ERR315409 1 0.9170 0.7402 0.668 0.332
#> ERR315423 1 0.9170 0.7402 0.668 0.332
#> ERR315402 2 0.9580 0.7568 0.380 0.620
#> ERR315458 2 0.9686 0.7380 0.396 0.604
#> ERR315366 2 0.2948 0.6275 0.052 0.948
#> ERR315345 2 0.2948 0.6275 0.052 0.948
#> ERR315326 2 0.2948 0.6275 0.052 0.948
#> ERR315424 2 0.2948 0.6275 0.052 0.948
#> ERR315382 1 0.0000 0.7154 1.000 0.000
#> ERR315325 1 0.0000 0.7154 1.000 0.000
#> ERR315369 1 0.9170 0.7402 0.668 0.332
#> ERR315485 1 0.9170 0.7402 0.668 0.332
#> ERR315420 1 0.0000 0.7154 1.000 0.000
#> ERR315459 1 0.0000 0.7154 1.000 0.000
#> ERR315353 2 0.0376 0.6695 0.004 0.996
#> ERR315487 2 0.0376 0.6695 0.004 0.996
#> ERR315378 2 0.9170 0.8022 0.332 0.668
#> ERR315431 2 0.9170 0.8022 0.332 0.668
#> ERR315335 2 0.9850 0.6933 0.428 0.572
#> ERR315452 2 0.9944 0.6479 0.456 0.544
#> ERR315471 1 0.9170 0.7402 0.668 0.332
#> ERR315390 1 0.9170 0.7402 0.668 0.332
#> ERR315329 1 0.9170 0.7402 0.668 0.332
#> ERR315393 1 0.9170 0.7402 0.668 0.332
#> ERR315488 1 0.9170 0.7402 0.668 0.332
#> ERR315351 1 0.7139 0.4122 0.804 0.196
#> ERR315350 1 0.7056 0.4218 0.808 0.192
#> ERR315381 1 0.9170 0.7402 0.668 0.332
#> ERR315388 1 0.9170 0.7402 0.668 0.332
#> ERR315418 1 0.0000 0.7154 1.000 0.000
#> ERR315449 1 0.0000 0.7154 1.000 0.000
#> ERR315490 2 0.9170 0.8022 0.332 0.668
#> ERR315495 2 0.9170 0.8022 0.332 0.668
#> ERR315361 2 0.9170 0.8022 0.332 0.668
#> ERR315419 1 0.9170 0.7402 0.668 0.332
#> ERR315344 1 0.9170 0.7402 0.668 0.332
#> ERR315414 1 0.0000 0.7154 1.000 0.000
#> ERR315352 1 0.0376 0.7122 0.996 0.004
#> ERR315410 2 0.9170 0.8022 0.332 0.668
#> ERR315349 2 0.5519 0.7629 0.128 0.872
#> ERR315474 2 0.5519 0.7629 0.128 0.872
#> ERR315470 2 0.5519 0.7629 0.128 0.872
#> ERR315428 1 0.1843 0.6895 0.972 0.028
#> ERR315363 1 0.2236 0.6813 0.964 0.036
#> ERR315469 1 0.9170 0.7402 0.668 0.332
#> ERR315425 1 0.9170 0.7402 0.668 0.332
#> ERR315476 2 0.4690 0.7512 0.100 0.900
#> ERR315478 2 0.4562 0.7489 0.096 0.904
#> ERR315362 2 0.9170 0.8022 0.332 0.668
#> ERR315411 2 0.9170 0.8022 0.332 0.668
#> ERR315416 1 0.9170 0.7402 0.668 0.332
#> ERR315405 1 0.9170 0.7402 0.668 0.332
#> ERR315408 1 0.9170 0.7402 0.668 0.332
#> ERR315364 1 0.9170 0.7402 0.668 0.332
#> ERR315359 2 0.9170 0.8022 0.332 0.668
#> ERR315330 2 0.9170 0.8022 0.332 0.668
#> ERR315384 2 0.9170 0.8022 0.332 0.668
#> ERR315413 2 0.9170 0.8022 0.332 0.668
#> ERR315332 2 0.9170 0.8022 0.332 0.668
#> ERR315334 2 0.2948 0.6275 0.052 0.948
#> ERR315447 2 0.2948 0.6275 0.052 0.948
#> ERR315453 2 0.2948 0.6275 0.052 0.948
#> ERR315442 1 0.9170 0.7402 0.668 0.332
#> ERR315457 1 0.9170 0.7402 0.668 0.332
#> ERR315392 2 0.9170 0.8022 0.332 0.668
#> ERR315450 2 0.9170 0.8022 0.332 0.668
#> ERR315462 1 0.6887 0.7244 0.816 0.184
#> ERR315328 1 0.2948 0.6636 0.948 0.052
#> ERR315389 1 0.2948 0.6636 0.948 0.052
#> ERR315435 1 0.2948 0.6636 0.948 0.052
#> ERR315482 2 0.9170 0.8022 0.332 0.668
#> ERR315380 2 0.9170 0.8022 0.332 0.668
#> ERR315377 2 0.7528 0.7874 0.216 0.784
#> ERR315374 2 0.7602 0.7880 0.220 0.780
#> ERR315466 1 0.0000 0.7154 1.000 0.000
#> ERR315479 1 0.0000 0.7154 1.000 0.000
#> ERR315473 1 0.9552 0.7013 0.624 0.376
#> ERR315391 2 0.9170 0.8022 0.332 0.668
#> ERR315417 2 0.9170 0.8022 0.332 0.668
#> ERR315385 2 0.9170 0.8022 0.332 0.668
#> ERR315386 2 0.9129 0.8024 0.328 0.672
#> ERR315438 2 0.9129 0.8024 0.328 0.672
#> ERR315367 1 0.6531 0.4805 0.832 0.168
#> ERR315331 1 0.6531 0.4805 0.832 0.168
#> ERR315347 2 0.2043 0.7006 0.032 0.968
#> ERR315396 1 0.9170 0.7402 0.668 0.332
#> ERR315486 1 0.9170 0.7402 0.668 0.332
#> ERR315403 1 0.9170 0.7402 0.668 0.332
#> ERR315357 1 0.9170 0.7402 0.668 0.332
#> ERR315463 1 0.0000 0.7154 1.000 0.000
#> ERR315451 1 0.0000 0.7154 1.000 0.000
#> ERR315445 1 0.9170 0.7402 0.668 0.332
#> ERR315461 1 0.9170 0.7402 0.668 0.332
#> ERR315397 1 0.9248 -0.0835 0.660 0.340
#> ERR315491 1 0.9000 0.0189 0.684 0.316
#> ERR315483 1 0.8955 0.0359 0.688 0.312
#> ERR315400 1 0.9170 0.7402 0.668 0.332
#> ERR315440 1 0.9170 0.7402 0.668 0.332
#> ERR315493 1 0.9170 0.7402 0.668 0.332
#> ERR315441 1 0.9170 0.7402 0.668 0.332
#> ERR315455 1 0.2778 0.6682 0.952 0.048
#> ERR315421 2 0.4562 0.7481 0.096 0.904
#> ERR315370 2 0.4431 0.7460 0.092 0.908
#> ERR315355 2 0.4431 0.7460 0.092 0.908
#> ERR315446 1 0.0376 0.7122 0.996 0.004
#> ERR315375 2 0.9087 0.8020 0.324 0.676
#> ERR315467 1 0.9170 0.7402 0.668 0.332
#> ERR315484 1 0.9170 0.7402 0.668 0.332
#> ERR315406 1 0.9170 0.7402 0.668 0.332
#> ERR315404 1 0.9170 0.7402 0.668 0.332
#> ERR315407 1 0.9775 -0.3415 0.588 0.412
#> ERR315340 1 0.9866 -0.4005 0.568 0.432
#> ERR315356 2 0.9170 0.8022 0.332 0.668
#> ERR315430 2 0.9170 0.8022 0.332 0.668
#> ERR315422 1 0.0000 0.7154 1.000 0.000
#> ERR315358 1 0.0000 0.7154 1.000 0.000
#> ERR315448 1 0.9209 0.7371 0.664 0.336
#> ERR315401 1 0.0000 0.7154 1.000 0.000
#> ERR315464 1 0.0000 0.7154 1.000 0.000
#> ERR315481 1 0.9170 0.7402 0.668 0.332
#> ERR315454 1 0.9170 0.7402 0.668 0.332
#> ERR315365 2 0.9209 0.7992 0.336 0.664
#> ERR315354 2 0.9209 0.7992 0.336 0.664
#> ERR315439 2 0.0938 0.6839 0.012 0.988
#> ERR315444 2 0.0938 0.6839 0.012 0.988
#> ERR315341 2 0.2423 0.6394 0.040 0.960
#> ERR315412 1 0.0000 0.7154 1.000 0.000
#> ERR315337 1 0.0000 0.7154 1.000 0.000
#> ERR315429 1 0.0000 0.7154 1.000 0.000
#> ERR315436 1 0.0000 0.7154 1.000 0.000
#> ERR315379 1 0.8327 0.7357 0.736 0.264
#> ERR315443 1 0.0000 0.7154 1.000 0.000
#> ERR315415 1 0.0376 0.7122 0.996 0.004
#> ERR315456 1 0.0376 0.7122 0.996 0.004
#> ERR315336 2 0.6343 0.7744 0.160 0.840
#> ERR315399 2 0.6148 0.7722 0.152 0.848
#> ERR315477 1 0.2948 0.6636 0.948 0.052
#> ERR315346 2 0.1184 0.6815 0.016 0.984
#> ERR315383 1 0.0000 0.7154 1.000 0.000
#> ERR315494 1 0.0000 0.7154 1.000 0.000
#> ERR315492 1 0.4690 0.7228 0.900 0.100
#> ERR315432 1 0.2778 0.6682 0.952 0.048
#> ERR315338 2 0.4161 0.5873 0.084 0.916
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315339 3 0.5591 0.744 0.000 0.304 0.696
#> ERR315376 3 0.5529 0.747 0.000 0.296 0.704
#> ERR315343 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315342 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315468 3 0.6079 0.685 0.000 0.388 0.612
#> ERR315434 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315489 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315371 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315433 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315368 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315465 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315437 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315327 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315394 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315427 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315360 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315426 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315460 3 0.4399 0.784 0.000 0.188 0.812
#> ERR315372 3 0.4399 0.784 0.000 0.188 0.812
#> ERR315472 2 0.3941 0.796 0.000 0.844 0.156
#> ERR315398 2 0.3941 0.796 0.000 0.844 0.156
#> ERR315409 3 0.0892 0.727 0.000 0.020 0.980
#> ERR315423 3 0.0892 0.727 0.000 0.020 0.980
#> ERR315402 2 0.2261 0.754 0.000 0.932 0.068
#> ERR315458 2 0.2448 0.745 0.000 0.924 0.076
#> ERR315366 1 0.8238 0.423 0.596 0.300 0.104
#> ERR315345 1 0.8186 0.441 0.604 0.292 0.104
#> ERR315326 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315424 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315382 3 0.5835 0.720 0.000 0.340 0.660
#> ERR315325 3 0.5948 0.703 0.000 0.360 0.640
#> ERR315369 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315485 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315420 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315459 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315353 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315487 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315378 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315431 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315335 2 0.3267 0.693 0.000 0.884 0.116
#> ERR315452 2 0.3686 0.655 0.000 0.860 0.140
#> ERR315471 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315351 2 0.6267 -0.356 0.000 0.548 0.452
#> ERR315350 2 0.6274 -0.368 0.000 0.544 0.456
#> ERR315381 3 0.1289 0.717 0.000 0.032 0.968
#> ERR315388 3 0.1289 0.717 0.000 0.032 0.968
#> ERR315418 3 0.4702 0.781 0.000 0.212 0.788
#> ERR315449 3 0.4796 0.780 0.000 0.220 0.780
#> ERR315490 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315495 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315361 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315419 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315344 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315414 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315352 3 0.6168 0.662 0.000 0.412 0.588
#> ERR315410 2 0.2165 0.821 0.000 0.936 0.064
#> ERR315349 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315474 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315470 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315428 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315363 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315469 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315476 2 0.3038 0.817 0.000 0.896 0.104
#> ERR315478 2 0.3038 0.817 0.000 0.896 0.104
#> ERR315362 2 0.3038 0.817 0.000 0.896 0.104
#> ERR315411 2 0.3038 0.817 0.000 0.896 0.104
#> ERR315416 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315408 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315364 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315359 2 0.2165 0.821 0.000 0.936 0.064
#> ERR315330 2 0.2165 0.821 0.000 0.936 0.064
#> ERR315384 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315413 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315332 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315334 2 0.6298 0.531 0.004 0.608 0.388
#> ERR315447 2 0.6298 0.531 0.004 0.608 0.388
#> ERR315453 2 0.6298 0.531 0.004 0.608 0.388
#> ERR315442 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315457 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315392 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315450 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315462 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315328 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315389 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315435 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315482 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315377 2 0.2959 0.818 0.000 0.900 0.100
#> ERR315374 2 0.2959 0.818 0.000 0.900 0.100
#> ERR315466 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315479 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315473 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315391 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315417 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315385 2 0.0000 0.810 0.000 1.000 0.000
#> ERR315386 2 0.2448 0.821 0.000 0.924 0.076
#> ERR315438 2 0.2448 0.821 0.000 0.924 0.076
#> ERR315367 3 0.6309 0.488 0.000 0.500 0.500
#> ERR315331 2 0.6309 -0.492 0.000 0.504 0.496
#> ERR315347 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315396 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315403 3 0.1289 0.717 0.000 0.032 0.968
#> ERR315357 3 0.1289 0.717 0.000 0.032 0.968
#> ERR315463 3 0.4121 0.781 0.000 0.168 0.832
#> ERR315451 3 0.4121 0.781 0.000 0.168 0.832
#> ERR315445 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315461 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315397 2 0.5650 0.211 0.000 0.688 0.312
#> ERR315491 2 0.5810 0.116 0.000 0.664 0.336
#> ERR315483 2 0.5835 0.099 0.000 0.660 0.340
#> ERR315400 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315440 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315455 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315421 2 0.3267 0.813 0.000 0.884 0.116
#> ERR315370 2 0.3267 0.813 0.000 0.884 0.116
#> ERR315355 2 0.3267 0.813 0.000 0.884 0.116
#> ERR315446 3 0.5948 0.713 0.000 0.360 0.640
#> ERR315375 2 0.1031 0.816 0.000 0.976 0.024
#> ERR315467 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315484 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315406 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315407 2 0.5098 0.420 0.000 0.752 0.248
#> ERR315340 2 0.4974 0.466 0.000 0.764 0.236
#> ERR315356 2 0.1289 0.788 0.000 0.968 0.032
#> ERR315430 2 0.1289 0.788 0.000 0.968 0.032
#> ERR315422 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315358 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315448 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315401 3 0.4452 0.785 0.000 0.192 0.808
#> ERR315464 3 0.4452 0.785 0.000 0.192 0.808
#> ERR315481 1 0.3941 0.826 0.844 0.000 0.156
#> ERR315454 1 0.3941 0.826 0.844 0.000 0.156
#> ERR315365 2 0.1411 0.785 0.000 0.964 0.036
#> ERR315354 2 0.1411 0.785 0.000 0.964 0.036
#> ERR315439 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315444 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315341 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315412 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315337 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315429 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315436 3 0.4555 0.782 0.000 0.200 0.800
#> ERR315379 3 0.0000 0.740 0.000 0.000 1.000
#> ERR315443 3 0.5431 0.757 0.000 0.284 0.716
#> ERR315415 3 0.6126 0.676 0.000 0.400 0.600
#> ERR315456 3 0.6126 0.676 0.000 0.400 0.600
#> ERR315336 2 0.2711 0.820 0.000 0.912 0.088
#> ERR315399 2 0.2711 0.820 0.000 0.912 0.088
#> ERR315477 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315346 2 0.4555 0.771 0.000 0.800 0.200
#> ERR315383 3 0.6095 0.684 0.000 0.392 0.608
#> ERR315494 3 0.6095 0.684 0.000 0.392 0.608
#> ERR315492 3 0.6659 0.742 0.028 0.304 0.668
#> ERR315432 3 0.6215 0.642 0.000 0.428 0.572
#> ERR315338 1 0.0000 0.963 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315339 3 0.3764 0.790 0.000 0.216 0.784 0.000
#> ERR315376 3 0.3649 0.798 0.000 0.204 0.796 0.000
#> ERR315343 2 0.3942 0.740 0.000 0.764 0.000 0.236
#> ERR315342 2 0.3942 0.740 0.000 0.764 0.000 0.236
#> ERR315468 3 0.4827 0.777 0.000 0.124 0.784 0.092
#> ERR315434 4 0.0817 0.862 0.000 0.000 0.024 0.976
#> ERR315489 4 0.0817 0.862 0.000 0.000 0.024 0.976
#> ERR315371 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315433 4 0.3400 0.684 0.000 0.180 0.000 0.820
#> ERR315368 4 0.3400 0.684 0.000 0.180 0.000 0.820
#> ERR315465 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315327 2 0.2530 0.717 0.000 0.888 0.112 0.000
#> ERR315394 2 0.2530 0.718 0.000 0.888 0.112 0.000
#> ERR315427 4 0.0707 0.863 0.000 0.000 0.020 0.980
#> ERR315360 4 0.0707 0.863 0.000 0.000 0.020 0.980
#> ERR315426 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315460 3 0.6370 0.649 0.000 0.280 0.620 0.100
#> ERR315372 3 0.6422 0.643 0.000 0.280 0.616 0.104
#> ERR315472 4 0.0592 0.863 0.000 0.000 0.016 0.984
#> ERR315398 4 0.0592 0.863 0.000 0.000 0.016 0.984
#> ERR315409 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315402 2 0.3123 0.804 0.000 0.844 0.000 0.156
#> ERR315458 2 0.3123 0.804 0.000 0.844 0.000 0.156
#> ERR315366 4 0.5203 0.239 0.416 0.000 0.008 0.576
#> ERR315345 4 0.5220 0.217 0.424 0.000 0.008 0.568
#> ERR315326 4 0.2408 0.814 0.000 0.000 0.104 0.896
#> ERR315424 4 0.2345 0.817 0.000 0.000 0.100 0.900
#> ERR315382 3 0.3942 0.780 0.000 0.236 0.764 0.000
#> ERR315325 3 0.3942 0.780 0.000 0.236 0.764 0.000
#> ERR315369 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315420 2 0.0188 0.820 0.000 0.996 0.004 0.000
#> ERR315459 2 0.0336 0.817 0.000 0.992 0.008 0.000
#> ERR315353 4 0.1792 0.840 0.000 0.000 0.068 0.932
#> ERR315487 4 0.1792 0.840 0.000 0.000 0.068 0.932
#> ERR315378 2 0.3942 0.740 0.000 0.764 0.000 0.236
#> ERR315431 2 0.3942 0.740 0.000 0.764 0.000 0.236
#> ERR315335 2 0.4585 0.621 0.000 0.668 0.000 0.332
#> ERR315452 2 0.4543 0.635 0.000 0.676 0.000 0.324
#> ERR315471 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315351 4 0.4999 -0.200 0.000 0.492 0.000 0.508
#> ERR315350 4 0.4999 -0.200 0.000 0.492 0.000 0.508
#> ERR315381 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315418 2 0.0188 0.820 0.000 0.996 0.004 0.000
#> ERR315449 2 0.0188 0.820 0.000 0.996 0.004 0.000
#> ERR315490 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315495 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315361 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315419 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315414 2 0.0336 0.818 0.000 0.992 0.008 0.000
#> ERR315352 2 0.3032 0.814 0.000 0.868 0.008 0.124
#> ERR315410 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315349 4 0.0707 0.863 0.000 0.000 0.020 0.980
#> ERR315474 4 0.0707 0.863 0.000 0.000 0.020 0.980
#> ERR315470 4 0.0707 0.863 0.000 0.000 0.020 0.980
#> ERR315428 2 0.3726 0.725 0.000 0.788 0.000 0.212
#> ERR315363 2 0.3649 0.734 0.000 0.796 0.000 0.204
#> ERR315469 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315476 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315478 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315362 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315411 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315416 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315359 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315330 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315384 2 0.3942 0.740 0.000 0.764 0.000 0.236
#> ERR315413 2 0.3942 0.740 0.000 0.764 0.000 0.236
#> ERR315332 4 0.2868 0.745 0.000 0.136 0.000 0.864
#> ERR315334 4 0.2469 0.811 0.000 0.000 0.108 0.892
#> ERR315447 4 0.2469 0.811 0.000 0.000 0.108 0.892
#> ERR315453 4 0.2469 0.811 0.000 0.000 0.108 0.892
#> ERR315442 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315392 4 0.4999 -0.202 0.000 0.492 0.000 0.508
#> ERR315450 4 0.4998 -0.188 0.000 0.488 0.000 0.512
#> ERR315462 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315328 2 0.0707 0.824 0.000 0.980 0.000 0.020
#> ERR315389 2 0.0707 0.824 0.000 0.980 0.000 0.020
#> ERR315435 2 0.0707 0.824 0.000 0.980 0.000 0.020
#> ERR315482 4 0.4998 -0.188 0.000 0.488 0.000 0.512
#> ERR315380 4 0.4998 -0.188 0.000 0.488 0.000 0.512
#> ERR315377 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315374 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315466 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315479 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315473 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315391 4 0.1716 0.820 0.000 0.064 0.000 0.936
#> ERR315417 4 0.2345 0.788 0.000 0.100 0.000 0.900
#> ERR315385 4 0.2345 0.788 0.000 0.100 0.000 0.900
#> ERR315386 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315438 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315367 2 0.2469 0.822 0.000 0.892 0.000 0.108
#> ERR315331 2 0.2469 0.822 0.000 0.892 0.000 0.108
#> ERR315347 4 0.2469 0.811 0.000 0.000 0.108 0.892
#> ERR315396 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315403 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315357 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315463 3 0.4500 0.696 0.000 0.316 0.684 0.000
#> ERR315451 3 0.4543 0.685 0.000 0.324 0.676 0.000
#> ERR315445 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315397 2 0.4916 0.381 0.000 0.576 0.000 0.424
#> ERR315491 2 0.4866 0.426 0.000 0.596 0.000 0.404
#> ERR315483 2 0.4877 0.419 0.000 0.592 0.000 0.408
#> ERR315400 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315455 2 0.2921 0.811 0.000 0.860 0.000 0.140
#> ERR315421 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315370 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315355 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315446 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315375 4 0.0000 0.862 0.000 0.000 0.000 1.000
#> ERR315467 3 0.2011 0.856 0.000 0.080 0.920 0.000
#> ERR315484 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315407 4 0.2589 0.776 0.000 0.116 0.000 0.884
#> ERR315340 4 0.2589 0.776 0.000 0.116 0.000 0.884
#> ERR315356 2 0.2469 0.822 0.000 0.892 0.000 0.108
#> ERR315430 2 0.2469 0.822 0.000 0.892 0.000 0.108
#> ERR315422 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315358 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315448 1 0.0000 0.999 1.000 0.000 0.000 0.000
#> ERR315401 3 0.6663 0.615 0.000 0.280 0.596 0.124
#> ERR315464 3 0.6663 0.615 0.000 0.280 0.596 0.124
#> ERR315481 1 0.0592 0.982 0.984 0.000 0.016 0.000
#> ERR315454 1 0.0592 0.982 0.984 0.000 0.016 0.000
#> ERR315365 4 0.3024 0.741 0.000 0.148 0.000 0.852
#> ERR315354 4 0.3024 0.741 0.000 0.148 0.000 0.852
#> ERR315439 4 0.1302 0.853 0.000 0.000 0.044 0.956
#> ERR315444 4 0.1389 0.851 0.000 0.000 0.048 0.952
#> ERR315341 4 0.1792 0.840 0.000 0.000 0.068 0.932
#> ERR315412 2 0.4356 0.605 0.000 0.708 0.000 0.292
#> ERR315337 2 0.4356 0.605 0.000 0.708 0.000 0.292
#> ERR315429 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315436 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315379 3 0.0000 0.885 0.000 0.000 1.000 0.000
#> ERR315443 3 0.3945 0.789 0.000 0.216 0.780 0.004
#> ERR315415 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315456 2 0.1888 0.825 0.000 0.940 0.016 0.044
#> ERR315336 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315399 4 0.0336 0.864 0.000 0.000 0.008 0.992
#> ERR315477 2 0.0000 0.822 0.000 1.000 0.000 0.000
#> ERR315346 4 0.1792 0.840 0.000 0.000 0.068 0.932
#> ERR315383 3 0.5759 0.669 0.000 0.232 0.688 0.080
#> ERR315494 3 0.4775 0.785 0.000 0.140 0.784 0.076
#> ERR315492 2 0.8619 0.275 0.040 0.420 0.232 0.308
#> ERR315432 2 0.0188 0.823 0.000 0.996 0.000 0.004
#> ERR315338 1 0.0000 0.999 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315339 5 0.4192 0.4588 0.000 0.000 0.404 0.000 0.596
#> ERR315376 5 0.4182 0.4662 0.000 0.000 0.400 0.000 0.600
#> ERR315343 2 0.3366 0.7156 0.000 0.768 0.000 0.232 0.000
#> ERR315342 2 0.3366 0.7156 0.000 0.768 0.000 0.232 0.000
#> ERR315468 5 0.5030 0.4552 0.000 0.044 0.352 0.000 0.604
#> ERR315434 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315489 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315371 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315433 4 0.3671 0.6343 0.000 0.236 0.000 0.756 0.008
#> ERR315368 4 0.3671 0.6343 0.000 0.236 0.000 0.756 0.008
#> ERR315465 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.3064 0.7494 0.000 0.108 0.036 0.000 0.856
#> ERR315394 5 0.3090 0.7498 0.000 0.104 0.040 0.000 0.856
#> ERR315427 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315360 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315426 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315460 5 0.0000 0.7558 0.000 0.000 0.000 0.000 1.000
#> ERR315372 5 0.0000 0.7558 0.000 0.000 0.000 0.000 1.000
#> ERR315472 4 0.1041 0.9095 0.000 0.032 0.000 0.964 0.004
#> ERR315398 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315409 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.2653 0.7220 0.000 0.880 0.000 0.024 0.096
#> ERR315458 2 0.2740 0.7237 0.000 0.876 0.000 0.028 0.096
#> ERR315366 4 0.4015 0.4560 0.348 0.000 0.000 0.652 0.000
#> ERR315345 4 0.4045 0.4381 0.356 0.000 0.000 0.644 0.000
#> ERR315326 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315424 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315382 5 0.2377 0.7458 0.000 0.000 0.128 0.000 0.872
#> ERR315325 5 0.2377 0.7458 0.000 0.000 0.128 0.000 0.872
#> ERR315369 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.2424 0.7461 0.000 0.132 0.000 0.000 0.868
#> ERR315459 5 0.2424 0.7461 0.000 0.132 0.000 0.000 0.868
#> ERR315353 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315487 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315378 2 0.3366 0.7156 0.000 0.768 0.000 0.232 0.000
#> ERR315431 2 0.3366 0.7156 0.000 0.768 0.000 0.232 0.000
#> ERR315335 2 0.4334 0.7327 0.000 0.768 0.000 0.140 0.092
#> ERR315452 2 0.4343 0.7324 0.000 0.768 0.000 0.136 0.096
#> ERR315471 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.4577 0.6789 0.000 0.748 0.000 0.108 0.144
#> ERR315350 2 0.4577 0.6789 0.000 0.748 0.000 0.108 0.144
#> ERR315381 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.2377 0.7475 0.000 0.128 0.000 0.000 0.872
#> ERR315449 5 0.2377 0.7475 0.000 0.128 0.000 0.000 0.872
#> ERR315490 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315495 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315361 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315419 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315414 5 0.2674 0.7426 0.000 0.140 0.004 0.000 0.856
#> ERR315352 2 0.4219 0.2929 0.000 0.584 0.000 0.000 0.416
#> ERR315410 4 0.1168 0.9065 0.000 0.032 0.000 0.960 0.008
#> ERR315349 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315474 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315470 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315428 5 0.2920 0.6800 0.000 0.016 0.000 0.132 0.852
#> ERR315363 5 0.2873 0.6843 0.000 0.016 0.000 0.128 0.856
#> ERR315469 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315476 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315478 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315362 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315411 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315416 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315359 4 0.1579 0.8968 0.000 0.032 0.000 0.944 0.024
#> ERR315330 4 0.1579 0.8968 0.000 0.032 0.000 0.944 0.024
#> ERR315384 2 0.2561 0.7366 0.000 0.856 0.000 0.144 0.000
#> ERR315413 2 0.2561 0.7366 0.000 0.856 0.000 0.144 0.000
#> ERR315332 4 0.3395 0.6432 0.000 0.236 0.000 0.764 0.000
#> ERR315334 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315447 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315453 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315442 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.5084 0.5827 0.000 0.616 0.000 0.332 0.052
#> ERR315450 2 0.5129 0.5878 0.000 0.616 0.000 0.328 0.056
#> ERR315462 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315328 2 0.2966 0.6572 0.000 0.816 0.000 0.000 0.184
#> ERR315389 2 0.2966 0.6572 0.000 0.816 0.000 0.000 0.184
#> ERR315435 2 0.2966 0.6572 0.000 0.816 0.000 0.000 0.184
#> ERR315482 2 0.4415 0.4916 0.000 0.604 0.000 0.388 0.008
#> ERR315380 2 0.4415 0.4916 0.000 0.604 0.000 0.388 0.008
#> ERR315377 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315374 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315466 5 0.2561 0.7412 0.000 0.144 0.000 0.000 0.856
#> ERR315479 5 0.2561 0.7412 0.000 0.144 0.000 0.000 0.856
#> ERR315473 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315391 4 0.3171 0.7576 0.000 0.176 0.000 0.816 0.008
#> ERR315417 4 0.1956 0.8696 0.000 0.076 0.000 0.916 0.008
#> ERR315385 4 0.2017 0.8654 0.000 0.080 0.000 0.912 0.008
#> ERR315386 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315438 4 0.0880 0.9110 0.000 0.032 0.000 0.968 0.000
#> ERR315367 2 0.2561 0.6902 0.000 0.856 0.000 0.000 0.144
#> ERR315331 2 0.2561 0.6902 0.000 0.856 0.000 0.000 0.144
#> ERR315347 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315396 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315403 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315357 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315463 5 0.2561 0.7382 0.000 0.000 0.144 0.000 0.856
#> ERR315451 5 0.2674 0.7393 0.000 0.004 0.140 0.000 0.856
#> ERR315445 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.6026 0.2967 0.000 0.228 0.000 0.192 0.580
#> ERR315491 5 0.5654 0.3928 0.000 0.224 0.000 0.148 0.628
#> ERR315483 5 0.5759 0.3714 0.000 0.224 0.000 0.160 0.616
#> ERR315400 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.1792 0.7114 0.000 0.916 0.000 0.000 0.084
#> ERR315421 4 0.0510 0.9158 0.000 0.016 0.000 0.984 0.000
#> ERR315370 4 0.0510 0.9158 0.000 0.016 0.000 0.984 0.000
#> ERR315355 4 0.0404 0.9166 0.000 0.012 0.000 0.988 0.000
#> ERR315446 5 0.3424 0.6386 0.000 0.240 0.000 0.000 0.760
#> ERR315375 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315467 3 0.3210 0.6451 0.000 0.000 0.788 0.000 0.212
#> ERR315484 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315406 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315407 4 0.5114 -0.0994 0.000 0.036 0.000 0.492 0.472
#> ERR315340 4 0.5114 -0.0994 0.000 0.036 0.000 0.492 0.472
#> ERR315356 2 0.2561 0.6902 0.000 0.856 0.000 0.000 0.144
#> ERR315430 2 0.2561 0.6902 0.000 0.856 0.000 0.000 0.144
#> ERR315422 5 0.0290 0.7542 0.000 0.008 0.000 0.000 0.992
#> ERR315358 5 0.0290 0.7542 0.000 0.008 0.000 0.000 0.992
#> ERR315448 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.0451 0.7592 0.000 0.000 0.004 0.008 0.988
#> ERR315464 5 0.0451 0.7592 0.000 0.000 0.004 0.008 0.988
#> ERR315481 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
#> ERR315365 5 0.5148 0.2328 0.000 0.040 0.000 0.432 0.528
#> ERR315354 5 0.5112 0.1331 0.000 0.036 0.000 0.468 0.496
#> ERR315439 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315444 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315341 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315412 5 0.2707 0.6855 0.000 0.008 0.000 0.132 0.860
#> ERR315337 5 0.2707 0.6855 0.000 0.008 0.000 0.132 0.860
#> ERR315429 5 0.2561 0.7412 0.000 0.144 0.000 0.000 0.856
#> ERR315436 5 0.2561 0.7412 0.000 0.144 0.000 0.000 0.856
#> ERR315379 3 0.0000 0.9872 0.000 0.000 1.000 0.000 0.000
#> ERR315443 5 0.3934 0.6531 0.000 0.016 0.244 0.000 0.740
#> ERR315415 2 0.4297 0.0238 0.000 0.528 0.000 0.000 0.472
#> ERR315456 2 0.4262 0.1876 0.000 0.560 0.000 0.000 0.440
#> ERR315336 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315399 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315477 2 0.2280 0.6945 0.000 0.880 0.000 0.000 0.120
#> ERR315346 4 0.0000 0.9184 0.000 0.000 0.000 1.000 0.000
#> ERR315383 5 0.3551 0.7045 0.000 0.044 0.136 0.000 0.820
#> ERR315494 5 0.4355 0.6455 0.000 0.044 0.224 0.000 0.732
#> ERR315492 5 0.7895 0.4932 0.032 0.216 0.136 0.092 0.524
#> ERR315432 2 0.0963 0.7006 0.000 0.964 0.000 0.000 0.036
#> ERR315338 1 0.0000 1.0000 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315339 5 0.3997 0.06735 0.000 0.000 0.488 0.000 0.508 0.004
#> ERR315376 5 0.3996 0.07097 0.000 0.000 0.484 0.000 0.512 0.004
#> ERR315343 2 0.3266 0.60129 0.000 0.728 0.000 0.272 0.000 0.000
#> ERR315342 2 0.3221 0.60968 0.000 0.736 0.000 0.264 0.000 0.000
#> ERR315468 6 0.5589 0.72322 0.000 0.008 0.124 0.000 0.340 0.528
#> ERR315434 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315489 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315371 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 4 0.2854 0.66014 0.000 0.208 0.000 0.792 0.000 0.000
#> ERR315368 4 0.2854 0.66014 0.000 0.208 0.000 0.792 0.000 0.000
#> ERR315465 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.1149 0.76134 0.000 0.024 0.008 0.000 0.960 0.008
#> ERR315394 5 0.1426 0.75956 0.000 0.028 0.016 0.000 0.948 0.008
#> ERR315427 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315360 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315426 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315333 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315460 5 0.1141 0.74673 0.000 0.000 0.000 0.000 0.948 0.052
#> ERR315372 5 0.1141 0.74673 0.000 0.000 0.000 0.000 0.948 0.052
#> ERR315472 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315398 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315409 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.3782 0.51839 0.000 0.588 0.000 0.000 0.000 0.412
#> ERR315458 2 0.3782 0.51839 0.000 0.588 0.000 0.000 0.000 0.412
#> ERR315366 4 0.3482 0.49049 0.316 0.000 0.000 0.684 0.000 0.000
#> ERR315345 4 0.3515 0.47390 0.324 0.000 0.000 0.676 0.000 0.000
#> ERR315326 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315424 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315382 5 0.2136 0.72665 0.000 0.000 0.048 0.000 0.904 0.048
#> ERR315325 5 0.2136 0.72665 0.000 0.000 0.048 0.000 0.904 0.048
#> ERR315369 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315485 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315420 5 0.1075 0.74630 0.000 0.000 0.000 0.000 0.952 0.048
#> ERR315459 5 0.1075 0.74630 0.000 0.000 0.000 0.000 0.952 0.048
#> ERR315353 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315487 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315378 2 0.3221 0.60968 0.000 0.736 0.000 0.264 0.000 0.000
#> ERR315431 2 0.3221 0.60968 0.000 0.736 0.000 0.264 0.000 0.000
#> ERR315335 2 0.4353 0.53373 0.000 0.588 0.000 0.020 0.004 0.388
#> ERR315452 2 0.3907 0.51503 0.000 0.588 0.000 0.000 0.004 0.408
#> ERR315471 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.4712 0.45112 0.000 0.564 0.000 0.000 0.052 0.384
#> ERR315350 2 0.4703 0.45557 0.000 0.568 0.000 0.000 0.052 0.380
#> ERR315381 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.1075 0.74630 0.000 0.000 0.000 0.000 0.952 0.048
#> ERR315449 5 0.1075 0.74630 0.000 0.000 0.000 0.000 0.952 0.048
#> ERR315490 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315495 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315361 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315419 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.0291 0.77207 0.000 0.004 0.000 0.000 0.992 0.004
#> ERR315352 2 0.5188 0.46652 0.000 0.588 0.000 0.000 0.124 0.288
#> ERR315410 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315349 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315474 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315470 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315428 6 0.3862 0.90806 0.000 0.000 0.000 0.000 0.476 0.524
#> ERR315363 6 0.3862 0.90806 0.000 0.000 0.000 0.000 0.476 0.524
#> ERR315469 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315425 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315476 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315478 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315362 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315411 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315416 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 4 0.0622 0.88987 0.000 0.008 0.000 0.980 0.012 0.000
#> ERR315330 4 0.0622 0.88987 0.000 0.008 0.000 0.980 0.012 0.000
#> ERR315384 2 0.4426 0.62986 0.000 0.736 0.000 0.184 0.048 0.032
#> ERR315413 2 0.4385 0.62971 0.000 0.736 0.000 0.188 0.048 0.028
#> ERR315332 4 0.2883 0.65335 0.000 0.212 0.000 0.788 0.000 0.000
#> ERR315334 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315447 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315453 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315442 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.5671 0.53954 0.000 0.508 0.000 0.312 0.000 0.180
#> ERR315450 2 0.5694 0.53822 0.000 0.504 0.000 0.312 0.000 0.184
#> ERR315462 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315328 2 0.3266 0.55759 0.000 0.728 0.000 0.000 0.272 0.000
#> ERR315389 2 0.3266 0.55759 0.000 0.728 0.000 0.000 0.272 0.000
#> ERR315435 2 0.3266 0.55759 0.000 0.728 0.000 0.000 0.272 0.000
#> ERR315482 2 0.5228 0.39663 0.000 0.504 0.000 0.400 0.000 0.096
#> ERR315380 2 0.5228 0.39663 0.000 0.504 0.000 0.400 0.000 0.096
#> ERR315377 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315374 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315466 5 0.0260 0.77261 0.000 0.000 0.000 0.000 0.992 0.008
#> ERR315479 5 0.0260 0.77261 0.000 0.000 0.000 0.000 0.992 0.008
#> ERR315473 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 4 0.6626 0.04888 0.000 0.272 0.000 0.464 0.048 0.216
#> ERR315417 4 0.2812 0.76838 0.000 0.048 0.000 0.856 0.000 0.096
#> ERR315385 4 0.2875 0.76366 0.000 0.052 0.000 0.852 0.000 0.096
#> ERR315386 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315438 4 0.0260 0.89761 0.000 0.008 0.000 0.992 0.000 0.000
#> ERR315367 2 0.3617 0.57610 0.000 0.736 0.000 0.000 0.244 0.020
#> ERR315331 2 0.3617 0.57610 0.000 0.736 0.000 0.000 0.244 0.020
#> ERR315347 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315396 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315486 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315403 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315357 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315463 5 0.1349 0.74882 0.000 0.000 0.056 0.000 0.940 0.004
#> ERR315451 5 0.1462 0.74855 0.000 0.000 0.056 0.000 0.936 0.008
#> ERR315445 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 6 0.5420 0.81116 0.000 0.072 0.000 0.020 0.376 0.532
#> ERR315491 6 0.5077 0.85093 0.000 0.068 0.000 0.004 0.404 0.524
#> ERR315483 6 0.5065 0.84249 0.000 0.068 0.000 0.004 0.396 0.532
#> ERR315400 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.3920 0.56755 0.000 0.736 0.000 0.000 0.048 0.216
#> ERR315421 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315370 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315355 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315446 5 0.5966 0.03333 0.000 0.340 0.000 0.000 0.428 0.232
#> ERR315375 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315467 3 0.2260 0.79064 0.000 0.000 0.860 0.000 0.140 0.000
#> ERR315484 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315406 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315404 1 0.3198 0.82064 0.740 0.000 0.000 0.000 0.000 0.260
#> ERR315407 4 0.4987 0.28270 0.000 0.008 0.000 0.588 0.340 0.064
#> ERR315340 4 0.4831 0.31061 0.000 0.008 0.000 0.600 0.340 0.052
#> ERR315356 2 0.4037 0.58979 0.000 0.736 0.000 0.000 0.200 0.064
#> ERR315430 2 0.4037 0.58979 0.000 0.736 0.000 0.000 0.200 0.064
#> ERR315422 6 0.3862 0.90806 0.000 0.000 0.000 0.000 0.476 0.524
#> ERR315358 6 0.3862 0.90806 0.000 0.000 0.000 0.000 0.476 0.524
#> ERR315448 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.1410 0.75382 0.000 0.000 0.004 0.008 0.944 0.044
#> ERR315464 5 0.1410 0.75382 0.000 0.000 0.004 0.008 0.944 0.044
#> ERR315481 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315365 4 0.6326 -0.37339 0.000 0.008 0.000 0.356 0.340 0.296
#> ERR315354 4 0.6196 -0.19534 0.000 0.008 0.000 0.420 0.336 0.236
#> ERR315439 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315444 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315341 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315412 6 0.3862 0.90806 0.000 0.000 0.000 0.000 0.476 0.524
#> ERR315337 6 0.3862 0.90806 0.000 0.000 0.000 0.000 0.476 0.524
#> ERR315429 5 0.0260 0.77261 0.000 0.000 0.000 0.000 0.992 0.008
#> ERR315436 5 0.0260 0.77261 0.000 0.000 0.000 0.000 0.992 0.008
#> ERR315379 3 0.0000 0.99145 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315443 6 0.4830 0.86483 0.000 0.004 0.044 0.000 0.456 0.496
#> ERR315415 2 0.5392 0.41986 0.000 0.584 0.000 0.000 0.192 0.224
#> ERR315456 2 0.5246 0.45804 0.000 0.596 0.000 0.000 0.148 0.256
#> ERR315336 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315399 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315477 2 0.4038 0.56421 0.000 0.728 0.000 0.000 0.056 0.216
#> ERR315346 4 0.0000 0.90004 0.000 0.000 0.000 1.000 0.000 0.000
#> ERR315383 6 0.4217 0.90618 0.000 0.008 0.004 0.000 0.464 0.524
#> ERR315494 6 0.4400 0.90344 0.000 0.008 0.012 0.000 0.456 0.524
#> ERR315492 2 0.8131 0.00237 0.012 0.312 0.140 0.016 0.280 0.240
#> ERR315432 2 0.4039 0.56546 0.000 0.732 0.000 0.000 0.060 0.208
#> ERR315338 1 0.0000 0.93689 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "mclust"]
# you can also extract it by
# res = res_list["MAD:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.782 0.812 0.917 0.3811 0.699 0.699
#> 3 3 0.585 0.873 0.915 0.3016 0.848 0.782
#> 4 4 0.644 0.822 0.874 0.4212 0.716 0.488
#> 5 5 0.706 0.725 0.845 0.0962 0.930 0.756
#> 6 6 0.727 0.739 0.856 0.0140 0.964 0.843
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.2423 0.866 0.040 0.960
#> ERR315339 2 0.0000 0.888 0.000 1.000
#> ERR315376 2 0.0000 0.888 0.000 1.000
#> ERR315343 2 0.0000 0.888 0.000 1.000
#> ERR315342 2 0.0000 0.888 0.000 1.000
#> ERR315468 2 0.2043 0.873 0.032 0.968
#> ERR315434 2 0.0000 0.888 0.000 1.000
#> ERR315489 2 0.0000 0.888 0.000 1.000
#> ERR315371 1 0.0000 0.999 1.000 0.000
#> ERR315433 2 0.0000 0.888 0.000 1.000
#> ERR315368 2 0.0000 0.888 0.000 1.000
#> ERR315465 1 0.0376 0.996 0.996 0.004
#> ERR315437 1 0.0376 0.996 0.996 0.004
#> ERR315327 2 0.0000 0.888 0.000 1.000
#> ERR315394 2 0.0000 0.888 0.000 1.000
#> ERR315427 2 0.9933 0.325 0.452 0.548
#> ERR315360 2 0.9933 0.325 0.452 0.548
#> ERR315426 1 0.0000 0.999 1.000 0.000
#> ERR315387 1 0.0000 0.999 1.000 0.000
#> ERR315475 1 0.0000 0.999 1.000 0.000
#> ERR315395 1 0.0000 0.999 1.000 0.000
#> ERR315333 1 0.0000 0.999 1.000 0.000
#> ERR315460 2 0.0000 0.888 0.000 1.000
#> ERR315372 2 0.0000 0.888 0.000 1.000
#> ERR315472 2 0.0000 0.888 0.000 1.000
#> ERR315398 2 0.0000 0.888 0.000 1.000
#> ERR315409 2 0.4161 0.837 0.084 0.916
#> ERR315423 2 0.4161 0.837 0.084 0.916
#> ERR315402 2 0.0000 0.888 0.000 1.000
#> ERR315458 2 0.0000 0.888 0.000 1.000
#> ERR315366 1 0.0376 0.996 0.996 0.004
#> ERR315345 1 0.0376 0.996 0.996 0.004
#> ERR315326 2 0.9963 0.295 0.464 0.536
#> ERR315424 2 0.9963 0.295 0.464 0.536
#> ERR315382 2 0.0000 0.888 0.000 1.000
#> ERR315325 2 0.0000 0.888 0.000 1.000
#> ERR315369 2 0.4161 0.837 0.084 0.916
#> ERR315485 2 0.4161 0.837 0.084 0.916
#> ERR315420 2 0.0000 0.888 0.000 1.000
#> ERR315459 2 0.0000 0.888 0.000 1.000
#> ERR315353 2 0.9963 0.295 0.464 0.536
#> ERR315487 2 0.9963 0.295 0.464 0.536
#> ERR315378 2 0.0000 0.888 0.000 1.000
#> ERR315431 2 0.0000 0.888 0.000 1.000
#> ERR315335 2 0.0000 0.888 0.000 1.000
#> ERR315452 2 0.0000 0.888 0.000 1.000
#> ERR315471 1 0.0000 0.999 1.000 0.000
#> ERR315390 1 0.0000 0.999 1.000 0.000
#> ERR315329 1 0.0000 0.999 1.000 0.000
#> ERR315393 1 0.0000 0.999 1.000 0.000
#> ERR315488 1 0.0000 0.999 1.000 0.000
#> ERR315351 2 0.0000 0.888 0.000 1.000
#> ERR315350 2 0.0000 0.888 0.000 1.000
#> ERR315381 2 0.4161 0.837 0.084 0.916
#> ERR315388 2 0.4161 0.837 0.084 0.916
#> ERR315418 2 0.0000 0.888 0.000 1.000
#> ERR315449 2 0.0000 0.888 0.000 1.000
#> ERR315490 2 0.0000 0.888 0.000 1.000
#> ERR315495 2 0.0000 0.888 0.000 1.000
#> ERR315361 2 0.0000 0.888 0.000 1.000
#> ERR315419 2 0.4161 0.837 0.084 0.916
#> ERR315344 2 0.4161 0.837 0.084 0.916
#> ERR315414 2 0.0000 0.888 0.000 1.000
#> ERR315352 2 0.0000 0.888 0.000 1.000
#> ERR315410 2 0.2043 0.873 0.032 0.968
#> ERR315349 2 0.9922 0.333 0.448 0.552
#> ERR315474 2 0.9922 0.333 0.448 0.552
#> ERR315470 2 0.9922 0.333 0.448 0.552
#> ERR315428 2 0.0000 0.888 0.000 1.000
#> ERR315363 2 0.0000 0.888 0.000 1.000
#> ERR315469 1 0.0000 0.999 1.000 0.000
#> ERR315425 1 0.0000 0.999 1.000 0.000
#> ERR315476 2 0.9944 0.315 0.456 0.544
#> ERR315478 2 0.9944 0.315 0.456 0.544
#> ERR315362 2 0.0000 0.888 0.000 1.000
#> ERR315411 2 0.0000 0.888 0.000 1.000
#> ERR315416 1 0.0000 0.999 1.000 0.000
#> ERR315405 1 0.0000 0.999 1.000 0.000
#> ERR315408 2 0.4161 0.837 0.084 0.916
#> ERR315364 2 0.4161 0.837 0.084 0.916
#> ERR315359 2 0.2043 0.873 0.032 0.968
#> ERR315330 2 0.2043 0.873 0.032 0.968
#> ERR315384 2 0.0000 0.888 0.000 1.000
#> ERR315413 2 0.0000 0.888 0.000 1.000
#> ERR315332 2 0.0000 0.888 0.000 1.000
#> ERR315334 2 0.9963 0.295 0.464 0.536
#> ERR315447 2 0.9970 0.287 0.468 0.532
#> ERR315453 2 0.9970 0.287 0.468 0.532
#> ERR315442 2 0.4161 0.837 0.084 0.916
#> ERR315457 2 0.4161 0.837 0.084 0.916
#> ERR315392 2 0.0000 0.888 0.000 1.000
#> ERR315450 2 0.0000 0.888 0.000 1.000
#> ERR315462 2 0.0000 0.888 0.000 1.000
#> ERR315328 2 0.0000 0.888 0.000 1.000
#> ERR315389 2 0.0000 0.888 0.000 1.000
#> ERR315435 2 0.0000 0.888 0.000 1.000
#> ERR315482 2 0.0000 0.888 0.000 1.000
#> ERR315380 2 0.0000 0.888 0.000 1.000
#> ERR315377 2 0.9922 0.333 0.448 0.552
#> ERR315374 2 0.9922 0.333 0.448 0.552
#> ERR315466 2 0.0000 0.888 0.000 1.000
#> ERR315479 2 0.0000 0.888 0.000 1.000
#> ERR315473 1 0.0000 0.999 1.000 0.000
#> ERR315391 2 0.0376 0.886 0.004 0.996
#> ERR315417 2 0.0000 0.888 0.000 1.000
#> ERR315385 2 0.0000 0.888 0.000 1.000
#> ERR315386 2 0.0376 0.886 0.004 0.996
#> ERR315438 2 0.0376 0.886 0.004 0.996
#> ERR315367 2 0.0000 0.888 0.000 1.000
#> ERR315331 2 0.0000 0.888 0.000 1.000
#> ERR315347 2 0.3274 0.854 0.060 0.940
#> ERR315396 1 0.0000 0.999 1.000 0.000
#> ERR315486 1 0.0000 0.999 1.000 0.000
#> ERR315403 2 0.4022 0.840 0.080 0.920
#> ERR315357 2 0.3584 0.848 0.068 0.932
#> ERR315463 2 0.0000 0.888 0.000 1.000
#> ERR315451 2 0.0000 0.888 0.000 1.000
#> ERR315445 2 0.4161 0.837 0.084 0.916
#> ERR315461 2 0.4161 0.837 0.084 0.916
#> ERR315397 2 0.0000 0.888 0.000 1.000
#> ERR315491 2 0.0000 0.888 0.000 1.000
#> ERR315483 2 0.0000 0.888 0.000 1.000
#> ERR315400 2 0.4161 0.837 0.084 0.916
#> ERR315440 1 0.0000 0.999 1.000 0.000
#> ERR315493 1 0.0000 0.999 1.000 0.000
#> ERR315441 1 0.0000 0.999 1.000 0.000
#> ERR315455 2 0.0000 0.888 0.000 1.000
#> ERR315421 2 0.9954 0.305 0.460 0.540
#> ERR315370 2 0.9963 0.295 0.464 0.536
#> ERR315355 2 0.9944 0.315 0.456 0.544
#> ERR315446 2 0.0000 0.888 0.000 1.000
#> ERR315375 2 0.9909 0.342 0.444 0.556
#> ERR315467 2 0.0000 0.888 0.000 1.000
#> ERR315484 2 0.4161 0.837 0.084 0.916
#> ERR315406 1 0.0000 0.999 1.000 0.000
#> ERR315404 1 0.0000 0.999 1.000 0.000
#> ERR315407 2 0.2043 0.873 0.032 0.968
#> ERR315340 2 0.2043 0.873 0.032 0.968
#> ERR315356 2 0.0000 0.888 0.000 1.000
#> ERR315430 2 0.0000 0.888 0.000 1.000
#> ERR315422 2 0.0000 0.888 0.000 1.000
#> ERR315358 2 0.0000 0.888 0.000 1.000
#> ERR315448 1 0.0000 0.999 1.000 0.000
#> ERR315401 2 0.0000 0.888 0.000 1.000
#> ERR315464 2 0.0000 0.888 0.000 1.000
#> ERR315481 1 0.0376 0.996 0.996 0.004
#> ERR315454 1 0.0376 0.996 0.996 0.004
#> ERR315365 2 0.2043 0.873 0.032 0.968
#> ERR315354 2 0.2043 0.873 0.032 0.968
#> ERR315439 2 0.9933 0.325 0.452 0.548
#> ERR315444 2 0.9933 0.325 0.452 0.548
#> ERR315341 2 0.9954 0.305 0.460 0.540
#> ERR315412 2 0.0000 0.888 0.000 1.000
#> ERR315337 2 0.0000 0.888 0.000 1.000
#> ERR315429 2 0.0000 0.888 0.000 1.000
#> ERR315436 2 0.0000 0.888 0.000 1.000
#> ERR315379 2 0.0000 0.888 0.000 1.000
#> ERR315443 2 0.0000 0.888 0.000 1.000
#> ERR315415 2 0.0000 0.888 0.000 1.000
#> ERR315456 2 0.0000 0.888 0.000 1.000
#> ERR315336 2 0.9933 0.325 0.452 0.548
#> ERR315399 2 0.9933 0.325 0.452 0.548
#> ERR315477 2 0.0000 0.888 0.000 1.000
#> ERR315346 2 0.9954 0.305 0.460 0.540
#> ERR315383 2 0.1184 0.881 0.016 0.984
#> ERR315494 2 0.2043 0.873 0.032 0.968
#> ERR315492 2 0.7219 0.721 0.200 0.800
#> ERR315432 2 0.0000 0.888 0.000 1.000
#> ERR315338 1 0.0000 0.999 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.4796 0.640 0.000 0.220 0.780
#> ERR315339 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315376 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315343 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315342 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315468 2 0.3686 0.857 0.000 0.860 0.140
#> ERR315434 2 0.3686 0.863 0.000 0.860 0.140
#> ERR315489 2 0.3686 0.863 0.000 0.860 0.140
#> ERR315371 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315433 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315368 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315465 1 0.3356 0.869 0.908 0.056 0.036
#> ERR315437 1 0.3356 0.869 0.908 0.056 0.036
#> ERR315327 2 0.0424 0.894 0.000 0.992 0.008
#> ERR315394 2 0.0424 0.894 0.000 0.992 0.008
#> ERR315427 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315360 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315426 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315460 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315372 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315472 2 0.3551 0.864 0.000 0.868 0.132
#> ERR315398 2 0.3551 0.864 0.000 0.868 0.132
#> ERR315409 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315423 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315402 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315458 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315366 1 0.3356 0.869 0.908 0.056 0.036
#> ERR315345 1 0.3356 0.869 0.908 0.056 0.036
#> ERR315326 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315424 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315382 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315325 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315369 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315485 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315420 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315459 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315353 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315487 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315378 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315431 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315335 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315452 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315471 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315351 2 0.0000 0.894 0.000 1.000 0.000
#> ERR315350 2 0.0000 0.894 0.000 1.000 0.000
#> ERR315381 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315388 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315418 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315449 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315490 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315495 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315361 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315419 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315344 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315414 2 0.0424 0.894 0.000 0.992 0.008
#> ERR315352 2 0.0000 0.894 0.000 1.000 0.000
#> ERR315410 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315349 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315474 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315470 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315428 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315363 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315469 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315476 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315478 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315362 2 0.3551 0.864 0.000 0.868 0.132
#> ERR315411 2 0.3551 0.864 0.000 0.868 0.132
#> ERR315416 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315408 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315364 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315359 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315330 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315384 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315413 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315332 2 0.0424 0.893 0.000 0.992 0.008
#> ERR315334 2 0.4121 0.811 0.000 0.832 0.168
#> ERR315447 2 0.4121 0.811 0.000 0.832 0.168
#> ERR315453 2 0.4121 0.811 0.000 0.832 0.168
#> ERR315442 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315457 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315392 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315450 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315462 3 0.6302 -0.184 0.000 0.480 0.520
#> ERR315328 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315389 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315435 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315482 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315380 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315377 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315374 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315466 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315479 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315473 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315391 2 0.0424 0.893 0.000 0.992 0.008
#> ERR315417 2 0.0592 0.892 0.000 0.988 0.012
#> ERR315385 2 0.0592 0.892 0.000 0.988 0.012
#> ERR315386 2 0.2711 0.863 0.000 0.912 0.088
#> ERR315438 2 0.2356 0.870 0.000 0.928 0.072
#> ERR315367 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315331 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315347 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315396 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315403 2 0.6208 0.717 0.052 0.756 0.192
#> ERR315357 2 0.6208 0.717 0.052 0.756 0.192
#> ERR315463 2 0.0424 0.894 0.000 0.992 0.008
#> ERR315451 2 0.0424 0.894 0.000 0.992 0.008
#> ERR315445 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315461 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315397 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315491 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315483 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315400 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315440 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315455 2 0.0000 0.894 0.000 1.000 0.000
#> ERR315421 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315370 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315355 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315446 2 0.0237 0.894 0.000 0.996 0.004
#> ERR315375 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315467 2 0.2959 0.865 0.000 0.900 0.100
#> ERR315484 3 0.2280 0.928 0.052 0.008 0.940
#> ERR315406 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315407 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315340 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315356 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315430 2 0.0237 0.893 0.000 0.996 0.004
#> ERR315422 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315358 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315448 1 0.0000 0.963 1.000 0.000 0.000
#> ERR315401 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315464 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315481 1 0.5173 0.695 0.816 0.148 0.036
#> ERR315454 1 0.5173 0.695 0.816 0.148 0.036
#> ERR315365 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315354 2 0.3752 0.857 0.000 0.856 0.144
#> ERR315439 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315444 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315341 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315412 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315337 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315429 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315436 2 0.3482 0.865 0.000 0.872 0.128
#> ERR315379 2 0.5733 0.690 0.000 0.676 0.324
#> ERR315443 2 0.3686 0.857 0.000 0.860 0.140
#> ERR315415 2 0.0237 0.894 0.000 0.996 0.004
#> ERR315456 2 0.0237 0.894 0.000 0.996 0.004
#> ERR315336 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315399 2 0.3619 0.835 0.000 0.864 0.136
#> ERR315477 2 0.0000 0.894 0.000 1.000 0.000
#> ERR315346 2 0.4062 0.815 0.000 0.836 0.164
#> ERR315383 2 0.3686 0.857 0.000 0.860 0.140
#> ERR315494 2 0.3686 0.857 0.000 0.860 0.140
#> ERR315492 2 0.0237 0.894 0.000 0.996 0.004
#> ERR315432 2 0.0000 0.894 0.000 1.000 0.000
#> ERR315338 1 0.0000 0.963 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.4399 0.659 0.000 0.016 0.760 0.224
#> ERR315339 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315376 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315343 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315342 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315468 4 0.3224 0.861 0.000 0.016 0.120 0.864
#> ERR315434 4 0.2300 0.911 0.000 0.016 0.064 0.920
#> ERR315489 4 0.2300 0.911 0.000 0.016 0.064 0.920
#> ERR315371 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315433 2 0.3528 0.820 0.000 0.808 0.000 0.192
#> ERR315368 2 0.3528 0.820 0.000 0.808 0.000 0.192
#> ERR315465 1 0.4507 0.774 0.788 0.168 0.044 0.000
#> ERR315437 1 0.4507 0.774 0.788 0.168 0.044 0.000
#> ERR315327 4 0.1929 0.917 0.000 0.036 0.024 0.940
#> ERR315394 4 0.1929 0.917 0.000 0.036 0.024 0.940
#> ERR315427 2 0.2589 0.671 0.000 0.884 0.116 0.000
#> ERR315360 2 0.2530 0.674 0.000 0.888 0.112 0.000
#> ERR315426 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315395 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315460 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315372 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315472 4 0.0707 0.931 0.000 0.000 0.020 0.980
#> ERR315398 4 0.0707 0.931 0.000 0.000 0.020 0.980
#> ERR315409 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315423 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315402 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315458 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315366 1 0.4507 0.774 0.788 0.168 0.044 0.000
#> ERR315345 1 0.4507 0.774 0.788 0.168 0.044 0.000
#> ERR315326 2 0.3444 0.604 0.000 0.816 0.184 0.000
#> ERR315424 2 0.3444 0.604 0.000 0.816 0.184 0.000
#> ERR315382 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315325 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315369 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315485 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315420 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315459 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315353 2 0.3444 0.604 0.000 0.816 0.184 0.000
#> ERR315487 2 0.3444 0.604 0.000 0.816 0.184 0.000
#> ERR315378 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315431 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315335 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315452 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315471 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315351 2 0.4679 0.689 0.000 0.648 0.000 0.352
#> ERR315350 2 0.4679 0.689 0.000 0.648 0.000 0.352
#> ERR315381 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315388 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315418 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315449 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315490 2 0.3852 0.820 0.000 0.800 0.008 0.192
#> ERR315495 2 0.3852 0.820 0.000 0.800 0.008 0.192
#> ERR315361 2 0.3852 0.820 0.000 0.800 0.008 0.192
#> ERR315419 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315344 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315414 4 0.1929 0.917 0.000 0.036 0.024 0.940
#> ERR315352 2 0.4855 0.614 0.000 0.600 0.000 0.400
#> ERR315410 4 0.3812 0.839 0.000 0.028 0.140 0.832
#> ERR315349 3 0.6863 0.544 0.000 0.348 0.536 0.116
#> ERR315474 3 0.6809 0.526 0.000 0.360 0.532 0.108
#> ERR315470 3 0.6851 0.551 0.000 0.344 0.540 0.116
#> ERR315428 4 0.0592 0.929 0.000 0.016 0.000 0.984
#> ERR315363 4 0.0592 0.929 0.000 0.016 0.000 0.984
#> ERR315469 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315476 2 0.1610 0.733 0.000 0.952 0.032 0.016
#> ERR315478 2 0.1610 0.733 0.000 0.952 0.032 0.016
#> ERR315362 4 0.0895 0.929 0.000 0.004 0.020 0.976
#> ERR315411 4 0.0895 0.929 0.000 0.004 0.020 0.976
#> ERR315416 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315408 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315364 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315359 4 0.3495 0.847 0.000 0.016 0.140 0.844
#> ERR315330 4 0.3495 0.847 0.000 0.016 0.140 0.844
#> ERR315384 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315413 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315332 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315334 2 0.3688 0.577 0.000 0.792 0.208 0.000
#> ERR315447 2 0.3688 0.577 0.000 0.792 0.208 0.000
#> ERR315453 2 0.3688 0.577 0.000 0.792 0.208 0.000
#> ERR315442 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315457 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315392 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315450 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315462 3 0.5167 0.463 0.000 0.016 0.644 0.340
#> ERR315328 2 0.3945 0.817 0.000 0.780 0.004 0.216
#> ERR315389 2 0.3945 0.817 0.000 0.780 0.004 0.216
#> ERR315435 2 0.3945 0.817 0.000 0.780 0.004 0.216
#> ERR315482 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315380 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315377 2 0.1724 0.736 0.000 0.948 0.032 0.020
#> ERR315374 2 0.1724 0.736 0.000 0.948 0.032 0.020
#> ERR315466 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315479 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315473 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315391 2 0.3356 0.817 0.000 0.824 0.000 0.176
#> ERR315417 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315385 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315386 2 0.2635 0.773 0.000 0.904 0.020 0.076
#> ERR315438 2 0.2635 0.773 0.000 0.904 0.020 0.076
#> ERR315367 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315331 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315347 3 0.6867 0.577 0.000 0.324 0.552 0.124
#> ERR315396 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315403 3 0.4956 0.746 0.000 0.232 0.732 0.036
#> ERR315357 3 0.4956 0.746 0.000 0.232 0.732 0.036
#> ERR315463 4 0.1929 0.917 0.000 0.036 0.024 0.940
#> ERR315451 4 0.1929 0.917 0.000 0.036 0.024 0.940
#> ERR315445 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315461 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315397 4 0.0817 0.927 0.000 0.024 0.000 0.976
#> ERR315491 4 0.0817 0.927 0.000 0.024 0.000 0.976
#> ERR315483 4 0.0817 0.927 0.000 0.024 0.000 0.976
#> ERR315400 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315440 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315455 2 0.4643 0.698 0.000 0.656 0.000 0.344
#> ERR315421 2 0.2216 0.689 0.000 0.908 0.092 0.000
#> ERR315370 2 0.2216 0.689 0.000 0.908 0.092 0.000
#> ERR315355 2 0.2149 0.691 0.000 0.912 0.088 0.000
#> ERR315446 2 0.4888 0.590 0.000 0.588 0.000 0.412
#> ERR315375 2 0.1833 0.739 0.000 0.944 0.032 0.024
#> ERR315467 4 0.4285 0.770 0.000 0.040 0.156 0.804
#> ERR315484 3 0.0921 0.863 0.000 0.000 0.972 0.028
#> ERR315406 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315407 4 0.3495 0.847 0.000 0.016 0.140 0.844
#> ERR315340 4 0.3495 0.847 0.000 0.016 0.140 0.844
#> ERR315356 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315430 2 0.3908 0.819 0.000 0.784 0.004 0.212
#> ERR315422 4 0.0336 0.930 0.000 0.008 0.000 0.992
#> ERR315358 4 0.0336 0.930 0.000 0.008 0.000 0.992
#> ERR315448 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> ERR315401 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315464 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315481 1 0.5256 0.703 0.732 0.204 0.064 0.000
#> ERR315454 1 0.5256 0.703 0.732 0.204 0.064 0.000
#> ERR315365 4 0.3495 0.847 0.000 0.016 0.140 0.844
#> ERR315354 4 0.3495 0.847 0.000 0.016 0.140 0.844
#> ERR315439 2 0.3074 0.640 0.000 0.848 0.152 0.000
#> ERR315444 2 0.3074 0.640 0.000 0.848 0.152 0.000
#> ERR315341 2 0.3400 0.609 0.000 0.820 0.180 0.000
#> ERR315412 4 0.1118 0.916 0.000 0.036 0.000 0.964
#> ERR315337 4 0.1118 0.916 0.000 0.036 0.000 0.964
#> ERR315429 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315436 4 0.0817 0.935 0.000 0.000 0.024 0.976
#> ERR315379 3 0.4720 0.584 0.000 0.016 0.720 0.264
#> ERR315443 4 0.3224 0.861 0.000 0.016 0.120 0.864
#> ERR315415 2 0.4866 0.606 0.000 0.596 0.000 0.404
#> ERR315456 2 0.4855 0.614 0.000 0.600 0.000 0.400
#> ERR315336 2 0.1724 0.736 0.000 0.948 0.032 0.020
#> ERR315399 2 0.1724 0.736 0.000 0.948 0.032 0.020
#> ERR315477 2 0.4730 0.674 0.000 0.636 0.000 0.364
#> ERR315346 2 0.3444 0.604 0.000 0.816 0.184 0.000
#> ERR315383 4 0.3224 0.861 0.000 0.016 0.120 0.864
#> ERR315494 4 0.3224 0.861 0.000 0.016 0.120 0.864
#> ERR315492 2 0.4564 0.706 0.000 0.672 0.000 0.328
#> ERR315432 2 0.4730 0.674 0.000 0.636 0.000 0.364
#> ERR315338 1 0.0000 0.950 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.4700 0.66771 0.000 0.004 0.748 0.116 0.132
#> ERR315339 5 0.0451 0.89171 0.000 0.004 0.000 0.008 0.988
#> ERR315376 5 0.0451 0.89171 0.000 0.004 0.000 0.008 0.988
#> ERR315343 2 0.1195 0.71266 0.000 0.960 0.000 0.012 0.028
#> ERR315342 2 0.0992 0.71393 0.000 0.968 0.000 0.008 0.024
#> ERR315468 5 0.2798 0.87420 0.000 0.008 0.000 0.140 0.852
#> ERR315434 5 0.2124 0.84999 0.000 0.004 0.000 0.096 0.900
#> ERR315489 5 0.2179 0.84877 0.000 0.004 0.000 0.100 0.896
#> ERR315371 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.3035 0.66313 0.000 0.856 0.000 0.112 0.032
#> ERR315368 2 0.3035 0.66313 0.000 0.856 0.000 0.112 0.032
#> ERR315465 1 0.3366 0.73539 0.768 0.000 0.000 0.232 0.000
#> ERR315437 1 0.3366 0.73539 0.768 0.000 0.000 0.232 0.000
#> ERR315327 5 0.1117 0.88276 0.000 0.016 0.000 0.020 0.964
#> ERR315394 5 0.1117 0.88276 0.000 0.016 0.000 0.020 0.964
#> ERR315427 4 0.3949 0.56223 0.000 0.332 0.000 0.668 0.000
#> ERR315360 4 0.3949 0.56223 0.000 0.332 0.000 0.668 0.000
#> ERR315426 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315395 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315333 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315460 5 0.0162 0.89087 0.000 0.004 0.000 0.000 0.996
#> ERR315372 5 0.0162 0.89087 0.000 0.004 0.000 0.000 0.996
#> ERR315472 5 0.2488 0.87571 0.000 0.004 0.000 0.124 0.872
#> ERR315398 5 0.2488 0.87571 0.000 0.004 0.000 0.124 0.872
#> ERR315409 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315402 2 0.0771 0.71384 0.000 0.976 0.000 0.004 0.020
#> ERR315458 2 0.0771 0.71384 0.000 0.976 0.000 0.004 0.020
#> ERR315366 1 0.3395 0.73221 0.764 0.000 0.000 0.236 0.000
#> ERR315345 1 0.3395 0.73221 0.764 0.000 0.000 0.236 0.000
#> ERR315326 4 0.3073 0.77937 0.000 0.116 0.024 0.856 0.004
#> ERR315424 4 0.3073 0.77937 0.000 0.116 0.024 0.856 0.004
#> ERR315382 5 0.0162 0.89087 0.000 0.004 0.000 0.000 0.996
#> ERR315325 5 0.0162 0.89087 0.000 0.004 0.000 0.000 0.996
#> ERR315369 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315459 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315353 4 0.3031 0.77933 0.000 0.128 0.016 0.852 0.004
#> ERR315487 4 0.3031 0.77933 0.000 0.128 0.016 0.852 0.004
#> ERR315378 2 0.1195 0.71266 0.000 0.960 0.000 0.012 0.028
#> ERR315431 2 0.1364 0.70910 0.000 0.952 0.000 0.012 0.036
#> ERR315335 2 0.1195 0.71266 0.000 0.960 0.000 0.012 0.028
#> ERR315452 2 0.1195 0.71266 0.000 0.960 0.000 0.012 0.028
#> ERR315471 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.4836 0.39274 0.000 0.612 0.000 0.032 0.356
#> ERR315350 2 0.4836 0.39274 0.000 0.612 0.000 0.032 0.356
#> ERR315381 3 0.0703 0.89955 0.000 0.000 0.976 0.024 0.000
#> ERR315388 3 0.0703 0.89955 0.000 0.000 0.976 0.024 0.000
#> ERR315418 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315449 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315490 2 0.3370 0.63272 0.000 0.824 0.000 0.148 0.028
#> ERR315495 2 0.3370 0.63272 0.000 0.824 0.000 0.148 0.028
#> ERR315361 2 0.3370 0.63272 0.000 0.824 0.000 0.148 0.028
#> ERR315419 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315414 5 0.1012 0.88395 0.000 0.012 0.000 0.020 0.968
#> ERR315352 2 0.5840 0.08541 0.000 0.488 0.000 0.096 0.416
#> ERR315410 5 0.4674 0.80526 0.000 0.060 0.000 0.232 0.708
#> ERR315349 4 0.5148 0.69825 0.000 0.100 0.104 0.748 0.048
#> ERR315474 4 0.5148 0.69825 0.000 0.100 0.104 0.748 0.048
#> ERR315470 4 0.5198 0.69544 0.000 0.104 0.104 0.744 0.048
#> ERR315428 5 0.3980 0.84838 0.000 0.076 0.000 0.128 0.796
#> ERR315363 5 0.4094 0.84354 0.000 0.084 0.000 0.128 0.788
#> ERR315469 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315425 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315476 2 0.4283 -0.01090 0.000 0.544 0.000 0.456 0.000
#> ERR315478 2 0.4283 -0.01090 0.000 0.544 0.000 0.456 0.000
#> ERR315362 5 0.4847 0.79653 0.000 0.080 0.000 0.216 0.704
#> ERR315411 5 0.4847 0.79653 0.000 0.080 0.000 0.216 0.704
#> ERR315416 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315359 5 0.4240 0.82499 0.000 0.036 0.000 0.228 0.736
#> ERR315330 5 0.4240 0.82499 0.000 0.036 0.000 0.228 0.736
#> ERR315384 2 0.0898 0.71385 0.000 0.972 0.000 0.008 0.020
#> ERR315413 2 0.0898 0.71385 0.000 0.972 0.000 0.008 0.020
#> ERR315332 2 0.2505 0.67162 0.000 0.888 0.000 0.092 0.020
#> ERR315334 4 0.3356 0.77602 0.000 0.120 0.012 0.844 0.024
#> ERR315447 4 0.3356 0.77602 0.000 0.120 0.012 0.844 0.024
#> ERR315453 4 0.3356 0.77602 0.000 0.120 0.012 0.844 0.024
#> ERR315442 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315392 2 0.0898 0.71385 0.000 0.972 0.000 0.008 0.020
#> ERR315450 2 0.0898 0.71385 0.000 0.972 0.000 0.008 0.020
#> ERR315462 3 0.6053 0.42416 0.000 0.004 0.568 0.136 0.292
#> ERR315328 2 0.1216 0.70964 0.000 0.960 0.000 0.020 0.020
#> ERR315389 2 0.1216 0.70964 0.000 0.960 0.000 0.020 0.020
#> ERR315435 2 0.1216 0.70964 0.000 0.960 0.000 0.020 0.020
#> ERR315482 2 0.2110 0.68694 0.000 0.912 0.000 0.072 0.016
#> ERR315380 2 0.2110 0.68694 0.000 0.912 0.000 0.072 0.016
#> ERR315377 2 0.4262 0.05091 0.000 0.560 0.000 0.440 0.000
#> ERR315374 2 0.4262 0.05091 0.000 0.560 0.000 0.440 0.000
#> ERR315466 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315479 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315473 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.3365 0.65475 0.000 0.836 0.000 0.120 0.044
#> ERR315417 2 0.1399 0.71289 0.000 0.952 0.000 0.020 0.028
#> ERR315385 2 0.1399 0.71289 0.000 0.952 0.000 0.020 0.028
#> ERR315386 2 0.4151 0.29153 0.000 0.652 0.000 0.344 0.004
#> ERR315438 2 0.4151 0.29153 0.000 0.652 0.000 0.344 0.004
#> ERR315367 2 0.1216 0.70964 0.000 0.960 0.000 0.020 0.020
#> ERR315331 2 0.1216 0.70964 0.000 0.960 0.000 0.020 0.020
#> ERR315347 4 0.5525 0.66043 0.000 0.084 0.112 0.724 0.080
#> ERR315396 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315486 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315403 4 0.6232 0.07049 0.000 0.000 0.372 0.480 0.148
#> ERR315357 4 0.6232 0.07049 0.000 0.000 0.372 0.480 0.148
#> ERR315463 5 0.1117 0.88276 0.000 0.016 0.000 0.020 0.964
#> ERR315451 5 0.1117 0.88276 0.000 0.016 0.000 0.020 0.964
#> ERR315445 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315397 5 0.4637 0.80896 0.000 0.128 0.000 0.128 0.744
#> ERR315491 5 0.4593 0.81207 0.000 0.124 0.000 0.128 0.748
#> ERR315483 5 0.4637 0.80896 0.000 0.128 0.000 0.128 0.744
#> ERR315400 3 0.0000 0.92121 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315455 2 0.4575 0.45577 0.000 0.648 0.000 0.024 0.328
#> ERR315421 4 0.4242 0.36248 0.000 0.428 0.000 0.572 0.000
#> ERR315370 4 0.4242 0.36248 0.000 0.428 0.000 0.572 0.000
#> ERR315355 4 0.4249 0.35084 0.000 0.432 0.000 0.568 0.000
#> ERR315446 2 0.5929 0.00314 0.000 0.464 0.000 0.104 0.432
#> ERR315375 2 0.4262 0.05091 0.000 0.560 0.000 0.440 0.000
#> ERR315467 5 0.5108 0.68164 0.000 0.008 0.120 0.156 0.716
#> ERR315484 3 0.0162 0.91906 0.000 0.000 0.996 0.004 0.000
#> ERR315406 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315404 1 0.0671 0.93107 0.980 0.016 0.000 0.004 0.000
#> ERR315407 5 0.3582 0.83686 0.000 0.008 0.000 0.224 0.768
#> ERR315340 5 0.3582 0.83686 0.000 0.008 0.000 0.224 0.768
#> ERR315356 2 0.0771 0.71355 0.000 0.976 0.000 0.004 0.020
#> ERR315430 2 0.0771 0.71355 0.000 0.976 0.000 0.004 0.020
#> ERR315422 5 0.4016 0.83757 0.000 0.092 0.000 0.112 0.796
#> ERR315358 5 0.4016 0.83757 0.000 0.092 0.000 0.112 0.796
#> ERR315448 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.0162 0.89087 0.000 0.004 0.000 0.000 0.996
#> ERR315464 5 0.0162 0.89087 0.000 0.004 0.000 0.000 0.996
#> ERR315481 1 0.4310 0.48374 0.604 0.000 0.000 0.392 0.004
#> ERR315454 1 0.4310 0.48374 0.604 0.000 0.000 0.392 0.004
#> ERR315365 5 0.3582 0.83686 0.000 0.008 0.000 0.224 0.768
#> ERR315354 5 0.3582 0.83686 0.000 0.008 0.000 0.224 0.768
#> ERR315439 4 0.3074 0.73647 0.000 0.196 0.000 0.804 0.000
#> ERR315444 4 0.3109 0.73305 0.000 0.200 0.000 0.800 0.000
#> ERR315341 4 0.2956 0.77383 0.000 0.140 0.008 0.848 0.004
#> ERR315412 5 0.4221 0.81994 0.000 0.112 0.000 0.108 0.780
#> ERR315337 5 0.4221 0.81994 0.000 0.112 0.000 0.108 0.780
#> ERR315429 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315436 5 0.0609 0.88667 0.000 0.000 0.000 0.020 0.980
#> ERR315379 3 0.6000 0.35965 0.000 0.004 0.552 0.116 0.328
#> ERR315443 5 0.1628 0.89095 0.000 0.008 0.000 0.056 0.936
#> ERR315415 2 0.5884 0.06182 0.000 0.480 0.000 0.100 0.420
#> ERR315456 2 0.5884 0.06182 0.000 0.480 0.000 0.100 0.420
#> ERR315336 2 0.4262 0.05091 0.000 0.560 0.000 0.440 0.000
#> ERR315399 2 0.4262 0.05091 0.000 0.560 0.000 0.440 0.000
#> ERR315477 2 0.4252 0.44966 0.000 0.652 0.000 0.008 0.340
#> ERR315346 4 0.2984 0.77937 0.000 0.124 0.016 0.856 0.004
#> ERR315383 5 0.2017 0.88966 0.000 0.008 0.000 0.080 0.912
#> ERR315494 5 0.2017 0.88966 0.000 0.008 0.000 0.080 0.912
#> ERR315492 2 0.4299 0.37644 0.000 0.608 0.000 0.004 0.388
#> ERR315432 2 0.4718 0.42046 0.000 0.628 0.000 0.028 0.344
#> ERR315338 1 0.0000 0.93603 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.5546 0.4956 0.000 0.076 0.652 0.080 0.192 0.000
#> ERR315339 5 0.2282 0.8612 0.000 0.068 0.000 0.012 0.900 0.020
#> ERR315376 5 0.2282 0.8612 0.000 0.068 0.000 0.012 0.900 0.020
#> ERR315343 2 0.0260 0.7760 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315342 2 0.0260 0.7760 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315468 5 0.3960 0.8520 0.000 0.100 0.000 0.104 0.784 0.012
#> ERR315434 5 0.3418 0.8575 0.000 0.092 0.000 0.084 0.820 0.004
#> ERR315489 5 0.3418 0.8575 0.000 0.092 0.000 0.084 0.820 0.004
#> ERR315371 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315433 2 0.1714 0.7153 0.000 0.908 0.000 0.092 0.000 0.000
#> ERR315368 2 0.1714 0.7153 0.000 0.908 0.000 0.092 0.000 0.000
#> ERR315465 1 0.2631 0.7792 0.820 0.000 0.000 0.180 0.000 0.000
#> ERR315437 1 0.2631 0.7792 0.820 0.000 0.000 0.180 0.000 0.000
#> ERR315327 5 0.1644 0.8223 0.000 0.004 0.000 0.012 0.932 0.052
#> ERR315394 5 0.1644 0.8223 0.000 0.004 0.000 0.012 0.932 0.052
#> ERR315427 4 0.3151 0.6335 0.000 0.252 0.000 0.748 0.000 0.000
#> ERR315360 4 0.3151 0.6335 0.000 0.252 0.000 0.748 0.000 0.000
#> ERR315426 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315387 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315475 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315395 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315333 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315460 5 0.1806 0.8541 0.000 0.044 0.000 0.008 0.928 0.020
#> ERR315372 5 0.1806 0.8541 0.000 0.044 0.000 0.008 0.928 0.020
#> ERR315472 5 0.3314 0.8608 0.000 0.092 0.000 0.076 0.828 0.004
#> ERR315398 5 0.3314 0.8608 0.000 0.092 0.000 0.076 0.828 0.004
#> ERR315409 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315423 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315402 2 0.0363 0.7773 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315458 2 0.0363 0.7773 0.000 0.988 0.000 0.000 0.012 0.000
#> ERR315366 1 0.2631 0.7792 0.820 0.000 0.000 0.180 0.000 0.000
#> ERR315345 1 0.2631 0.7792 0.820 0.000 0.000 0.180 0.000 0.000
#> ERR315326 4 0.1616 0.7164 0.000 0.048 0.000 0.932 0.020 0.000
#> ERR315424 4 0.1528 0.7167 0.000 0.048 0.000 0.936 0.016 0.000
#> ERR315382 5 0.1737 0.8529 0.000 0.040 0.000 0.008 0.932 0.020
#> ERR315325 5 0.1737 0.8529 0.000 0.040 0.000 0.008 0.932 0.020
#> ERR315369 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315485 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315420 5 0.1225 0.8292 0.000 0.000 0.000 0.012 0.952 0.036
#> ERR315459 5 0.1225 0.8292 0.000 0.000 0.000 0.012 0.952 0.036
#> ERR315353 4 0.1219 0.7149 0.000 0.048 0.000 0.948 0.004 0.000
#> ERR315487 4 0.1219 0.7149 0.000 0.048 0.000 0.948 0.004 0.000
#> ERR315378 2 0.0260 0.7760 0.000 0.992 0.000 0.008 0.000 0.000
#> ERR315431 2 0.0547 0.7747 0.000 0.980 0.000 0.020 0.000 0.000
#> ERR315335 2 0.0363 0.7755 0.000 0.988 0.000 0.012 0.000 0.000
#> ERR315452 2 0.0363 0.7755 0.000 0.988 0.000 0.012 0.000 0.000
#> ERR315471 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0146 0.9076 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315488 1 0.0146 0.9076 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315351 2 0.4252 0.5143 0.000 0.676 0.000 0.008 0.288 0.028
#> ERR315350 2 0.4252 0.5143 0.000 0.676 0.000 0.008 0.288 0.028
#> ERR315381 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315388 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315418 5 0.1225 0.8292 0.000 0.000 0.000 0.012 0.952 0.036
#> ERR315449 5 0.1225 0.8292 0.000 0.000 0.000 0.012 0.952 0.036
#> ERR315490 2 0.2146 0.6991 0.000 0.880 0.000 0.116 0.004 0.000
#> ERR315495 2 0.2146 0.6991 0.000 0.880 0.000 0.116 0.004 0.000
#> ERR315361 2 0.2146 0.6991 0.000 0.880 0.000 0.116 0.004 0.000
#> ERR315419 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315344 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315414 5 0.1578 0.8240 0.000 0.004 0.000 0.012 0.936 0.048
#> ERR315352 2 0.4579 0.3010 0.000 0.584 0.000 0.008 0.380 0.028
#> ERR315410 5 0.4702 0.8117 0.000 0.112 0.000 0.168 0.708 0.012
#> ERR315349 4 0.2706 0.7022 0.000 0.056 0.008 0.876 0.060 0.000
#> ERR315474 4 0.2706 0.7031 0.000 0.060 0.008 0.876 0.056 0.000
#> ERR315470 4 0.2706 0.7022 0.000 0.056 0.008 0.876 0.060 0.000
#> ERR315428 5 0.3917 0.8455 0.000 0.144 0.000 0.064 0.780 0.012
#> ERR315363 5 0.3917 0.8455 0.000 0.144 0.000 0.064 0.780 0.012
#> ERR315469 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315425 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315476 4 0.3867 0.2421 0.000 0.488 0.000 0.512 0.000 0.000
#> ERR315478 4 0.3867 0.2421 0.000 0.488 0.000 0.512 0.000 0.000
#> ERR315362 5 0.4769 0.8039 0.000 0.144 0.000 0.140 0.704 0.012
#> ERR315411 5 0.4769 0.8039 0.000 0.144 0.000 0.140 0.704 0.012
#> ERR315416 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315364 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315359 5 0.4606 0.8149 0.000 0.100 0.000 0.172 0.716 0.012
#> ERR315330 5 0.4606 0.8149 0.000 0.100 0.000 0.172 0.716 0.012
#> ERR315384 2 0.0520 0.7773 0.000 0.984 0.000 0.008 0.008 0.000
#> ERR315413 2 0.0520 0.7773 0.000 0.984 0.000 0.008 0.008 0.000
#> ERR315332 2 0.1701 0.7289 0.000 0.920 0.000 0.072 0.008 0.000
#> ERR315334 4 0.2820 0.6555 0.024 0.016 0.004 0.872 0.084 0.000
#> ERR315447 4 0.2820 0.6555 0.024 0.016 0.004 0.872 0.084 0.000
#> ERR315453 4 0.2820 0.6555 0.024 0.016 0.004 0.872 0.084 0.000
#> ERR315442 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315457 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315392 2 0.0520 0.7773 0.000 0.984 0.000 0.008 0.008 0.000
#> ERR315450 2 0.0520 0.7773 0.000 0.984 0.000 0.008 0.008 0.000
#> ERR315462 3 0.6416 0.1264 0.000 0.088 0.488 0.092 0.332 0.000
#> ERR315328 2 0.0692 0.7746 0.000 0.976 0.000 0.000 0.020 0.004
#> ERR315389 2 0.0692 0.7746 0.000 0.976 0.000 0.000 0.020 0.004
#> ERR315435 2 0.0692 0.7746 0.000 0.976 0.000 0.000 0.020 0.004
#> ERR315482 2 0.0865 0.7610 0.000 0.964 0.000 0.036 0.000 0.000
#> ERR315380 2 0.0865 0.7610 0.000 0.964 0.000 0.036 0.000 0.000
#> ERR315377 2 0.3843 -0.0885 0.000 0.548 0.000 0.452 0.000 0.000
#> ERR315374 2 0.3843 -0.0885 0.000 0.548 0.000 0.452 0.000 0.000
#> ERR315466 5 0.1434 0.8255 0.000 0.000 0.000 0.012 0.940 0.048
#> ERR315479 5 0.1434 0.8255 0.000 0.000 0.000 0.012 0.940 0.048
#> ERR315473 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.1970 0.7181 0.000 0.900 0.000 0.092 0.008 0.000
#> ERR315417 2 0.0806 0.7749 0.000 0.972 0.000 0.020 0.008 0.000
#> ERR315385 2 0.0806 0.7749 0.000 0.972 0.000 0.020 0.008 0.000
#> ERR315386 2 0.3717 0.1314 0.000 0.616 0.000 0.384 0.000 0.000
#> ERR315438 2 0.3706 0.1449 0.000 0.620 0.000 0.380 0.000 0.000
#> ERR315367 2 0.0547 0.7756 0.000 0.980 0.000 0.000 0.020 0.000
#> ERR315331 2 0.0547 0.7756 0.000 0.980 0.000 0.000 0.020 0.000
#> ERR315347 4 0.3176 0.6788 0.000 0.052 0.008 0.840 0.100 0.000
#> ERR315396 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315486 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315403 4 0.7060 0.1520 0.016 0.060 0.172 0.480 0.268 0.004
#> ERR315357 4 0.7060 0.1520 0.016 0.060 0.172 0.480 0.268 0.004
#> ERR315463 5 0.1644 0.8223 0.000 0.004 0.000 0.012 0.932 0.052
#> ERR315451 5 0.1644 0.8223 0.000 0.004 0.000 0.012 0.932 0.052
#> ERR315445 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315461 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315397 5 0.4229 0.8209 0.000 0.180 0.000 0.064 0.744 0.012
#> ERR315491 5 0.4229 0.8209 0.000 0.180 0.000 0.064 0.744 0.012
#> ERR315483 5 0.4229 0.8209 0.000 0.180 0.000 0.064 0.744 0.012
#> ERR315400 3 0.0000 0.9291 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR315440 1 0.0146 0.9076 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315493 1 0.0146 0.9076 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315441 1 0.0146 0.9076 0.996 0.000 0.000 0.000 0.000 0.004
#> ERR315455 2 0.4213 0.5354 0.000 0.684 0.000 0.008 0.280 0.028
#> ERR315421 4 0.3634 0.5132 0.000 0.356 0.000 0.644 0.000 0.000
#> ERR315370 4 0.3620 0.5193 0.000 0.352 0.000 0.648 0.000 0.000
#> ERR315355 4 0.3647 0.5066 0.000 0.360 0.000 0.640 0.000 0.000
#> ERR315446 2 0.4598 0.2757 0.000 0.576 0.000 0.008 0.388 0.028
#> ERR315375 2 0.3838 -0.0741 0.000 0.552 0.000 0.448 0.000 0.000
#> ERR315467 5 0.4386 0.8075 0.000 0.092 0.004 0.164 0.736 0.004
#> ERR315484 3 0.0363 0.9123 0.000 0.012 0.988 0.000 0.000 0.000
#> ERR315406 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315404 6 0.1387 1.0000 0.068 0.000 0.000 0.000 0.000 0.932
#> ERR315407 5 0.4606 0.8149 0.000 0.100 0.000 0.172 0.716 0.012
#> ERR315340 5 0.4606 0.8149 0.000 0.100 0.000 0.172 0.716 0.012
#> ERR315356 2 0.0547 0.7756 0.000 0.980 0.000 0.000 0.020 0.000
#> ERR315430 2 0.0547 0.7756 0.000 0.980 0.000 0.000 0.020 0.000
#> ERR315422 5 0.3447 0.8272 0.000 0.164 0.000 0.024 0.800 0.012
#> ERR315358 5 0.3447 0.8272 0.000 0.164 0.000 0.024 0.800 0.012
#> ERR315448 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315401 5 0.2002 0.8568 0.000 0.056 0.000 0.008 0.916 0.020
#> ERR315464 5 0.2002 0.8568 0.000 0.056 0.000 0.008 0.916 0.020
#> ERR315481 1 0.4403 0.4484 0.564 0.000 0.000 0.408 0.028 0.000
#> ERR315454 1 0.4403 0.4484 0.564 0.000 0.000 0.408 0.028 0.000
#> ERR315365 5 0.4606 0.8149 0.000 0.100 0.000 0.172 0.716 0.012
#> ERR315354 5 0.4606 0.8149 0.000 0.100 0.000 0.172 0.716 0.012
#> ERR315439 4 0.1765 0.7171 0.000 0.096 0.000 0.904 0.000 0.000
#> ERR315444 4 0.1863 0.7160 0.000 0.104 0.000 0.896 0.000 0.000
#> ERR315341 4 0.1349 0.7170 0.000 0.056 0.000 0.940 0.004 0.000
#> ERR315412 5 0.3386 0.8171 0.000 0.176 0.000 0.016 0.796 0.012
#> ERR315337 5 0.3386 0.8171 0.000 0.176 0.000 0.016 0.796 0.012
#> ERR315429 5 0.1434 0.8255 0.000 0.000 0.000 0.012 0.940 0.048
#> ERR315436 5 0.1434 0.8255 0.000 0.000 0.000 0.012 0.940 0.048
#> ERR315379 5 0.6354 0.3459 0.000 0.080 0.340 0.092 0.488 0.000
#> ERR315443 5 0.3297 0.8640 0.000 0.100 0.000 0.060 0.832 0.008
#> ERR315415 2 0.4589 0.2886 0.000 0.580 0.000 0.008 0.384 0.028
#> ERR315456 2 0.4579 0.3010 0.000 0.584 0.000 0.008 0.380 0.028
#> ERR315336 4 0.3868 0.2321 0.000 0.492 0.000 0.508 0.000 0.000
#> ERR315399 4 0.3868 0.2321 0.000 0.492 0.000 0.508 0.000 0.000
#> ERR315477 2 0.4088 0.4942 0.000 0.668 0.000 0.004 0.308 0.020
#> ERR315346 4 0.1152 0.7136 0.000 0.044 0.000 0.952 0.004 0.000
#> ERR315383 5 0.3630 0.8622 0.000 0.100 0.000 0.064 0.816 0.020
#> ERR315494 5 0.3794 0.8604 0.000 0.100 0.000 0.076 0.804 0.020
#> ERR315492 2 0.4008 0.5105 0.000 0.672 0.000 0.004 0.308 0.016
#> ERR315432 2 0.4237 0.4823 0.000 0.660 0.000 0.004 0.308 0.028
#> ERR315338 1 0.0000 0.9091 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "NMF"]
# you can also extract it by
# res = res_list["MAD:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.999 1.000 0.3025 0.699 0.699
#> 3 3 0.877 0.896 0.957 1.1099 0.653 0.508
#> 4 4 0.628 0.529 0.767 0.1171 0.956 0.883
#> 5 5 0.619 0.553 0.701 0.0780 0.847 0.579
#> 6 6 0.655 0.589 0.702 0.0443 0.939 0.744
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.0000 1.000 0.000 1.000
#> ERR315339 2 0.0000 1.000 0.000 1.000
#> ERR315376 2 0.0000 1.000 0.000 1.000
#> ERR315343 2 0.0000 1.000 0.000 1.000
#> ERR315342 2 0.0000 1.000 0.000 1.000
#> ERR315468 2 0.0000 1.000 0.000 1.000
#> ERR315434 2 0.0000 1.000 0.000 1.000
#> ERR315489 2 0.0000 1.000 0.000 1.000
#> ERR315371 1 0.0000 1.000 1.000 0.000
#> ERR315433 2 0.0000 1.000 0.000 1.000
#> ERR315368 2 0.0000 1.000 0.000 1.000
#> ERR315465 1 0.0000 1.000 1.000 0.000
#> ERR315437 1 0.0000 1.000 1.000 0.000
#> ERR315327 2 0.0000 1.000 0.000 1.000
#> ERR315394 2 0.0000 1.000 0.000 1.000
#> ERR315427 2 0.0000 1.000 0.000 1.000
#> ERR315360 2 0.0000 1.000 0.000 1.000
#> ERR315426 1 0.0000 1.000 1.000 0.000
#> ERR315387 1 0.0000 1.000 1.000 0.000
#> ERR315475 1 0.0000 1.000 1.000 0.000
#> ERR315395 1 0.0000 1.000 1.000 0.000
#> ERR315333 1 0.0000 1.000 1.000 0.000
#> ERR315460 2 0.0000 1.000 0.000 1.000
#> ERR315372 2 0.0000 1.000 0.000 1.000
#> ERR315472 2 0.0000 1.000 0.000 1.000
#> ERR315398 2 0.0000 1.000 0.000 1.000
#> ERR315409 2 0.0000 1.000 0.000 1.000
#> ERR315423 2 0.0000 1.000 0.000 1.000
#> ERR315402 2 0.0000 1.000 0.000 1.000
#> ERR315458 2 0.0000 1.000 0.000 1.000
#> ERR315366 1 0.0000 1.000 1.000 0.000
#> ERR315345 1 0.0000 1.000 1.000 0.000
#> ERR315326 2 0.0000 1.000 0.000 1.000
#> ERR315424 2 0.0000 1.000 0.000 1.000
#> ERR315382 2 0.0000 1.000 0.000 1.000
#> ERR315325 2 0.0000 1.000 0.000 1.000
#> ERR315369 2 0.0000 1.000 0.000 1.000
#> ERR315485 2 0.0000 1.000 0.000 1.000
#> ERR315420 2 0.0000 1.000 0.000 1.000
#> ERR315459 2 0.0000 1.000 0.000 1.000
#> ERR315353 2 0.0000 1.000 0.000 1.000
#> ERR315487 2 0.0000 1.000 0.000 1.000
#> ERR315378 2 0.0000 1.000 0.000 1.000
#> ERR315431 2 0.0000 1.000 0.000 1.000
#> ERR315335 2 0.0000 1.000 0.000 1.000
#> ERR315452 2 0.0000 1.000 0.000 1.000
#> ERR315471 1 0.0000 1.000 1.000 0.000
#> ERR315390 1 0.0000 1.000 1.000 0.000
#> ERR315329 1 0.0000 1.000 1.000 0.000
#> ERR315393 1 0.0000 1.000 1.000 0.000
#> ERR315488 1 0.0000 1.000 1.000 0.000
#> ERR315351 2 0.0000 1.000 0.000 1.000
#> ERR315350 2 0.0000 1.000 0.000 1.000
#> ERR315381 2 0.0000 1.000 0.000 1.000
#> ERR315388 2 0.0000 1.000 0.000 1.000
#> ERR315418 2 0.0000 1.000 0.000 1.000
#> ERR315449 2 0.0000 1.000 0.000 1.000
#> ERR315490 2 0.0000 1.000 0.000 1.000
#> ERR315495 2 0.0000 1.000 0.000 1.000
#> ERR315361 2 0.0000 1.000 0.000 1.000
#> ERR315419 2 0.0672 0.992 0.008 0.992
#> ERR315344 2 0.0672 0.992 0.008 0.992
#> ERR315414 2 0.0000 1.000 0.000 1.000
#> ERR315352 2 0.0000 1.000 0.000 1.000
#> ERR315410 2 0.0000 1.000 0.000 1.000
#> ERR315349 2 0.0000 1.000 0.000 1.000
#> ERR315474 2 0.0000 1.000 0.000 1.000
#> ERR315470 2 0.0000 1.000 0.000 1.000
#> ERR315428 2 0.0000 1.000 0.000 1.000
#> ERR315363 2 0.0000 1.000 0.000 1.000
#> ERR315469 1 0.0000 1.000 1.000 0.000
#> ERR315425 1 0.0000 1.000 1.000 0.000
#> ERR315476 2 0.0000 1.000 0.000 1.000
#> ERR315478 2 0.0000 1.000 0.000 1.000
#> ERR315362 2 0.0000 1.000 0.000 1.000
#> ERR315411 2 0.0000 1.000 0.000 1.000
#> ERR315416 1 0.0000 1.000 1.000 0.000
#> ERR315405 1 0.0000 1.000 1.000 0.000
#> ERR315408 2 0.0000 1.000 0.000 1.000
#> ERR315364 2 0.0000 1.000 0.000 1.000
#> ERR315359 2 0.0000 1.000 0.000 1.000
#> ERR315330 2 0.0000 1.000 0.000 1.000
#> ERR315384 2 0.0000 1.000 0.000 1.000
#> ERR315413 2 0.0000 1.000 0.000 1.000
#> ERR315332 2 0.0000 1.000 0.000 1.000
#> ERR315334 2 0.1184 0.984 0.016 0.984
#> ERR315447 2 0.1184 0.984 0.016 0.984
#> ERR315453 2 0.1184 0.984 0.016 0.984
#> ERR315442 2 0.0000 1.000 0.000 1.000
#> ERR315457 2 0.0000 1.000 0.000 1.000
#> ERR315392 2 0.0000 1.000 0.000 1.000
#> ERR315450 2 0.0000 1.000 0.000 1.000
#> ERR315462 2 0.0000 1.000 0.000 1.000
#> ERR315328 2 0.0000 1.000 0.000 1.000
#> ERR315389 2 0.0000 1.000 0.000 1.000
#> ERR315435 2 0.0000 1.000 0.000 1.000
#> ERR315482 2 0.0000 1.000 0.000 1.000
#> ERR315380 2 0.0000 1.000 0.000 1.000
#> ERR315377 2 0.0000 1.000 0.000 1.000
#> ERR315374 2 0.0000 1.000 0.000 1.000
#> ERR315466 2 0.0000 1.000 0.000 1.000
#> ERR315479 2 0.0000 1.000 0.000 1.000
#> ERR315473 1 0.0000 1.000 1.000 0.000
#> ERR315391 2 0.0000 1.000 0.000 1.000
#> ERR315417 2 0.0000 1.000 0.000 1.000
#> ERR315385 2 0.0000 1.000 0.000 1.000
#> ERR315386 2 0.0000 1.000 0.000 1.000
#> ERR315438 2 0.0000 1.000 0.000 1.000
#> ERR315367 2 0.0000 1.000 0.000 1.000
#> ERR315331 2 0.0000 1.000 0.000 1.000
#> ERR315347 2 0.0000 1.000 0.000 1.000
#> ERR315396 1 0.0000 1.000 1.000 0.000
#> ERR315486 1 0.0000 1.000 1.000 0.000
#> ERR315403 2 0.0000 1.000 0.000 1.000
#> ERR315357 2 0.0000 1.000 0.000 1.000
#> ERR315463 2 0.0000 1.000 0.000 1.000
#> ERR315451 2 0.0000 1.000 0.000 1.000
#> ERR315445 2 0.0000 1.000 0.000 1.000
#> ERR315461 2 0.0000 1.000 0.000 1.000
#> ERR315397 2 0.0000 1.000 0.000 1.000
#> ERR315491 2 0.0000 1.000 0.000 1.000
#> ERR315483 2 0.0000 1.000 0.000 1.000
#> ERR315400 2 0.0000 1.000 0.000 1.000
#> ERR315440 1 0.0000 1.000 1.000 0.000
#> ERR315493 1 0.0000 1.000 1.000 0.000
#> ERR315441 1 0.0000 1.000 1.000 0.000
#> ERR315455 2 0.0000 1.000 0.000 1.000
#> ERR315421 2 0.0000 1.000 0.000 1.000
#> ERR315370 2 0.0000 1.000 0.000 1.000
#> ERR315355 2 0.0000 1.000 0.000 1.000
#> ERR315446 2 0.0000 1.000 0.000 1.000
#> ERR315375 2 0.0000 1.000 0.000 1.000
#> ERR315467 2 0.0000 1.000 0.000 1.000
#> ERR315484 2 0.0000 1.000 0.000 1.000
#> ERR315406 1 0.0000 1.000 1.000 0.000
#> ERR315404 1 0.0000 1.000 1.000 0.000
#> ERR315407 2 0.0000 1.000 0.000 1.000
#> ERR315340 2 0.0000 1.000 0.000 1.000
#> ERR315356 2 0.0000 1.000 0.000 1.000
#> ERR315430 2 0.0000 1.000 0.000 1.000
#> ERR315422 2 0.0000 1.000 0.000 1.000
#> ERR315358 2 0.0000 1.000 0.000 1.000
#> ERR315448 1 0.0000 1.000 1.000 0.000
#> ERR315401 2 0.0000 1.000 0.000 1.000
#> ERR315464 2 0.0000 1.000 0.000 1.000
#> ERR315481 1 0.0000 1.000 1.000 0.000
#> ERR315454 1 0.0000 1.000 1.000 0.000
#> ERR315365 2 0.0000 1.000 0.000 1.000
#> ERR315354 2 0.0000 1.000 0.000 1.000
#> ERR315439 2 0.0000 1.000 0.000 1.000
#> ERR315444 2 0.0000 1.000 0.000 1.000
#> ERR315341 2 0.0000 1.000 0.000 1.000
#> ERR315412 2 0.0000 1.000 0.000 1.000
#> ERR315337 2 0.0000 1.000 0.000 1.000
#> ERR315429 2 0.0000 1.000 0.000 1.000
#> ERR315436 2 0.0000 1.000 0.000 1.000
#> ERR315379 2 0.0000 1.000 0.000 1.000
#> ERR315443 2 0.0000 1.000 0.000 1.000
#> ERR315415 2 0.0000 1.000 0.000 1.000
#> ERR315456 2 0.0000 1.000 0.000 1.000
#> ERR315336 2 0.0000 1.000 0.000 1.000
#> ERR315399 2 0.0000 1.000 0.000 1.000
#> ERR315477 2 0.0000 1.000 0.000 1.000
#> ERR315346 2 0.0000 1.000 0.000 1.000
#> ERR315383 2 0.0000 1.000 0.000 1.000
#> ERR315494 2 0.0000 1.000 0.000 1.000
#> ERR315492 2 0.0000 1.000 0.000 1.000
#> ERR315432 2 0.0000 1.000 0.000 1.000
#> ERR315338 1 0.0000 1.000 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315339 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315376 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315343 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315342 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315468 3 0.0237 0.978 0.000 0.004 0.996
#> ERR315434 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315489 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315371 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315433 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315368 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315465 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315437 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315327 3 0.0892 0.963 0.000 0.020 0.980
#> ERR315394 3 0.0892 0.963 0.000 0.020 0.980
#> ERR315427 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315360 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315426 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315387 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315475 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315395 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315460 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315372 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315472 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315398 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315409 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315423 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315402 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315458 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315366 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315345 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315326 2 0.6111 0.392 0.396 0.604 0.000
#> ERR315424 2 0.6079 0.411 0.388 0.612 0.000
#> ERR315382 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315325 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315369 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315485 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315420 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315459 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315353 2 0.1643 0.888 0.044 0.956 0.000
#> ERR315487 2 0.1753 0.885 0.048 0.952 0.000
#> ERR315378 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315431 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315335 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315452 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315471 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315351 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315350 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315381 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315388 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315418 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315449 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315490 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315495 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315361 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315419 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315344 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315414 3 0.0592 0.971 0.000 0.012 0.988
#> ERR315352 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315410 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315349 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315474 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315470 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315428 2 0.6168 0.383 0.000 0.588 0.412
#> ERR315363 2 0.6154 0.392 0.000 0.592 0.408
#> ERR315469 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315476 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315478 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315362 2 0.6215 0.342 0.000 0.572 0.428
#> ERR315411 2 0.6204 0.352 0.000 0.576 0.424
#> ERR315416 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315405 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315408 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315364 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315359 2 0.5760 0.555 0.000 0.672 0.328
#> ERR315330 2 0.5810 0.541 0.000 0.664 0.336
#> ERR315384 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315413 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315332 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315334 1 0.5254 0.639 0.736 0.000 0.264
#> ERR315447 1 0.4974 0.687 0.764 0.000 0.236
#> ERR315453 1 0.5216 0.647 0.740 0.000 0.260
#> ERR315442 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315457 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315392 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315450 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315462 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315328 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315389 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315435 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315482 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315377 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315374 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315466 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315479 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315473 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315391 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315417 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315385 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315386 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315438 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315367 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315331 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315347 3 0.6204 0.152 0.000 0.424 0.576
#> ERR315396 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315403 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315357 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315463 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315451 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315445 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315461 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315397 2 0.4178 0.776 0.000 0.828 0.172
#> ERR315491 2 0.4235 0.772 0.000 0.824 0.176
#> ERR315483 2 0.4178 0.776 0.000 0.828 0.172
#> ERR315400 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315440 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315455 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315421 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315370 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315355 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315446 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315375 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315467 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315484 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315406 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315407 3 0.1529 0.940 0.000 0.040 0.960
#> ERR315340 3 0.1289 0.949 0.000 0.032 0.968
#> ERR315356 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315430 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315422 2 0.6309 0.132 0.000 0.504 0.496
#> ERR315358 2 0.6309 0.132 0.000 0.504 0.496
#> ERR315448 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315401 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315464 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315481 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315454 1 0.0000 0.975 1.000 0.000 0.000
#> ERR315365 3 0.3551 0.826 0.000 0.132 0.868
#> ERR315354 3 0.3038 0.862 0.000 0.104 0.896
#> ERR315439 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315444 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315341 2 0.1711 0.894 0.008 0.960 0.032
#> ERR315412 2 0.6140 0.402 0.000 0.596 0.404
#> ERR315337 2 0.6140 0.402 0.000 0.596 0.404
#> ERR315429 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315436 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315379 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315443 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315415 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315456 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315336 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315399 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315477 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315346 2 0.3267 0.831 0.000 0.884 0.116
#> ERR315383 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315494 3 0.0000 0.982 0.000 0.000 1.000
#> ERR315492 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315432 2 0.0000 0.920 0.000 1.000 0.000
#> ERR315338 1 0.0000 0.975 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0707 0.7503 0.000 0.000 0.980 0.020
#> ERR315339 3 0.4331 0.5053 0.000 0.000 0.712 0.288
#> ERR315376 3 0.4304 0.5120 0.000 0.000 0.716 0.284
#> ERR315343 2 0.0188 0.6327 0.000 0.996 0.000 0.004
#> ERR315342 2 0.0469 0.6329 0.000 0.988 0.000 0.012
#> ERR315468 3 0.5645 0.5070 0.000 0.032 0.604 0.364
#> ERR315434 3 0.3074 0.6760 0.000 0.000 0.848 0.152
#> ERR315489 3 0.3074 0.6760 0.000 0.000 0.848 0.152
#> ERR315371 1 0.1118 0.8458 0.964 0.000 0.000 0.036
#> ERR315433 2 0.1792 0.6227 0.000 0.932 0.000 0.068
#> ERR315368 2 0.1867 0.6210 0.000 0.928 0.000 0.072
#> ERR315465 1 0.0000 0.8483 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.8483 1.000 0.000 0.000 0.000
#> ERR315327 3 0.6023 0.5345 0.056 0.000 0.600 0.344
#> ERR315394 3 0.6127 0.5350 0.052 0.004 0.600 0.344
#> ERR315427 2 0.4964 0.4660 0.256 0.716 0.000 0.028
#> ERR315360 2 0.4964 0.4660 0.256 0.716 0.000 0.028
#> ERR315426 1 0.0336 0.8469 0.992 0.000 0.000 0.008
#> ERR315387 1 0.0336 0.8469 0.992 0.000 0.000 0.008
#> ERR315475 1 0.0336 0.8469 0.992 0.000 0.000 0.008
#> ERR315395 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315333 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315460 3 0.4382 0.4904 0.000 0.000 0.704 0.296
#> ERR315372 3 0.4382 0.4904 0.000 0.000 0.704 0.296
#> ERR315472 3 0.3172 0.6713 0.000 0.000 0.840 0.160
#> ERR315398 3 0.3172 0.6713 0.000 0.000 0.840 0.160
#> ERR315409 3 0.0469 0.7541 0.000 0.000 0.988 0.012
#> ERR315423 3 0.0469 0.7541 0.000 0.000 0.988 0.012
#> ERR315402 2 0.3975 0.4718 0.000 0.760 0.000 0.240
#> ERR315458 2 0.3975 0.4718 0.000 0.760 0.000 0.240
#> ERR315366 1 0.0469 0.8452 0.988 0.000 0.000 0.012
#> ERR315345 1 0.0469 0.8452 0.988 0.000 0.000 0.012
#> ERR315326 1 0.5799 0.1507 0.552 0.420 0.004 0.024
#> ERR315424 1 0.5807 0.1371 0.548 0.424 0.004 0.024
#> ERR315382 3 0.2216 0.7487 0.000 0.000 0.908 0.092
#> ERR315325 3 0.2281 0.7480 0.000 0.000 0.904 0.096
#> ERR315369 3 0.0592 0.7515 0.000 0.000 0.984 0.016
#> ERR315485 3 0.0592 0.7515 0.000 0.000 0.984 0.016
#> ERR315420 3 0.2647 0.7340 0.000 0.000 0.880 0.120
#> ERR315459 3 0.2647 0.7340 0.000 0.000 0.880 0.120
#> ERR315353 2 0.5184 0.4178 0.304 0.672 0.000 0.024
#> ERR315487 2 0.5206 0.4133 0.308 0.668 0.000 0.024
#> ERR315378 2 0.0469 0.6329 0.000 0.988 0.000 0.012
#> ERR315431 2 0.0592 0.6334 0.000 0.984 0.000 0.016
#> ERR315335 2 0.4164 0.4552 0.000 0.736 0.000 0.264
#> ERR315452 2 0.4164 0.4552 0.000 0.736 0.000 0.264
#> ERR315471 1 0.0469 0.8491 0.988 0.000 0.000 0.012
#> ERR315390 1 0.0469 0.8491 0.988 0.000 0.000 0.012
#> ERR315329 1 0.0469 0.8491 0.988 0.000 0.000 0.012
#> ERR315393 1 0.1302 0.8435 0.956 0.000 0.000 0.044
#> ERR315488 1 0.1302 0.8435 0.956 0.000 0.000 0.044
#> ERR315351 2 0.4250 0.4265 0.000 0.724 0.000 0.276
#> ERR315350 2 0.4250 0.4265 0.000 0.724 0.000 0.276
#> ERR315381 3 0.0592 0.7549 0.000 0.000 0.984 0.016
#> ERR315388 3 0.0592 0.7549 0.000 0.000 0.984 0.016
#> ERR315418 3 0.3024 0.7219 0.000 0.000 0.852 0.148
#> ERR315449 3 0.2973 0.7236 0.000 0.000 0.856 0.144
#> ERR315490 2 0.0469 0.6324 0.000 0.988 0.000 0.012
#> ERR315495 2 0.0469 0.6324 0.000 0.988 0.000 0.012
#> ERR315361 2 0.0592 0.6328 0.000 0.984 0.000 0.016
#> ERR315419 3 0.1792 0.7520 0.000 0.000 0.932 0.068
#> ERR315344 3 0.1792 0.7520 0.000 0.000 0.932 0.068
#> ERR315414 3 0.4661 0.5815 0.000 0.000 0.652 0.348
#> ERR315352 2 0.4837 0.2905 0.000 0.648 0.004 0.348
#> ERR315410 2 0.2081 0.6162 0.000 0.916 0.000 0.084
#> ERR315349 2 0.4037 0.5671 0.140 0.828 0.008 0.024
#> ERR315474 2 0.4138 0.5612 0.148 0.820 0.008 0.024
#> ERR315470 2 0.4088 0.5642 0.144 0.824 0.008 0.024
#> ERR315428 2 0.7812 -0.8482 0.000 0.376 0.252 0.372
#> ERR315363 2 0.7787 -0.8361 0.000 0.384 0.244 0.372
#> ERR315469 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315425 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315476 2 0.3598 0.5803 0.124 0.848 0.000 0.028
#> ERR315478 2 0.3542 0.5827 0.120 0.852 0.000 0.028
#> ERR315362 2 0.7225 -0.3241 0.000 0.512 0.328 0.160
#> ERR315411 2 0.7225 -0.3241 0.000 0.512 0.328 0.160
#> ERR315416 1 0.0336 0.8469 0.992 0.000 0.000 0.008
#> ERR315405 1 0.0336 0.8469 0.992 0.000 0.000 0.008
#> ERR315408 3 0.0921 0.7561 0.000 0.000 0.972 0.028
#> ERR315364 3 0.0817 0.7559 0.000 0.000 0.976 0.024
#> ERR315359 2 0.6942 -0.1588 0.000 0.584 0.176 0.240
#> ERR315330 2 0.6881 -0.1280 0.000 0.592 0.172 0.236
#> ERR315384 2 0.1022 0.6304 0.000 0.968 0.000 0.032
#> ERR315413 2 0.1022 0.6304 0.000 0.968 0.000 0.032
#> ERR315332 2 0.1151 0.6319 0.008 0.968 0.000 0.024
#> ERR315334 1 0.8810 0.1419 0.416 0.076 0.348 0.160
#> ERR315447 1 0.8804 0.1519 0.420 0.076 0.344 0.160
#> ERR315453 1 0.8810 0.1419 0.416 0.076 0.348 0.160
#> ERR315442 3 0.1716 0.7526 0.000 0.000 0.936 0.064
#> ERR315457 3 0.1716 0.7526 0.000 0.000 0.936 0.064
#> ERR315392 2 0.3569 0.5426 0.000 0.804 0.000 0.196
#> ERR315450 2 0.3528 0.5466 0.000 0.808 0.000 0.192
#> ERR315462 3 0.1022 0.7552 0.000 0.000 0.968 0.032
#> ERR315328 2 0.1867 0.6217 0.000 0.928 0.000 0.072
#> ERR315389 2 0.1867 0.6217 0.000 0.928 0.000 0.072
#> ERR315435 2 0.1867 0.6217 0.000 0.928 0.000 0.072
#> ERR315482 2 0.2589 0.5983 0.000 0.884 0.000 0.116
#> ERR315380 2 0.2589 0.5983 0.000 0.884 0.000 0.116
#> ERR315377 2 0.2385 0.6177 0.052 0.920 0.000 0.028
#> ERR315374 2 0.2385 0.6177 0.052 0.920 0.000 0.028
#> ERR315466 3 0.4454 0.6195 0.000 0.000 0.692 0.308
#> ERR315479 3 0.4454 0.6195 0.000 0.000 0.692 0.308
#> ERR315473 1 0.0188 0.8477 0.996 0.000 0.000 0.004
#> ERR315391 2 0.4103 0.4491 0.000 0.744 0.000 0.256
#> ERR315417 2 0.3311 0.5643 0.000 0.828 0.000 0.172
#> ERR315385 2 0.3444 0.5549 0.000 0.816 0.000 0.184
#> ERR315386 2 0.1629 0.6265 0.024 0.952 0.000 0.024
#> ERR315438 2 0.1520 0.6274 0.020 0.956 0.000 0.024
#> ERR315367 2 0.1867 0.6217 0.000 0.928 0.000 0.072
#> ERR315331 2 0.1867 0.6217 0.000 0.928 0.000 0.072
#> ERR315347 2 0.8410 -0.1459 0.192 0.432 0.340 0.036
#> ERR315396 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315486 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315403 3 0.1792 0.7302 0.000 0.000 0.932 0.068
#> ERR315357 3 0.2011 0.7237 0.000 0.000 0.920 0.080
#> ERR315463 3 0.5167 0.5791 0.016 0.000 0.644 0.340
#> ERR315451 3 0.5167 0.5791 0.016 0.000 0.644 0.340
#> ERR315445 3 0.1022 0.7560 0.000 0.000 0.968 0.032
#> ERR315461 3 0.1022 0.7560 0.000 0.000 0.968 0.032
#> ERR315397 2 0.5792 0.1557 0.000 0.648 0.056 0.296
#> ERR315491 2 0.5792 0.1557 0.000 0.648 0.056 0.296
#> ERR315483 2 0.5792 0.1557 0.000 0.648 0.056 0.296
#> ERR315400 3 0.0336 0.7534 0.000 0.000 0.992 0.008
#> ERR315440 1 0.1211 0.8449 0.960 0.000 0.000 0.040
#> ERR315493 1 0.1211 0.8449 0.960 0.000 0.000 0.040
#> ERR315441 1 0.1211 0.8449 0.960 0.000 0.000 0.040
#> ERR315455 2 0.4193 0.4350 0.000 0.732 0.000 0.268
#> ERR315421 2 0.4010 0.5572 0.156 0.816 0.000 0.028
#> ERR315370 2 0.4104 0.5510 0.164 0.808 0.000 0.028
#> ERR315355 2 0.4057 0.5541 0.160 0.812 0.000 0.028
#> ERR315446 2 0.6296 -0.0712 0.000 0.548 0.064 0.388
#> ERR315375 2 0.2466 0.6162 0.056 0.916 0.000 0.028
#> ERR315467 3 0.2216 0.7443 0.000 0.000 0.908 0.092
#> ERR315484 3 0.0817 0.7491 0.000 0.000 0.976 0.024
#> ERR315406 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315404 1 0.4222 0.7390 0.728 0.000 0.000 0.272
#> ERR315407 3 0.7478 -0.5707 0.000 0.240 0.504 0.256
#> ERR315340 3 0.7497 -0.5736 0.000 0.240 0.500 0.260
#> ERR315356 2 0.1557 0.6264 0.000 0.944 0.000 0.056
#> ERR315430 2 0.1557 0.6264 0.000 0.944 0.000 0.056
#> ERR315422 4 0.7890 1.0000 0.000 0.336 0.292 0.372
#> ERR315358 4 0.7890 1.0000 0.000 0.336 0.292 0.372
#> ERR315448 1 0.0469 0.8452 0.988 0.000 0.000 0.012
#> ERR315401 3 0.4356 0.4981 0.000 0.000 0.708 0.292
#> ERR315464 3 0.4356 0.4981 0.000 0.000 0.708 0.292
#> ERR315481 1 0.0707 0.8485 0.980 0.000 0.000 0.020
#> ERR315454 1 0.0707 0.8485 0.980 0.000 0.000 0.020
#> ERR315365 2 0.7916 -0.7503 0.000 0.352 0.336 0.312
#> ERR315354 3 0.7917 -0.7825 0.000 0.340 0.348 0.312
#> ERR315439 2 0.4955 0.4551 0.268 0.708 0.000 0.024
#> ERR315444 2 0.4955 0.4551 0.268 0.708 0.000 0.024
#> ERR315341 2 0.5240 0.4358 0.284 0.688 0.004 0.024
#> ERR315412 2 0.7771 -0.8000 0.000 0.408 0.244 0.348
#> ERR315337 2 0.7775 -0.8055 0.000 0.404 0.244 0.352
#> ERR315429 3 0.4406 0.6260 0.000 0.000 0.700 0.300
#> ERR315436 3 0.4406 0.6260 0.000 0.000 0.700 0.300
#> ERR315379 3 0.1389 0.7389 0.000 0.000 0.952 0.048
#> ERR315443 3 0.4855 0.5727 0.000 0.004 0.644 0.352
#> ERR315415 2 0.5386 0.1926 0.000 0.612 0.020 0.368
#> ERR315456 2 0.5355 0.2134 0.000 0.620 0.020 0.360
#> ERR315336 2 0.2660 0.6153 0.056 0.908 0.000 0.036
#> ERR315399 2 0.2739 0.6135 0.060 0.904 0.000 0.036
#> ERR315477 2 0.4193 0.4350 0.000 0.732 0.000 0.268
#> ERR315346 2 0.5665 0.4270 0.276 0.680 0.020 0.024
#> ERR315383 3 0.5007 0.5626 0.000 0.008 0.636 0.356
#> ERR315494 3 0.5007 0.5626 0.000 0.008 0.636 0.356
#> ERR315492 2 0.4382 0.4038 0.000 0.704 0.000 0.296
#> ERR315432 2 0.4304 0.4139 0.000 0.716 0.000 0.284
#> ERR315338 1 0.0469 0.8452 0.988 0.000 0.000 0.012
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.1792 0.5429 0.000 0.000 0.916 0.000 0.084
#> ERR315339 5 0.5779 0.8926 0.000 0.092 0.400 0.000 0.508
#> ERR315376 5 0.5779 0.8926 0.000 0.092 0.400 0.000 0.508
#> ERR315343 4 0.2491 0.5174 0.000 0.068 0.000 0.896 0.036
#> ERR315342 4 0.2359 0.5246 0.000 0.060 0.000 0.904 0.036
#> ERR315468 3 0.6581 0.4304 0.000 0.212 0.432 0.000 0.356
#> ERR315434 5 0.5078 0.8423 0.000 0.008 0.464 0.020 0.508
#> ERR315489 5 0.4997 0.8374 0.000 0.008 0.468 0.016 0.508
#> ERR315371 1 0.1121 0.7881 0.956 0.044 0.000 0.000 0.000
#> ERR315433 4 0.3730 0.0491 0.000 0.288 0.000 0.712 0.000
#> ERR315368 4 0.3752 0.0356 0.000 0.292 0.000 0.708 0.000
#> ERR315465 1 0.0000 0.7965 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.7965 1.000 0.000 0.000 0.000 0.000
#> ERR315327 3 0.5890 0.5177 0.004 0.076 0.516 0.004 0.400
#> ERR315394 3 0.5890 0.5177 0.004 0.076 0.516 0.004 0.400
#> ERR315427 4 0.4015 0.5000 0.284 0.004 0.000 0.708 0.004
#> ERR315360 4 0.4037 0.4939 0.288 0.004 0.000 0.704 0.004
#> ERR315426 1 0.1205 0.7873 0.956 0.004 0.000 0.040 0.000
#> ERR315387 1 0.1205 0.7873 0.956 0.004 0.000 0.040 0.000
#> ERR315475 1 0.1205 0.7873 0.956 0.004 0.000 0.040 0.000
#> ERR315395 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315333 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315460 5 0.5697 0.8928 0.000 0.084 0.404 0.000 0.512
#> ERR315372 5 0.5697 0.8928 0.000 0.084 0.404 0.000 0.512
#> ERR315472 5 0.5677 0.8672 0.000 0.020 0.432 0.040 0.508
#> ERR315398 5 0.5735 0.8664 0.000 0.020 0.428 0.044 0.508
#> ERR315409 3 0.0703 0.6083 0.000 0.000 0.976 0.000 0.024
#> ERR315423 3 0.0703 0.6083 0.000 0.000 0.976 0.000 0.024
#> ERR315402 4 0.4306 -0.5613 0.000 0.492 0.000 0.508 0.000
#> ERR315458 4 0.4305 -0.5544 0.000 0.488 0.000 0.512 0.000
#> ERR315366 1 0.1502 0.7789 0.940 0.004 0.000 0.056 0.000
#> ERR315345 1 0.1502 0.7789 0.940 0.004 0.000 0.056 0.000
#> ERR315326 1 0.4700 0.0187 0.516 0.008 0.004 0.472 0.000
#> ERR315424 1 0.4811 0.0125 0.512 0.008 0.008 0.472 0.000
#> ERR315382 3 0.4627 0.3875 0.000 0.080 0.732 0.000 0.188
#> ERR315325 3 0.4558 0.4058 0.000 0.080 0.740 0.000 0.180
#> ERR315369 3 0.1792 0.5428 0.000 0.000 0.916 0.000 0.084
#> ERR315485 3 0.1851 0.5368 0.000 0.000 0.912 0.000 0.088
#> ERR315420 3 0.4548 0.5034 0.000 0.096 0.748 0.000 0.156
#> ERR315459 3 0.4496 0.4984 0.000 0.092 0.752 0.000 0.156
#> ERR315353 4 0.4531 0.2375 0.424 0.004 0.004 0.568 0.000
#> ERR315487 4 0.4538 0.2275 0.428 0.004 0.004 0.564 0.000
#> ERR315378 4 0.2291 0.5281 0.000 0.056 0.000 0.908 0.036
#> ERR315431 4 0.2491 0.5174 0.000 0.068 0.000 0.896 0.036
#> ERR315335 2 0.5773 0.6170 0.000 0.476 0.000 0.436 0.088
#> ERR315452 2 0.5773 0.6170 0.000 0.476 0.000 0.436 0.088
#> ERR315471 1 0.0162 0.7967 0.996 0.004 0.000 0.000 0.000
#> ERR315390 1 0.0162 0.7967 0.996 0.004 0.000 0.000 0.000
#> ERR315329 1 0.0162 0.7967 0.996 0.004 0.000 0.000 0.000
#> ERR315393 1 0.1851 0.7699 0.912 0.088 0.000 0.000 0.000
#> ERR315488 1 0.1851 0.7699 0.912 0.088 0.000 0.000 0.000
#> ERR315351 2 0.5057 0.6706 0.000 0.556 0.004 0.412 0.028
#> ERR315350 2 0.5122 0.6735 0.000 0.556 0.004 0.408 0.032
#> ERR315381 3 0.0609 0.6114 0.000 0.000 0.980 0.000 0.020
#> ERR315388 3 0.0609 0.6114 0.000 0.000 0.980 0.000 0.020
#> ERR315418 3 0.4698 0.5155 0.000 0.096 0.732 0.000 0.172
#> ERR315449 3 0.4587 0.5024 0.000 0.096 0.744 0.000 0.160
#> ERR315490 4 0.1478 0.5381 0.000 0.064 0.000 0.936 0.000
#> ERR315495 4 0.1410 0.5407 0.000 0.060 0.000 0.940 0.000
#> ERR315361 4 0.1478 0.5381 0.000 0.064 0.000 0.936 0.000
#> ERR315419 3 0.1478 0.6435 0.000 0.000 0.936 0.000 0.064
#> ERR315344 3 0.1544 0.6436 0.000 0.000 0.932 0.000 0.068
#> ERR315414 3 0.5550 0.5253 0.000 0.072 0.528 0.000 0.400
#> ERR315352 2 0.5765 0.6873 0.000 0.544 0.012 0.380 0.064
#> ERR315410 4 0.4028 0.3174 0.000 0.192 0.000 0.768 0.040
#> ERR315349 4 0.3250 0.5921 0.168 0.000 0.008 0.820 0.004
#> ERR315474 4 0.3250 0.5921 0.168 0.000 0.008 0.820 0.004
#> ERR315470 4 0.3211 0.5936 0.164 0.000 0.008 0.824 0.004
#> ERR315428 2 0.7315 0.6197 0.000 0.548 0.116 0.184 0.152
#> ERR315363 2 0.7315 0.6197 0.000 0.548 0.116 0.184 0.152
#> ERR315469 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315425 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315476 4 0.2942 0.6016 0.128 0.008 0.000 0.856 0.008
#> ERR315478 4 0.3053 0.6006 0.128 0.008 0.000 0.852 0.012
#> ERR315362 5 0.6597 0.7689 0.000 0.016 0.324 0.152 0.508
#> ERR315411 5 0.6578 0.7749 0.000 0.016 0.328 0.148 0.508
#> ERR315416 1 0.1041 0.7899 0.964 0.004 0.000 0.032 0.000
#> ERR315405 1 0.1041 0.7899 0.964 0.004 0.000 0.032 0.000
#> ERR315408 3 0.0703 0.6352 0.000 0.000 0.976 0.000 0.024
#> ERR315364 3 0.0794 0.6333 0.000 0.000 0.972 0.000 0.028
#> ERR315359 2 0.6700 0.6658 0.000 0.460 0.140 0.380 0.020
#> ERR315330 2 0.6644 0.6685 0.000 0.464 0.132 0.384 0.020
#> ERR315384 4 0.3608 0.4089 0.000 0.148 0.000 0.812 0.040
#> ERR315413 4 0.3608 0.4089 0.000 0.148 0.000 0.812 0.040
#> ERR315332 4 0.1997 0.5406 0.000 0.040 0.000 0.924 0.036
#> ERR315334 1 0.8661 -0.1762 0.344 0.008 0.240 0.180 0.228
#> ERR315447 1 0.8610 -0.1217 0.364 0.008 0.232 0.184 0.212
#> ERR315453 1 0.8599 -0.1342 0.364 0.008 0.236 0.176 0.216
#> ERR315442 3 0.1544 0.6440 0.000 0.000 0.932 0.000 0.068
#> ERR315457 3 0.1608 0.6436 0.000 0.000 0.928 0.000 0.072
#> ERR315392 2 0.5962 0.6159 0.000 0.468 0.000 0.424 0.108
#> ERR315450 2 0.5959 0.6208 0.000 0.472 0.000 0.420 0.108
#> ERR315462 3 0.1197 0.5863 0.000 0.000 0.952 0.000 0.048
#> ERR315328 4 0.3848 0.3674 0.000 0.172 0.000 0.788 0.040
#> ERR315389 4 0.3848 0.3674 0.000 0.172 0.000 0.788 0.040
#> ERR315435 4 0.3848 0.3674 0.000 0.172 0.000 0.788 0.040
#> ERR315482 4 0.4126 -0.2868 0.000 0.380 0.000 0.620 0.000
#> ERR315380 4 0.4101 -0.2626 0.000 0.372 0.000 0.628 0.000
#> ERR315377 4 0.2766 0.5996 0.084 0.008 0.000 0.884 0.024
#> ERR315374 4 0.2577 0.6010 0.084 0.008 0.000 0.892 0.016
#> ERR315466 3 0.5030 0.5647 0.000 0.044 0.604 0.000 0.352
#> ERR315479 3 0.4990 0.5628 0.000 0.040 0.600 0.000 0.360
#> ERR315473 1 0.0404 0.7949 0.988 0.000 0.000 0.012 0.000
#> ERR315391 2 0.4283 0.6215 0.000 0.544 0.000 0.456 0.000
#> ERR315417 2 0.6062 0.6137 0.000 0.464 0.000 0.416 0.120
#> ERR315385 2 0.6062 0.6137 0.000 0.464 0.000 0.416 0.120
#> ERR315386 4 0.0404 0.5780 0.012 0.000 0.000 0.988 0.000
#> ERR315438 4 0.0404 0.5780 0.012 0.000 0.000 0.988 0.000
#> ERR315367 4 0.3848 0.3674 0.000 0.172 0.000 0.788 0.040
#> ERR315331 4 0.3848 0.3674 0.000 0.172 0.000 0.788 0.040
#> ERR315347 4 0.6820 0.1637 0.304 0.004 0.224 0.464 0.004
#> ERR315396 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315486 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315403 3 0.2570 0.4824 0.008 0.000 0.880 0.004 0.108
#> ERR315357 3 0.2984 0.4321 0.016 0.000 0.856 0.004 0.124
#> ERR315463 3 0.5584 0.5282 0.000 0.076 0.532 0.000 0.392
#> ERR315451 3 0.5584 0.5282 0.000 0.076 0.532 0.000 0.392
#> ERR315445 3 0.0794 0.6365 0.000 0.000 0.972 0.000 0.028
#> ERR315461 3 0.0703 0.6352 0.000 0.000 0.976 0.000 0.024
#> ERR315397 2 0.6935 0.5526 0.000 0.460 0.036 0.368 0.136
#> ERR315491 2 0.6935 0.5520 0.000 0.460 0.036 0.368 0.136
#> ERR315483 2 0.6909 0.5486 0.000 0.460 0.036 0.372 0.132
#> ERR315400 3 0.1478 0.5683 0.000 0.000 0.936 0.000 0.064
#> ERR315440 1 0.1270 0.7859 0.948 0.052 0.000 0.000 0.000
#> ERR315493 1 0.1270 0.7859 0.948 0.052 0.000 0.000 0.000
#> ERR315441 1 0.1270 0.7859 0.948 0.052 0.000 0.000 0.000
#> ERR315455 2 0.4210 0.6776 0.000 0.588 0.000 0.412 0.000
#> ERR315421 4 0.3211 0.5929 0.164 0.004 0.000 0.824 0.008
#> ERR315370 4 0.3373 0.5901 0.168 0.008 0.000 0.816 0.008
#> ERR315355 4 0.3373 0.5901 0.168 0.008 0.000 0.816 0.008
#> ERR315446 2 0.6597 0.6916 0.000 0.536 0.044 0.324 0.096
#> ERR315375 4 0.3052 0.5998 0.092 0.008 0.000 0.868 0.032
#> ERR315467 3 0.1768 0.6456 0.004 0.000 0.924 0.000 0.072
#> ERR315484 3 0.1732 0.5481 0.000 0.000 0.920 0.000 0.080
#> ERR315406 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315404 1 0.5409 0.6060 0.604 0.316 0.000 0.000 0.080
#> ERR315407 2 0.7207 0.5593 0.000 0.460 0.284 0.224 0.032
#> ERR315340 2 0.7157 0.5664 0.000 0.460 0.284 0.228 0.028
#> ERR315356 4 0.3810 0.3756 0.000 0.168 0.000 0.792 0.040
#> ERR315430 4 0.3810 0.3756 0.000 0.168 0.000 0.792 0.040
#> ERR315422 2 0.7286 0.5704 0.000 0.556 0.136 0.140 0.168
#> ERR315358 2 0.7321 0.5640 0.000 0.552 0.140 0.140 0.168
#> ERR315448 1 0.1282 0.7855 0.952 0.004 0.000 0.044 0.000
#> ERR315401 5 0.5736 0.8939 0.000 0.088 0.400 0.000 0.512
#> ERR315464 5 0.5736 0.8939 0.000 0.088 0.400 0.000 0.512
#> ERR315481 1 0.0162 0.7967 0.996 0.004 0.000 0.000 0.000
#> ERR315454 1 0.0162 0.7967 0.996 0.004 0.000 0.000 0.000
#> ERR315365 2 0.6403 0.6948 0.000 0.572 0.120 0.280 0.028
#> ERR315354 2 0.6613 0.6934 0.000 0.560 0.120 0.280 0.040
#> ERR315439 4 0.4999 0.3473 0.360 0.032 0.004 0.604 0.000
#> ERR315444 4 0.4761 0.3617 0.356 0.028 0.000 0.616 0.000
#> ERR315341 4 0.5006 0.2554 0.408 0.020 0.008 0.564 0.000
#> ERR315412 2 0.7739 0.5125 0.000 0.496 0.152 0.172 0.180
#> ERR315337 2 0.7716 0.5088 0.000 0.500 0.156 0.168 0.176
#> ERR315429 3 0.5174 0.5665 0.000 0.056 0.604 0.000 0.340
#> ERR315436 3 0.5128 0.5664 0.000 0.052 0.604 0.000 0.344
#> ERR315379 3 0.2690 0.3987 0.000 0.000 0.844 0.000 0.156
#> ERR315443 3 0.5736 0.5163 0.000 0.088 0.512 0.000 0.400
#> ERR315415 2 0.6094 0.6918 0.000 0.540 0.020 0.360 0.080
#> ERR315456 2 0.5890 0.6903 0.000 0.544 0.016 0.372 0.068
#> ERR315336 4 0.2968 0.6003 0.092 0.008 0.000 0.872 0.028
#> ERR315399 4 0.2968 0.6003 0.092 0.008 0.000 0.872 0.028
#> ERR315477 2 0.4192 0.6843 0.000 0.596 0.000 0.404 0.000
#> ERR315346 4 0.6128 0.2101 0.388 0.060 0.032 0.520 0.000
#> ERR315383 3 0.5876 0.4949 0.000 0.100 0.488 0.000 0.412
#> ERR315494 3 0.6007 0.5004 0.000 0.116 0.488 0.000 0.396
#> ERR315492 2 0.5140 0.6846 0.000 0.624 0.008 0.328 0.040
#> ERR315432 2 0.4717 0.6872 0.000 0.584 0.000 0.396 0.020
#> ERR315338 1 0.1430 0.7814 0.944 0.004 0.000 0.052 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.3647 0.607626 0.000 0.000 0.640 0.000 0.000 0.360
#> ERR315339 6 0.0436 0.835577 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315376 6 0.0436 0.835577 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315343 4 0.3332 0.597578 0.000 0.048 0.000 0.808 0.144 0.000
#> ERR315342 4 0.3332 0.597578 0.000 0.048 0.000 0.808 0.144 0.000
#> ERR315468 3 0.6098 0.358417 0.000 0.364 0.452 0.016 0.168 0.000
#> ERR315434 6 0.0717 0.829645 0.000 0.000 0.016 0.008 0.000 0.976
#> ERR315489 6 0.0717 0.829645 0.000 0.000 0.016 0.008 0.000 0.976
#> ERR315371 1 0.0458 0.753411 0.984 0.000 0.000 0.000 0.016 0.000
#> ERR315433 4 0.3955 -0.234612 0.000 0.436 0.000 0.560 0.004 0.000
#> ERR315368 4 0.3955 -0.234612 0.000 0.436 0.000 0.560 0.004 0.000
#> ERR315465 1 0.0146 0.764093 0.996 0.000 0.000 0.000 0.004 0.000
#> ERR315437 1 0.0146 0.764093 0.996 0.000 0.000 0.000 0.004 0.000
#> ERR315327 3 0.4910 0.479831 0.008 0.212 0.696 0.008 0.068 0.008
#> ERR315394 3 0.4910 0.479831 0.008 0.212 0.696 0.008 0.068 0.008
#> ERR315427 4 0.4228 0.336222 0.316 0.008 0.000 0.656 0.000 0.020
#> ERR315360 4 0.4228 0.336222 0.316 0.008 0.000 0.656 0.000 0.020
#> ERR315426 1 0.1075 0.771801 0.952 0.000 0.000 0.048 0.000 0.000
#> ERR315387 1 0.1075 0.771801 0.952 0.000 0.000 0.048 0.000 0.000
#> ERR315475 1 0.1075 0.771615 0.952 0.000 0.000 0.048 0.000 0.000
#> ERR315395 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315333 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315460 6 0.0551 0.833403 0.000 0.008 0.004 0.004 0.000 0.984
#> ERR315372 6 0.0551 0.833403 0.000 0.008 0.004 0.004 0.000 0.984
#> ERR315472 6 0.0717 0.829645 0.000 0.000 0.016 0.008 0.000 0.976
#> ERR315398 6 0.0717 0.829645 0.000 0.000 0.016 0.008 0.000 0.976
#> ERR315409 3 0.3371 0.654710 0.000 0.000 0.708 0.000 0.000 0.292
#> ERR315423 3 0.3390 0.652870 0.000 0.000 0.704 0.000 0.000 0.296
#> ERR315402 2 0.3765 0.538653 0.000 0.596 0.000 0.404 0.000 0.000
#> ERR315458 2 0.3756 0.545077 0.000 0.600 0.000 0.400 0.000 0.000
#> ERR315366 1 0.1471 0.765213 0.932 0.000 0.000 0.064 0.004 0.000
#> ERR315345 1 0.1531 0.763104 0.928 0.000 0.000 0.068 0.004 0.000
#> ERR315326 1 0.3684 0.555756 0.664 0.000 0.000 0.332 0.004 0.000
#> ERR315424 1 0.3728 0.546081 0.652 0.000 0.000 0.344 0.004 0.000
#> ERR315382 3 0.6824 0.415951 0.000 0.116 0.452 0.000 0.116 0.316
#> ERR315325 3 0.6745 0.436611 0.000 0.112 0.468 0.000 0.112 0.308
#> ERR315369 3 0.3620 0.615579 0.000 0.000 0.648 0.000 0.000 0.352
#> ERR315485 3 0.3620 0.615579 0.000 0.000 0.648 0.000 0.000 0.352
#> ERR315420 3 0.7137 0.432739 0.000 0.192 0.444 0.000 0.124 0.240
#> ERR315459 3 0.7137 0.432739 0.000 0.192 0.444 0.000 0.124 0.240
#> ERR315353 1 0.4300 0.297785 0.528 0.012 0.000 0.456 0.000 0.004
#> ERR315487 1 0.4300 0.297785 0.528 0.012 0.000 0.456 0.000 0.004
#> ERR315378 4 0.3332 0.597578 0.000 0.048 0.000 0.808 0.144 0.000
#> ERR315431 4 0.3332 0.597578 0.000 0.048 0.000 0.808 0.144 0.000
#> ERR315335 2 0.4274 0.628254 0.000 0.676 0.012 0.288 0.024 0.000
#> ERR315452 2 0.4197 0.630433 0.000 0.680 0.012 0.288 0.020 0.000
#> ERR315471 1 0.0000 0.765895 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.765895 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.765895 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.1141 0.706911 0.948 0.000 0.000 0.000 0.052 0.000
#> ERR315488 1 0.1141 0.706911 0.948 0.000 0.000 0.000 0.052 0.000
#> ERR315351 2 0.4710 0.624702 0.000 0.632 0.000 0.312 0.012 0.044
#> ERR315350 2 0.4710 0.624702 0.000 0.632 0.000 0.312 0.012 0.044
#> ERR315381 3 0.3351 0.656474 0.000 0.000 0.712 0.000 0.000 0.288
#> ERR315388 3 0.3330 0.658220 0.000 0.000 0.716 0.000 0.000 0.284
#> ERR315418 3 0.7222 0.422061 0.000 0.212 0.424 0.000 0.124 0.240
#> ERR315449 3 0.7257 0.414047 0.000 0.212 0.412 0.000 0.124 0.252
#> ERR315490 4 0.3248 0.437460 0.000 0.224 0.000 0.768 0.004 0.004
#> ERR315495 4 0.3109 0.442394 0.000 0.224 0.000 0.772 0.000 0.004
#> ERR315361 4 0.3189 0.419937 0.000 0.236 0.000 0.760 0.000 0.004
#> ERR315419 3 0.3023 0.670865 0.000 0.000 0.768 0.000 0.000 0.232
#> ERR315344 3 0.2996 0.670453 0.000 0.000 0.772 0.000 0.000 0.228
#> ERR315414 3 0.4612 0.485068 0.000 0.220 0.700 0.004 0.068 0.008
#> ERR315352 2 0.4815 0.632241 0.000 0.636 0.000 0.296 0.012 0.056
#> ERR315410 4 0.4232 0.520194 0.000 0.116 0.000 0.736 0.148 0.000
#> ERR315349 4 0.3997 0.600036 0.144 0.000 0.052 0.780 0.000 0.024
#> ERR315474 4 0.4107 0.592791 0.156 0.000 0.052 0.768 0.000 0.024
#> ERR315470 4 0.3954 0.600460 0.148 0.000 0.052 0.780 0.000 0.020
#> ERR315428 2 0.6569 0.428977 0.000 0.592 0.064 0.040 0.192 0.112
#> ERR315363 2 0.6569 0.428977 0.000 0.592 0.064 0.040 0.192 0.112
#> ERR315469 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315425 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315476 4 0.3149 0.635344 0.076 0.020 0.000 0.852 0.000 0.052
#> ERR315478 4 0.3211 0.634444 0.076 0.020 0.000 0.848 0.000 0.056
#> ERR315362 6 0.2165 0.748820 0.000 0.000 0.008 0.108 0.000 0.884
#> ERR315411 6 0.2165 0.748820 0.000 0.000 0.008 0.108 0.000 0.884
#> ERR315416 1 0.0865 0.772898 0.964 0.000 0.000 0.036 0.000 0.000
#> ERR315405 1 0.0865 0.772898 0.964 0.000 0.000 0.036 0.000 0.000
#> ERR315408 3 0.3151 0.668350 0.000 0.000 0.748 0.000 0.000 0.252
#> ERR315364 3 0.3175 0.667462 0.000 0.000 0.744 0.000 0.000 0.256
#> ERR315359 2 0.6727 0.569312 0.000 0.484 0.052 0.340 0.036 0.088
#> ERR315330 2 0.6791 0.562708 0.000 0.476 0.052 0.344 0.040 0.088
#> ERR315384 4 0.3871 0.566519 0.000 0.084 0.000 0.768 0.148 0.000
#> ERR315413 4 0.3871 0.566519 0.000 0.084 0.000 0.768 0.148 0.000
#> ERR315332 4 0.2404 0.620943 0.000 0.036 0.000 0.884 0.080 0.000
#> ERR315334 6 0.6236 0.021480 0.400 0.000 0.028 0.152 0.000 0.420
#> ERR315447 1 0.6127 0.000424 0.432 0.000 0.020 0.156 0.000 0.392
#> ERR315453 6 0.6130 0.001399 0.412 0.000 0.024 0.144 0.000 0.420
#> ERR315442 3 0.3050 0.670335 0.000 0.000 0.764 0.000 0.000 0.236
#> ERR315457 3 0.3023 0.670549 0.000 0.000 0.768 0.000 0.000 0.232
#> ERR315392 2 0.4552 0.614559 0.000 0.668 0.024 0.280 0.028 0.000
#> ERR315450 2 0.4552 0.614559 0.000 0.668 0.024 0.280 0.028 0.000
#> ERR315462 3 0.3515 0.636129 0.000 0.000 0.676 0.000 0.000 0.324
#> ERR315328 4 0.4014 0.552882 0.000 0.096 0.000 0.756 0.148 0.000
#> ERR315389 4 0.4059 0.548399 0.000 0.100 0.000 0.752 0.148 0.000
#> ERR315435 4 0.4014 0.552882 0.000 0.096 0.000 0.756 0.148 0.000
#> ERR315482 2 0.3866 0.398917 0.000 0.516 0.000 0.484 0.000 0.000
#> ERR315380 2 0.3862 0.417553 0.000 0.524 0.000 0.476 0.000 0.000
#> ERR315377 4 0.3201 0.631428 0.040 0.020 0.000 0.852 0.004 0.084
#> ERR315374 4 0.3201 0.631428 0.040 0.020 0.000 0.852 0.004 0.084
#> ERR315466 3 0.3680 0.587459 0.000 0.148 0.796 0.000 0.040 0.016
#> ERR315479 3 0.3680 0.587459 0.000 0.148 0.796 0.000 0.040 0.016
#> ERR315473 1 0.0458 0.770598 0.984 0.000 0.000 0.016 0.000 0.000
#> ERR315391 2 0.4345 0.606228 0.000 0.628 0.000 0.344 0.012 0.016
#> ERR315417 2 0.4602 0.614140 0.000 0.668 0.032 0.276 0.024 0.000
#> ERR315385 2 0.4532 0.615816 0.000 0.672 0.028 0.276 0.024 0.000
#> ERR315386 4 0.1194 0.632371 0.008 0.032 0.000 0.956 0.000 0.004
#> ERR315438 4 0.1116 0.632009 0.008 0.028 0.000 0.960 0.000 0.004
#> ERR315367 4 0.4059 0.548399 0.000 0.100 0.000 0.752 0.148 0.000
#> ERR315331 4 0.4059 0.548399 0.000 0.100 0.000 0.752 0.148 0.000
#> ERR315347 4 0.7482 -0.123290 0.304 0.000 0.176 0.344 0.000 0.176
#> ERR315396 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315486 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315403 3 0.4176 0.533847 0.016 0.000 0.580 0.000 0.000 0.404
#> ERR315357 3 0.4238 0.470000 0.016 0.000 0.540 0.000 0.000 0.444
#> ERR315463 3 0.4697 0.487036 0.004 0.212 0.704 0.004 0.068 0.008
#> ERR315451 3 0.4586 0.487959 0.000 0.216 0.704 0.004 0.068 0.008
#> ERR315445 3 0.3126 0.669140 0.000 0.000 0.752 0.000 0.000 0.248
#> ERR315461 3 0.3126 0.669140 0.000 0.000 0.752 0.000 0.000 0.248
#> ERR315397 2 0.6673 0.463670 0.000 0.580 0.028 0.096 0.188 0.108
#> ERR315491 2 0.6673 0.463670 0.000 0.580 0.028 0.096 0.188 0.108
#> ERR315483 2 0.6673 0.463670 0.000 0.580 0.028 0.096 0.188 0.108
#> ERR315400 3 0.3499 0.638790 0.000 0.000 0.680 0.000 0.000 0.320
#> ERR315440 1 0.0865 0.729637 0.964 0.000 0.000 0.000 0.036 0.000
#> ERR315493 1 0.0865 0.729637 0.964 0.000 0.000 0.000 0.036 0.000
#> ERR315441 1 0.0937 0.725208 0.960 0.000 0.000 0.000 0.040 0.000
#> ERR315455 2 0.3919 0.654499 0.000 0.708 0.000 0.268 0.008 0.016
#> ERR315421 4 0.3316 0.616259 0.136 0.000 0.000 0.812 0.000 0.052
#> ERR315370 4 0.3356 0.613982 0.140 0.000 0.000 0.808 0.000 0.052
#> ERR315355 4 0.3316 0.616345 0.136 0.000 0.000 0.812 0.000 0.052
#> ERR315446 2 0.4787 0.645704 0.000 0.684 0.000 0.216 0.012 0.088
#> ERR315375 4 0.3219 0.626418 0.040 0.016 0.000 0.840 0.000 0.104
#> ERR315467 3 0.3221 0.671426 0.004 0.000 0.772 0.000 0.004 0.220
#> ERR315484 3 0.3634 0.611577 0.000 0.000 0.644 0.000 0.000 0.356
#> ERR315406 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315404 5 0.3607 1.000000 0.348 0.000 0.000 0.000 0.652 0.000
#> ERR315407 2 0.7569 0.519489 0.000 0.496 0.180 0.140 0.056 0.128
#> ERR315340 2 0.7597 0.518858 0.000 0.492 0.180 0.144 0.056 0.128
#> ERR315356 4 0.3920 0.562698 0.000 0.088 0.000 0.764 0.148 0.000
#> ERR315430 4 0.3920 0.562698 0.000 0.088 0.000 0.764 0.148 0.000
#> ERR315422 2 0.6582 0.415727 0.000 0.588 0.064 0.032 0.176 0.140
#> ERR315358 2 0.6550 0.418663 0.000 0.592 0.064 0.032 0.176 0.136
#> ERR315448 1 0.1714 0.746936 0.908 0.000 0.000 0.092 0.000 0.000
#> ERR315401 6 0.0436 0.835577 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315464 6 0.0436 0.835577 0.000 0.000 0.004 0.004 0.004 0.988
#> ERR315481 1 0.0405 0.759421 0.988 0.000 0.004 0.000 0.008 0.000
#> ERR315454 1 0.0405 0.759421 0.988 0.000 0.004 0.000 0.008 0.000
#> ERR315365 2 0.6335 0.628554 0.000 0.604 0.060 0.220 0.048 0.068
#> ERR315354 2 0.6290 0.631717 0.000 0.600 0.056 0.232 0.044 0.068
#> ERR315439 4 0.4227 -0.226645 0.492 0.004 0.000 0.496 0.000 0.008
#> ERR315444 4 0.4315 -0.221932 0.488 0.004 0.000 0.496 0.000 0.012
#> ERR315341 1 0.4269 0.421449 0.580 0.008 0.004 0.404 0.004 0.000
#> ERR315412 2 0.6648 0.413647 0.000 0.584 0.068 0.036 0.184 0.128
#> ERR315337 2 0.6614 0.417758 0.000 0.588 0.068 0.036 0.184 0.124
#> ERR315429 3 0.4104 0.586383 0.000 0.172 0.760 0.000 0.048 0.020
#> ERR315436 3 0.4258 0.589371 0.000 0.172 0.752 0.000 0.048 0.028
#> ERR315379 3 0.3797 0.535788 0.000 0.000 0.580 0.000 0.000 0.420
#> ERR315443 3 0.4394 0.498688 0.000 0.208 0.716 0.000 0.068 0.008
#> ERR315415 2 0.4822 0.644765 0.000 0.656 0.000 0.264 0.012 0.068
#> ERR315456 2 0.4912 0.639781 0.000 0.644 0.000 0.272 0.012 0.072
#> ERR315336 4 0.3222 0.628081 0.040 0.012 0.000 0.844 0.004 0.100
#> ERR315399 4 0.3222 0.628081 0.040 0.012 0.000 0.844 0.004 0.100
#> ERR315477 2 0.3852 0.658977 0.000 0.720 0.000 0.256 0.008 0.016
#> ERR315346 1 0.5070 0.416117 0.560 0.008 0.016 0.388 0.024 0.004
#> ERR315383 3 0.4312 0.501870 0.000 0.204 0.724 0.000 0.064 0.008
#> ERR315494 3 0.4518 0.513668 0.000 0.220 0.696 0.000 0.080 0.004
#> ERR315492 2 0.5840 0.607025 0.000 0.620 0.000 0.176 0.148 0.056
#> ERR315432 2 0.3948 0.654827 0.000 0.704 0.000 0.272 0.012 0.012
#> ERR315338 1 0.2219 0.713831 0.864 0.000 0.000 0.136 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "hclust"]
# you can also extract it by
# res = res_list["ATC:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.998 0.999 0.2463 0.755 0.755
#> 3 3 0.712 0.917 0.951 1.3872 0.657 0.545
#> 4 4 0.737 0.913 0.948 0.0801 0.953 0.885
#> 5 5 0.710 0.811 0.902 0.1044 0.939 0.833
#> 6 6 0.678 0.790 0.853 0.0671 0.951 0.840
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.0376 0.997 0.996 0.004
#> ERR315339 1 0.0000 0.999 1.000 0.000
#> ERR315376 1 0.0000 0.999 1.000 0.000
#> ERR315343 1 0.0376 0.997 0.996 0.004
#> ERR315342 1 0.0376 0.997 0.996 0.004
#> ERR315468 1 0.0376 0.997 0.996 0.004
#> ERR315434 1 0.0376 0.997 0.996 0.004
#> ERR315489 1 0.0376 0.997 0.996 0.004
#> ERR315371 1 0.0000 0.999 1.000 0.000
#> ERR315433 1 0.0000 0.999 1.000 0.000
#> ERR315368 1 0.0000 0.999 1.000 0.000
#> ERR315465 1 0.0000 0.999 1.000 0.000
#> ERR315437 1 0.0000 0.999 1.000 0.000
#> ERR315327 2 0.0000 0.998 0.000 1.000
#> ERR315394 2 0.0000 0.998 0.000 1.000
#> ERR315427 1 0.0000 0.999 1.000 0.000
#> ERR315360 1 0.0000 0.999 1.000 0.000
#> ERR315426 1 0.0000 0.999 1.000 0.000
#> ERR315387 1 0.0000 0.999 1.000 0.000
#> ERR315475 1 0.0000 0.999 1.000 0.000
#> ERR315395 1 0.0376 0.997 0.996 0.004
#> ERR315333 1 0.0376 0.997 0.996 0.004
#> ERR315460 1 0.0000 0.999 1.000 0.000
#> ERR315372 1 0.0000 0.999 1.000 0.000
#> ERR315472 1 0.0376 0.997 0.996 0.004
#> ERR315398 1 0.0376 0.997 0.996 0.004
#> ERR315409 1 0.0376 0.997 0.996 0.004
#> ERR315423 1 0.0376 0.997 0.996 0.004
#> ERR315402 1 0.0000 0.999 1.000 0.000
#> ERR315458 1 0.0000 0.999 1.000 0.000
#> ERR315366 1 0.0000 0.999 1.000 0.000
#> ERR315345 1 0.0000 0.999 1.000 0.000
#> ERR315326 1 0.0000 0.999 1.000 0.000
#> ERR315424 1 0.0000 0.999 1.000 0.000
#> ERR315382 2 0.1184 0.985 0.016 0.984
#> ERR315325 2 0.1184 0.985 0.016 0.984
#> ERR315369 1 0.0376 0.997 0.996 0.004
#> ERR315485 1 0.0376 0.997 0.996 0.004
#> ERR315420 2 0.0000 0.998 0.000 1.000
#> ERR315459 2 0.0000 0.998 0.000 1.000
#> ERR315353 1 0.0000 0.999 1.000 0.000
#> ERR315487 1 0.0000 0.999 1.000 0.000
#> ERR315378 1 0.0376 0.997 0.996 0.004
#> ERR315431 1 0.0376 0.997 0.996 0.004
#> ERR315335 1 0.0000 0.999 1.000 0.000
#> ERR315452 1 0.0000 0.999 1.000 0.000
#> ERR315471 1 0.0000 0.999 1.000 0.000
#> ERR315390 1 0.0000 0.999 1.000 0.000
#> ERR315329 1 0.0000 0.999 1.000 0.000
#> ERR315393 1 0.0000 0.999 1.000 0.000
#> ERR315488 1 0.0000 0.999 1.000 0.000
#> ERR315351 1 0.0000 0.999 1.000 0.000
#> ERR315350 1 0.0000 0.999 1.000 0.000
#> ERR315381 1 0.0376 0.997 0.996 0.004
#> ERR315388 1 0.0376 0.997 0.996 0.004
#> ERR315418 2 0.0000 0.998 0.000 1.000
#> ERR315449 2 0.0000 0.998 0.000 1.000
#> ERR315490 1 0.0000 0.999 1.000 0.000
#> ERR315495 1 0.0000 0.999 1.000 0.000
#> ERR315361 1 0.0000 0.999 1.000 0.000
#> ERR315419 1 0.0376 0.997 0.996 0.004
#> ERR315344 1 0.0376 0.997 0.996 0.004
#> ERR315414 2 0.0000 0.998 0.000 1.000
#> ERR315352 1 0.0000 0.999 1.000 0.000
#> ERR315410 1 0.0376 0.997 0.996 0.004
#> ERR315349 1 0.0000 0.999 1.000 0.000
#> ERR315474 1 0.0000 0.999 1.000 0.000
#> ERR315470 1 0.0000 0.999 1.000 0.000
#> ERR315428 1 0.0000 0.999 1.000 0.000
#> ERR315363 1 0.0000 0.999 1.000 0.000
#> ERR315469 1 0.0376 0.997 0.996 0.004
#> ERR315425 1 0.0376 0.997 0.996 0.004
#> ERR315476 1 0.0000 0.999 1.000 0.000
#> ERR315478 1 0.0000 0.999 1.000 0.000
#> ERR315362 1 0.0376 0.997 0.996 0.004
#> ERR315411 1 0.0376 0.997 0.996 0.004
#> ERR315416 1 0.0000 0.999 1.000 0.000
#> ERR315405 1 0.0000 0.999 1.000 0.000
#> ERR315408 1 0.0376 0.997 0.996 0.004
#> ERR315364 1 0.0376 0.997 0.996 0.004
#> ERR315359 1 0.0000 0.999 1.000 0.000
#> ERR315330 1 0.0000 0.999 1.000 0.000
#> ERR315384 2 0.0376 0.995 0.004 0.996
#> ERR315413 2 0.0376 0.995 0.004 0.996
#> ERR315332 1 0.0376 0.997 0.996 0.004
#> ERR315334 1 0.0000 0.999 1.000 0.000
#> ERR315447 1 0.0000 0.999 1.000 0.000
#> ERR315453 1 0.0000 0.999 1.000 0.000
#> ERR315442 1 0.0376 0.997 0.996 0.004
#> ERR315457 1 0.0376 0.997 0.996 0.004
#> ERR315392 1 0.0000 0.999 1.000 0.000
#> ERR315450 1 0.0000 0.999 1.000 0.000
#> ERR315462 1 0.0376 0.997 0.996 0.004
#> ERR315328 2 0.0000 0.998 0.000 1.000
#> ERR315389 2 0.0000 0.998 0.000 1.000
#> ERR315435 2 0.0000 0.998 0.000 1.000
#> ERR315482 1 0.0000 0.999 1.000 0.000
#> ERR315380 1 0.0000 0.999 1.000 0.000
#> ERR315377 1 0.0376 0.997 0.996 0.004
#> ERR315374 1 0.0376 0.997 0.996 0.004
#> ERR315466 2 0.0000 0.998 0.000 1.000
#> ERR315479 2 0.0000 0.998 0.000 1.000
#> ERR315473 1 0.0000 0.999 1.000 0.000
#> ERR315391 1 0.0000 0.999 1.000 0.000
#> ERR315417 1 0.0000 0.999 1.000 0.000
#> ERR315385 1 0.0000 0.999 1.000 0.000
#> ERR315386 1 0.0000 0.999 1.000 0.000
#> ERR315438 1 0.0000 0.999 1.000 0.000
#> ERR315367 2 0.0000 0.998 0.000 1.000
#> ERR315331 2 0.0000 0.998 0.000 1.000
#> ERR315347 1 0.0000 0.999 1.000 0.000
#> ERR315396 1 0.0376 0.997 0.996 0.004
#> ERR315486 1 0.0376 0.997 0.996 0.004
#> ERR315403 1 0.0376 0.997 0.996 0.004
#> ERR315357 1 0.0376 0.997 0.996 0.004
#> ERR315463 2 0.0000 0.998 0.000 1.000
#> ERR315451 2 0.0000 0.998 0.000 1.000
#> ERR315445 1 0.0376 0.997 0.996 0.004
#> ERR315461 1 0.0376 0.997 0.996 0.004
#> ERR315397 1 0.0000 0.999 1.000 0.000
#> ERR315491 1 0.0000 0.999 1.000 0.000
#> ERR315483 1 0.0000 0.999 1.000 0.000
#> ERR315400 1 0.0376 0.997 0.996 0.004
#> ERR315440 1 0.0000 0.999 1.000 0.000
#> ERR315493 1 0.0000 0.999 1.000 0.000
#> ERR315441 1 0.0000 0.999 1.000 0.000
#> ERR315455 1 0.0376 0.997 0.996 0.004
#> ERR315421 1 0.0000 0.999 1.000 0.000
#> ERR315370 1 0.0000 0.999 1.000 0.000
#> ERR315355 1 0.0000 0.999 1.000 0.000
#> ERR315446 1 0.0000 0.999 1.000 0.000
#> ERR315375 1 0.0000 0.999 1.000 0.000
#> ERR315467 1 0.0376 0.997 0.996 0.004
#> ERR315484 1 0.0376 0.997 0.996 0.004
#> ERR315406 1 0.0376 0.997 0.996 0.004
#> ERR315404 1 0.0376 0.997 0.996 0.004
#> ERR315407 1 0.0000 0.999 1.000 0.000
#> ERR315340 1 0.0000 0.999 1.000 0.000
#> ERR315356 2 0.0000 0.998 0.000 1.000
#> ERR315430 2 0.0000 0.998 0.000 1.000
#> ERR315422 1 0.0000 0.999 1.000 0.000
#> ERR315358 1 0.0000 0.999 1.000 0.000
#> ERR315448 1 0.0000 0.999 1.000 0.000
#> ERR315401 1 0.0000 0.999 1.000 0.000
#> ERR315464 1 0.0000 0.999 1.000 0.000
#> ERR315481 1 0.0000 0.999 1.000 0.000
#> ERR315454 1 0.0000 0.999 1.000 0.000
#> ERR315365 1 0.0000 0.999 1.000 0.000
#> ERR315354 1 0.0000 0.999 1.000 0.000
#> ERR315439 1 0.0000 0.999 1.000 0.000
#> ERR315444 1 0.0000 0.999 1.000 0.000
#> ERR315341 1 0.0000 0.999 1.000 0.000
#> ERR315412 1 0.0000 0.999 1.000 0.000
#> ERR315337 1 0.0000 0.999 1.000 0.000
#> ERR315429 2 0.0000 0.998 0.000 1.000
#> ERR315436 2 0.0000 0.998 0.000 1.000
#> ERR315379 1 0.0000 0.999 1.000 0.000
#> ERR315443 1 0.0376 0.997 0.996 0.004
#> ERR315415 1 0.0000 0.999 1.000 0.000
#> ERR315456 1 0.0000 0.999 1.000 0.000
#> ERR315336 1 0.0000 0.999 1.000 0.000
#> ERR315399 1 0.0000 0.999 1.000 0.000
#> ERR315477 1 0.0000 0.999 1.000 0.000
#> ERR315346 1 0.0000 0.999 1.000 0.000
#> ERR315383 1 0.0376 0.997 0.996 0.004
#> ERR315494 1 0.0376 0.997 0.996 0.004
#> ERR315492 1 0.0000 0.999 1.000 0.000
#> ERR315432 1 0.0376 0.997 0.996 0.004
#> ERR315338 1 0.0000 0.999 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315339 2 0.2066 0.916 0.060 0.940 0.000
#> ERR315376 2 0.2066 0.916 0.060 0.940 0.000
#> ERR315343 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315342 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315468 2 0.3879 0.863 0.152 0.848 0.000
#> ERR315434 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315489 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315371 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315433 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315368 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315465 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315437 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315327 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315394 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315427 2 0.3412 0.891 0.124 0.876 0.000
#> ERR315360 2 0.3412 0.891 0.124 0.876 0.000
#> ERR315426 1 0.5254 0.625 0.736 0.264 0.000
#> ERR315387 1 0.5254 0.625 0.736 0.264 0.000
#> ERR315475 1 0.5254 0.625 0.736 0.264 0.000
#> ERR315395 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315333 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315460 2 0.2537 0.911 0.080 0.920 0.000
#> ERR315372 2 0.2537 0.911 0.080 0.920 0.000
#> ERR315472 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315398 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315409 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315423 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315402 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315458 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315366 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315345 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315326 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315424 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315382 3 0.0892 0.978 0.000 0.020 0.980
#> ERR315325 3 0.0892 0.978 0.000 0.020 0.980
#> ERR315369 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315485 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315420 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315459 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315353 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315487 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315378 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315431 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315335 2 0.4452 0.835 0.192 0.808 0.000
#> ERR315452 2 0.4452 0.835 0.192 0.808 0.000
#> ERR315471 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315351 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315350 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315381 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315388 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315418 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315449 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315490 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315495 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315361 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315419 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315344 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315414 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315352 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315410 2 0.3879 0.863 0.152 0.848 0.000
#> ERR315349 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315474 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315470 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315428 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315363 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315469 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315425 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315476 2 0.1964 0.917 0.056 0.944 0.000
#> ERR315478 2 0.1964 0.917 0.056 0.944 0.000
#> ERR315362 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315411 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315416 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315405 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315408 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315364 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315359 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315330 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315384 3 0.0424 0.991 0.000 0.008 0.992
#> ERR315413 3 0.0424 0.991 0.000 0.008 0.992
#> ERR315332 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315334 1 0.4399 0.751 0.812 0.188 0.000
#> ERR315447 1 0.4399 0.751 0.812 0.188 0.000
#> ERR315453 1 0.4399 0.751 0.812 0.188 0.000
#> ERR315442 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315457 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315392 2 0.4452 0.835 0.192 0.808 0.000
#> ERR315450 2 0.4452 0.835 0.192 0.808 0.000
#> ERR315462 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315328 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315389 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315435 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315482 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315380 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315377 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315374 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315466 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315479 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315473 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315391 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315417 2 0.4452 0.835 0.192 0.808 0.000
#> ERR315385 2 0.4452 0.835 0.192 0.808 0.000
#> ERR315386 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315438 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315367 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315331 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315347 2 0.3412 0.891 0.124 0.876 0.000
#> ERR315396 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315486 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315403 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315357 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315463 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315451 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315445 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315461 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315397 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315491 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315483 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315400 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315493 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315441 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315455 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315421 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315370 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315355 2 0.3340 0.893 0.120 0.880 0.000
#> ERR315446 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315375 2 0.1964 0.917 0.056 0.944 0.000
#> ERR315467 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315484 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315406 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315404 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315407 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315340 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315356 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315430 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315422 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315358 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315448 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315401 2 0.2537 0.911 0.080 0.920 0.000
#> ERR315464 2 0.2537 0.911 0.080 0.920 0.000
#> ERR315481 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315454 1 0.1031 0.945 0.976 0.024 0.000
#> ERR315365 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315354 2 0.5327 0.741 0.272 0.728 0.000
#> ERR315439 2 0.3816 0.875 0.148 0.852 0.000
#> ERR315444 2 0.3816 0.875 0.148 0.852 0.000
#> ERR315341 2 0.3816 0.875 0.148 0.852 0.000
#> ERR315412 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315337 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315429 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315436 3 0.0000 0.997 0.000 0.000 1.000
#> ERR315379 2 0.1964 0.917 0.056 0.944 0.000
#> ERR315443 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315415 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315456 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315336 2 0.1964 0.917 0.056 0.944 0.000
#> ERR315399 2 0.1964 0.917 0.056 0.944 0.000
#> ERR315477 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315346 2 0.3816 0.875 0.148 0.852 0.000
#> ERR315383 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315494 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315492 1 0.0000 0.958 1.000 0.000 0.000
#> ERR315432 2 0.0000 0.923 0.000 1.000 0.000
#> ERR315338 1 0.1031 0.945 0.976 0.024 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315339 3 0.2335 0.899 0.020 0.060 0.920 0.000
#> ERR315376 3 0.2335 0.899 0.020 0.060 0.920 0.000
#> ERR315343 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315342 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315468 3 0.3074 0.856 0.000 0.152 0.848 0.000
#> ERR315434 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315489 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315371 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315433 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315368 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315465 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315437 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315327 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315394 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315427 3 0.2888 0.884 0.004 0.124 0.872 0.000
#> ERR315360 3 0.2888 0.884 0.004 0.124 0.872 0.000
#> ERR315426 2 0.4675 0.609 0.020 0.736 0.244 0.000
#> ERR315387 2 0.4675 0.609 0.020 0.736 0.244 0.000
#> ERR315475 2 0.4675 0.609 0.020 0.736 0.244 0.000
#> ERR315395 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315333 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315460 3 0.2706 0.893 0.020 0.080 0.900 0.000
#> ERR315372 3 0.2706 0.893 0.020 0.080 0.900 0.000
#> ERR315472 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315398 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315409 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315402 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315458 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315366 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315345 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315326 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315424 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315382 4 0.0804 0.980 0.012 0.000 0.008 0.980
#> ERR315325 4 0.0804 0.980 0.012 0.000 0.008 0.980
#> ERR315369 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315420 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315459 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315353 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315487 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315378 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315431 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315335 3 0.3710 0.834 0.004 0.192 0.804 0.000
#> ERR315452 3 0.3710 0.834 0.004 0.192 0.804 0.000
#> ERR315471 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315390 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315329 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315393 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315488 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315351 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315350 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315381 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315418 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315449 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315490 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315495 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315361 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315419 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315414 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315352 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315410 3 0.3074 0.856 0.000 0.152 0.848 0.000
#> ERR315349 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315474 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315470 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315428 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315363 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315469 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315425 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315476 3 0.1743 0.902 0.004 0.056 0.940 0.000
#> ERR315478 3 0.1743 0.902 0.004 0.056 0.940 0.000
#> ERR315362 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315411 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315416 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315405 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315408 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315359 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315330 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315384 4 0.0336 0.989 0.000 0.000 0.008 0.992
#> ERR315413 4 0.0336 0.989 0.000 0.000 0.008 0.992
#> ERR315332 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315334 2 0.3486 0.715 0.000 0.812 0.188 0.000
#> ERR315447 2 0.3486 0.715 0.000 0.812 0.188 0.000
#> ERR315453 2 0.3486 0.715 0.000 0.812 0.188 0.000
#> ERR315442 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315392 3 0.3710 0.834 0.004 0.192 0.804 0.000
#> ERR315450 3 0.3710 0.834 0.004 0.192 0.804 0.000
#> ERR315462 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315328 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315389 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315435 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315482 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315380 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315377 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315374 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315466 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315479 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315473 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315391 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315417 3 0.3710 0.834 0.004 0.192 0.804 0.000
#> ERR315385 3 0.3710 0.834 0.004 0.192 0.804 0.000
#> ERR315386 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315438 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315367 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315331 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315347 3 0.2888 0.884 0.004 0.124 0.872 0.000
#> ERR315396 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315486 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315403 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315357 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315463 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315451 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315445 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315397 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315491 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315483 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315400 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315440 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315493 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315441 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315455 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315421 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315370 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315355 3 0.2831 0.886 0.004 0.120 0.876 0.000
#> ERR315446 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315375 3 0.1743 0.902 0.004 0.056 0.940 0.000
#> ERR315467 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315484 3 0.0000 0.902 0.000 0.000 1.000 0.000
#> ERR315406 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315404 1 0.0336 1.000 0.992 0.000 0.008 0.000
#> ERR315407 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315340 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315356 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315430 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315422 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315358 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315448 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315401 3 0.2706 0.893 0.020 0.080 0.900 0.000
#> ERR315464 3 0.2706 0.893 0.020 0.080 0.900 0.000
#> ERR315481 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315454 2 0.0927 0.945 0.016 0.976 0.008 0.000
#> ERR315365 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315354 3 0.4401 0.750 0.004 0.272 0.724 0.000
#> ERR315439 3 0.3208 0.871 0.004 0.148 0.848 0.000
#> ERR315444 3 0.3208 0.871 0.004 0.148 0.848 0.000
#> ERR315341 3 0.3208 0.871 0.004 0.148 0.848 0.000
#> ERR315412 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315337 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315429 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315436 4 0.0000 0.997 0.000 0.000 0.000 1.000
#> ERR315379 3 0.1743 0.902 0.004 0.056 0.940 0.000
#> ERR315443 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315415 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315456 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315336 3 0.1743 0.902 0.004 0.056 0.940 0.000
#> ERR315399 3 0.1743 0.902 0.004 0.056 0.940 0.000
#> ERR315477 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315346 3 0.3208 0.871 0.004 0.148 0.848 0.000
#> ERR315383 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315494 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315492 2 0.0000 0.957 0.000 1.000 0.000 0.000
#> ERR315432 3 0.0469 0.897 0.012 0.000 0.988 0.000
#> ERR315338 2 0.0927 0.945 0.016 0.976 0.008 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 4 0.3336 0.644 0 0.000 0.228 0.772 0.000
#> ERR315339 4 0.0609 0.751 0 0.000 0.020 0.980 0.000
#> ERR315376 4 0.0609 0.751 0 0.000 0.020 0.980 0.000
#> ERR315343 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315342 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315468 4 0.4680 0.702 0 0.128 0.132 0.740 0.000
#> ERR315434 4 0.4201 0.246 0 0.000 0.408 0.592 0.000
#> ERR315489 4 0.4201 0.246 0 0.000 0.408 0.592 0.000
#> ERR315371 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315433 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315368 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315465 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315437 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315327 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315394 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315427 4 0.1410 0.764 0 0.060 0.000 0.940 0.000
#> ERR315360 4 0.1410 0.764 0 0.060 0.000 0.940 0.000
#> ERR315426 2 0.4309 0.590 0 0.676 0.016 0.308 0.000
#> ERR315387 2 0.4309 0.590 0 0.676 0.016 0.308 0.000
#> ERR315475 2 0.4309 0.590 0 0.676 0.016 0.308 0.000
#> ERR315395 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315460 4 0.1216 0.756 0 0.020 0.020 0.960 0.000
#> ERR315372 4 0.1216 0.756 0 0.020 0.020 0.960 0.000
#> ERR315472 4 0.4201 0.246 0 0.000 0.408 0.592 0.000
#> ERR315398 4 0.4201 0.246 0 0.000 0.408 0.592 0.000
#> ERR315409 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315423 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315402 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315458 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315366 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315345 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315326 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315424 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315382 5 0.0609 0.980 0 0.000 0.020 0.000 0.980
#> ERR315325 5 0.0609 0.980 0 0.000 0.020 0.000 0.980
#> ERR315369 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315485 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315420 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315459 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315353 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315487 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315378 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315431 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315335 4 0.2377 0.718 0 0.128 0.000 0.872 0.000
#> ERR315452 4 0.2377 0.718 0 0.128 0.000 0.872 0.000
#> ERR315471 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315390 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315329 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315393 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315488 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315351 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315350 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315381 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315388 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315418 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315449 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315490 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315495 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315361 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315419 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315344 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315414 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315352 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315410 4 0.4680 0.702 0 0.128 0.132 0.740 0.000
#> ERR315349 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315474 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315470 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315428 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315363 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315469 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315476 4 0.0290 0.754 0 0.000 0.008 0.992 0.000
#> ERR315478 4 0.0290 0.754 0 0.000 0.008 0.992 0.000
#> ERR315362 4 0.4201 0.246 0 0.000 0.408 0.592 0.000
#> ERR315411 4 0.4201 0.246 0 0.000 0.408 0.592 0.000
#> ERR315416 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315405 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315408 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315364 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315359 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315330 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315384 5 0.0290 0.989 0 0.000 0.008 0.000 0.992
#> ERR315413 5 0.0290 0.989 0 0.000 0.008 0.000 0.992
#> ERR315332 3 0.3424 0.873 0 0.000 0.760 0.240 0.000
#> ERR315334 2 0.3039 0.703 0 0.808 0.000 0.192 0.000
#> ERR315447 2 0.3039 0.703 0 0.808 0.000 0.192 0.000
#> ERR315453 2 0.3039 0.703 0 0.808 0.000 0.192 0.000
#> ERR315442 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315457 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315392 4 0.2377 0.718 0 0.128 0.000 0.872 0.000
#> ERR315450 4 0.2377 0.718 0 0.128 0.000 0.872 0.000
#> ERR315462 3 0.4273 0.352 0 0.000 0.552 0.448 0.000
#> ERR315328 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315389 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315435 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315482 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315380 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315377 4 0.3003 0.674 0 0.000 0.188 0.812 0.000
#> ERR315374 4 0.3003 0.674 0 0.000 0.188 0.812 0.000
#> ERR315466 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315479 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315473 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315391 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315417 4 0.2377 0.718 0 0.128 0.000 0.872 0.000
#> ERR315385 4 0.2377 0.718 0 0.128 0.000 0.872 0.000
#> ERR315386 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315438 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315367 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315331 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315347 4 0.1410 0.764 0 0.060 0.000 0.940 0.000
#> ERR315396 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315403 4 0.3336 0.644 0 0.000 0.228 0.772 0.000
#> ERR315357 4 0.3336 0.644 0 0.000 0.228 0.772 0.000
#> ERR315463 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315451 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315445 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315461 4 0.3366 0.642 0 0.000 0.232 0.768 0.000
#> ERR315397 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315491 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315483 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315400 4 0.3336 0.644 0 0.000 0.228 0.772 0.000
#> ERR315440 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315493 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315441 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315455 3 0.0510 0.588 0 0.000 0.984 0.016 0.000
#> ERR315421 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315370 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315355 4 0.1571 0.765 0 0.060 0.004 0.936 0.000
#> ERR315446 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315375 4 0.0290 0.754 0 0.000 0.008 0.992 0.000
#> ERR315467 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315484 4 0.3336 0.644 0 0.000 0.228 0.772 0.000
#> ERR315406 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 1.000 1 0.000 0.000 0.000 0.000
#> ERR315407 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315340 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315356 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315430 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315422 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315358 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315448 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315401 4 0.1216 0.756 0 0.020 0.020 0.960 0.000
#> ERR315464 4 0.1216 0.756 0 0.020 0.020 0.960 0.000
#> ERR315481 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315454 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
#> ERR315365 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315354 4 0.3177 0.664 0 0.208 0.000 0.792 0.000
#> ERR315439 4 0.1792 0.759 0 0.084 0.000 0.916 0.000
#> ERR315444 4 0.1792 0.759 0 0.084 0.000 0.916 0.000
#> ERR315341 4 0.1792 0.759 0 0.084 0.000 0.916 0.000
#> ERR315412 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315337 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315429 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315436 5 0.0000 0.997 0 0.000 0.000 0.000 1.000
#> ERR315379 4 0.0703 0.752 0 0.000 0.024 0.976 0.000
#> ERR315443 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315415 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315456 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315336 4 0.0290 0.754 0 0.000 0.008 0.992 0.000
#> ERR315399 4 0.0290 0.754 0 0.000 0.008 0.992 0.000
#> ERR315477 2 0.0162 0.939 0 0.996 0.000 0.004 0.000
#> ERR315346 4 0.1792 0.759 0 0.084 0.000 0.916 0.000
#> ERR315383 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315494 3 0.3242 0.900 0 0.000 0.784 0.216 0.000
#> ERR315492 2 0.0000 0.939 0 1.000 0.000 0.000 0.000
#> ERR315432 3 0.0510 0.588 0 0.000 0.984 0.016 0.000
#> ERR315338 2 0.2046 0.896 0 0.916 0.016 0.068 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 4 0.3460 0.652 0.020 0.000 0.220 0.760 0.000 0
#> ERR315339 4 0.1444 0.728 0.072 0.000 0.000 0.928 0.000 0
#> ERR315376 4 0.1444 0.728 0.072 0.000 0.000 0.928 0.000 0
#> ERR315343 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315342 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315468 4 0.4243 0.711 0.000 0.132 0.132 0.736 0.000 0
#> ERR315434 4 0.4093 0.280 0.012 0.000 0.404 0.584 0.000 0
#> ERR315489 4 0.4093 0.280 0.012 0.000 0.404 0.584 0.000 0
#> ERR315371 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315433 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315368 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315465 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315437 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315327 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315394 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315427 4 0.1327 0.763 0.000 0.064 0.000 0.936 0.000 0
#> ERR315360 4 0.1327 0.763 0.000 0.064 0.000 0.936 0.000 0
#> ERR315426 1 0.3952 0.562 0.672 0.020 0.000 0.308 0.000 0
#> ERR315387 1 0.3952 0.562 0.672 0.020 0.000 0.308 0.000 0
#> ERR315475 1 0.3952 0.562 0.672 0.020 0.000 0.308 0.000 0
#> ERR315395 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315333 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315460 4 0.1983 0.727 0.072 0.020 0.000 0.908 0.000 0
#> ERR315372 4 0.1983 0.727 0.072 0.020 0.000 0.908 0.000 0
#> ERR315472 4 0.4093 0.280 0.012 0.000 0.404 0.584 0.000 0
#> ERR315398 4 0.4093 0.280 0.012 0.000 0.404 0.584 0.000 0
#> ERR315409 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315423 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315402 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315458 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315366 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315345 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315326 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315424 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315382 5 0.1625 0.946 0.060 0.000 0.012 0.000 0.928 0
#> ERR315325 5 0.1625 0.946 0.060 0.000 0.012 0.000 0.928 0
#> ERR315369 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315485 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315420 5 0.0000 0.957 0.000 0.000 0.000 0.000 1.000 0
#> ERR315459 5 0.0000 0.957 0.000 0.000 0.000 0.000 1.000 0
#> ERR315353 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315487 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315378 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315431 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315335 4 0.2178 0.726 0.000 0.132 0.000 0.868 0.000 0
#> ERR315452 4 0.2178 0.726 0.000 0.132 0.000 0.868 0.000 0
#> ERR315471 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315390 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315329 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315393 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315488 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315351 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315350 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315381 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315388 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315418 5 0.0000 0.957 0.000 0.000 0.000 0.000 1.000 0
#> ERR315449 5 0.0000 0.957 0.000 0.000 0.000 0.000 1.000 0
#> ERR315490 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315495 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315361 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315419 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315344 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315414 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315352 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315410 4 0.4243 0.711 0.000 0.132 0.132 0.736 0.000 0
#> ERR315349 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315474 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315470 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315428 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315363 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315469 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315425 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315476 4 0.0547 0.756 0.020 0.000 0.000 0.980 0.000 0
#> ERR315478 4 0.0547 0.756 0.020 0.000 0.000 0.980 0.000 0
#> ERR315362 4 0.4093 0.280 0.012 0.000 0.404 0.584 0.000 0
#> ERR315411 4 0.4093 0.280 0.012 0.000 0.404 0.584 0.000 0
#> ERR315416 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315405 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315408 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315364 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315359 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315330 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315384 5 0.1267 0.952 0.060 0.000 0.000 0.000 0.940 0
#> ERR315413 5 0.1267 0.952 0.060 0.000 0.000 0.000 0.940 0
#> ERR315332 3 0.2969 0.862 0.000 0.000 0.776 0.224 0.000 0
#> ERR315334 2 0.2697 0.628 0.000 0.812 0.000 0.188 0.000 0
#> ERR315447 2 0.2697 0.628 0.000 0.812 0.000 0.188 0.000 0
#> ERR315453 2 0.2697 0.628 0.000 0.812 0.000 0.188 0.000 0
#> ERR315442 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315457 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315392 4 0.2178 0.726 0.000 0.132 0.000 0.868 0.000 0
#> ERR315450 4 0.2178 0.726 0.000 0.132 0.000 0.868 0.000 0
#> ERR315462 3 0.4057 0.333 0.008 0.000 0.556 0.436 0.000 0
#> ERR315328 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315389 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315435 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315482 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315380 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315377 4 0.3156 0.681 0.020 0.000 0.180 0.800 0.000 0
#> ERR315374 4 0.3156 0.681 0.020 0.000 0.180 0.800 0.000 0
#> ERR315466 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315479 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315473 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315391 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315417 4 0.2178 0.726 0.000 0.132 0.000 0.868 0.000 0
#> ERR315385 4 0.2178 0.726 0.000 0.132 0.000 0.868 0.000 0
#> ERR315386 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315438 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315367 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315331 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315347 4 0.1327 0.763 0.000 0.064 0.000 0.936 0.000 0
#> ERR315396 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315486 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315403 4 0.3460 0.652 0.020 0.000 0.220 0.760 0.000 0
#> ERR315357 4 0.3460 0.652 0.020 0.000 0.220 0.760 0.000 0
#> ERR315463 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315451 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315445 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315461 4 0.3487 0.650 0.020 0.000 0.224 0.756 0.000 0
#> ERR315397 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315491 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315483 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315400 4 0.3460 0.652 0.020 0.000 0.220 0.760 0.000 0
#> ERR315440 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315493 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315441 1 0.3244 0.832 0.732 0.268 0.000 0.000 0.000 0
#> ERR315455 3 0.1141 0.517 0.052 0.000 0.948 0.000 0.000 0
#> ERR315421 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315370 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315355 4 0.1471 0.764 0.000 0.064 0.004 0.932 0.000 0
#> ERR315446 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315375 4 0.0547 0.756 0.020 0.000 0.000 0.980 0.000 0
#> ERR315467 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315484 4 0.3460 0.652 0.020 0.000 0.220 0.760 0.000 0
#> ERR315406 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315404 6 0.0000 1.000 0.000 0.000 0.000 0.000 0.000 1
#> ERR315407 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315340 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315356 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315430 5 0.1141 0.955 0.052 0.000 0.000 0.000 0.948 0
#> ERR315422 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315358 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315448 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315401 4 0.1983 0.727 0.072 0.020 0.000 0.908 0.000 0
#> ERR315464 4 0.1983 0.727 0.072 0.020 0.000 0.908 0.000 0
#> ERR315481 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315454 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
#> ERR315365 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315354 4 0.3133 0.680 0.008 0.212 0.000 0.780 0.000 0
#> ERR315439 4 0.1806 0.759 0.004 0.088 0.000 0.908 0.000 0
#> ERR315444 4 0.1806 0.759 0.004 0.088 0.000 0.908 0.000 0
#> ERR315341 4 0.1806 0.759 0.004 0.088 0.000 0.908 0.000 0
#> ERR315412 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315337 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315429 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315436 5 0.1204 0.948 0.056 0.000 0.000 0.000 0.944 0
#> ERR315379 4 0.0717 0.756 0.008 0.000 0.016 0.976 0.000 0
#> ERR315443 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315415 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315456 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315336 4 0.0547 0.756 0.020 0.000 0.000 0.980 0.000 0
#> ERR315399 4 0.0547 0.756 0.020 0.000 0.000 0.980 0.000 0
#> ERR315477 2 0.0000 0.917 0.000 1.000 0.000 0.000 0.000 0
#> ERR315346 4 0.1806 0.759 0.004 0.088 0.000 0.908 0.000 0
#> ERR315383 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315494 3 0.3043 0.890 0.008 0.000 0.792 0.200 0.000 0
#> ERR315492 2 0.2048 0.836 0.120 0.880 0.000 0.000 0.000 0
#> ERR315432 3 0.1141 0.517 0.052 0.000 0.948 0.000 0.000 0
#> ERR315338 1 0.4147 0.872 0.716 0.224 0.000 0.060 0.000 0
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "kmeans"]
# you can also extract it by
# res = res_list["ATC:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.735 0.898 0.915 0.4010 0.524 0.524
#> 3 3 0.685 0.955 0.938 0.4555 0.626 0.420
#> 4 4 0.596 0.605 0.784 0.1519 0.958 0.894
#> 5 5 0.598 0.566 0.737 0.0933 0.864 0.641
#> 6 6 0.631 0.512 0.694 0.0534 0.925 0.747
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.955 0.725 0.376 0.624
#> ERR315339 1 0.000 0.999 1.000 0.000
#> ERR315376 1 0.000 0.999 1.000 0.000
#> ERR315343 2 0.430 0.782 0.088 0.912
#> ERR315342 2 0.430 0.782 0.088 0.912
#> ERR315468 1 0.000 0.999 1.000 0.000
#> ERR315434 2 0.955 0.725 0.376 0.624
#> ERR315489 2 0.955 0.725 0.376 0.624
#> ERR315371 1 0.000 0.999 1.000 0.000
#> ERR315433 1 0.000 0.999 1.000 0.000
#> ERR315368 1 0.000 0.999 1.000 0.000
#> ERR315465 1 0.000 0.999 1.000 0.000
#> ERR315437 1 0.000 0.999 1.000 0.000
#> ERR315327 2 0.184 0.779 0.028 0.972
#> ERR315394 2 0.184 0.779 0.028 0.972
#> ERR315427 1 0.000 0.999 1.000 0.000
#> ERR315360 1 0.000 0.999 1.000 0.000
#> ERR315426 1 0.000 0.999 1.000 0.000
#> ERR315387 1 0.000 0.999 1.000 0.000
#> ERR315475 1 0.000 0.999 1.000 0.000
#> ERR315395 2 0.932 0.725 0.348 0.652
#> ERR315333 2 0.932 0.725 0.348 0.652
#> ERR315460 1 0.000 0.999 1.000 0.000
#> ERR315372 1 0.000 0.999 1.000 0.000
#> ERR315472 2 0.955 0.725 0.376 0.624
#> ERR315398 2 0.955 0.725 0.376 0.624
#> ERR315409 2 0.955 0.725 0.376 0.624
#> ERR315423 2 0.955 0.725 0.376 0.624
#> ERR315402 1 0.000 0.999 1.000 0.000
#> ERR315458 1 0.000 0.999 1.000 0.000
#> ERR315366 1 0.000 0.999 1.000 0.000
#> ERR315345 1 0.000 0.999 1.000 0.000
#> ERR315326 1 0.000 0.999 1.000 0.000
#> ERR315424 1 0.000 0.999 1.000 0.000
#> ERR315382 2 0.184 0.779 0.028 0.972
#> ERR315325 2 0.184 0.779 0.028 0.972
#> ERR315369 2 0.955 0.725 0.376 0.624
#> ERR315485 2 0.955 0.725 0.376 0.624
#> ERR315420 2 0.184 0.779 0.028 0.972
#> ERR315459 2 0.184 0.779 0.028 0.972
#> ERR315353 1 0.000 0.999 1.000 0.000
#> ERR315487 1 0.000 0.999 1.000 0.000
#> ERR315378 2 0.430 0.782 0.088 0.912
#> ERR315431 2 0.260 0.780 0.044 0.956
#> ERR315335 1 0.000 0.999 1.000 0.000
#> ERR315452 1 0.000 0.999 1.000 0.000
#> ERR315471 1 0.000 0.999 1.000 0.000
#> ERR315390 1 0.000 0.999 1.000 0.000
#> ERR315329 1 0.000 0.999 1.000 0.000
#> ERR315393 1 0.000 0.999 1.000 0.000
#> ERR315488 1 0.000 0.999 1.000 0.000
#> ERR315351 1 0.000 0.999 1.000 0.000
#> ERR315350 1 0.000 0.999 1.000 0.000
#> ERR315381 1 0.000 0.999 1.000 0.000
#> ERR315388 1 0.000 0.999 1.000 0.000
#> ERR315418 2 0.184 0.779 0.028 0.972
#> ERR315449 2 0.184 0.779 0.028 0.972
#> ERR315490 1 0.000 0.999 1.000 0.000
#> ERR315495 1 0.000 0.999 1.000 0.000
#> ERR315361 1 0.000 0.999 1.000 0.000
#> ERR315419 2 0.955 0.725 0.376 0.624
#> ERR315344 2 0.955 0.725 0.376 0.624
#> ERR315414 2 0.184 0.779 0.028 0.972
#> ERR315352 1 0.000 0.999 1.000 0.000
#> ERR315410 1 0.000 0.999 1.000 0.000
#> ERR315349 1 0.000 0.999 1.000 0.000
#> ERR315474 1 0.000 0.999 1.000 0.000
#> ERR315470 1 0.000 0.999 1.000 0.000
#> ERR315428 1 0.000 0.999 1.000 0.000
#> ERR315363 1 0.000 0.999 1.000 0.000
#> ERR315469 2 0.973 0.649 0.404 0.596
#> ERR315425 2 0.973 0.649 0.404 0.596
#> ERR315476 1 0.000 0.999 1.000 0.000
#> ERR315478 1 0.000 0.999 1.000 0.000
#> ERR315362 2 0.955 0.725 0.376 0.624
#> ERR315411 2 0.955 0.725 0.376 0.624
#> ERR315416 1 0.000 0.999 1.000 0.000
#> ERR315405 1 0.000 0.999 1.000 0.000
#> ERR315408 2 0.955 0.725 0.376 0.624
#> ERR315364 2 0.955 0.725 0.376 0.624
#> ERR315359 1 0.000 0.999 1.000 0.000
#> ERR315330 1 0.000 0.999 1.000 0.000
#> ERR315384 2 0.184 0.779 0.028 0.972
#> ERR315413 2 0.184 0.779 0.028 0.972
#> ERR315332 2 0.955 0.725 0.376 0.624
#> ERR315334 1 0.000 0.999 1.000 0.000
#> ERR315447 1 0.000 0.999 1.000 0.000
#> ERR315453 1 0.000 0.999 1.000 0.000
#> ERR315442 2 0.955 0.725 0.376 0.624
#> ERR315457 2 0.955 0.725 0.376 0.624
#> ERR315392 1 0.000 0.999 1.000 0.000
#> ERR315450 1 0.000 0.999 1.000 0.000
#> ERR315462 2 0.955 0.725 0.376 0.624
#> ERR315328 2 0.184 0.779 0.028 0.972
#> ERR315389 2 0.184 0.779 0.028 0.972
#> ERR315435 2 0.184 0.779 0.028 0.972
#> ERR315482 1 0.000 0.999 1.000 0.000
#> ERR315380 1 0.000 0.999 1.000 0.000
#> ERR315377 2 0.955 0.725 0.376 0.624
#> ERR315374 2 0.955 0.725 0.376 0.624
#> ERR315466 2 0.184 0.779 0.028 0.972
#> ERR315479 2 0.184 0.779 0.028 0.972
#> ERR315473 1 0.000 0.999 1.000 0.000
#> ERR315391 1 0.000 0.999 1.000 0.000
#> ERR315417 1 0.000 0.999 1.000 0.000
#> ERR315385 1 0.000 0.999 1.000 0.000
#> ERR315386 1 0.000 0.999 1.000 0.000
#> ERR315438 1 0.000 0.999 1.000 0.000
#> ERR315367 2 0.184 0.779 0.028 0.972
#> ERR315331 2 0.184 0.779 0.028 0.972
#> ERR315347 1 0.000 0.999 1.000 0.000
#> ERR315396 2 0.932 0.725 0.348 0.652
#> ERR315486 2 0.932 0.725 0.348 0.652
#> ERR315403 2 1.000 0.482 0.496 0.504
#> ERR315357 2 1.000 0.482 0.496 0.504
#> ERR315463 2 0.184 0.779 0.028 0.972
#> ERR315451 2 0.184 0.779 0.028 0.972
#> ERR315445 2 0.955 0.725 0.376 0.624
#> ERR315461 2 0.955 0.725 0.376 0.624
#> ERR315397 1 0.000 0.999 1.000 0.000
#> ERR315491 1 0.000 0.999 1.000 0.000
#> ERR315483 1 0.000 0.999 1.000 0.000
#> ERR315400 2 0.999 0.513 0.484 0.516
#> ERR315440 1 0.000 0.999 1.000 0.000
#> ERR315493 1 0.000 0.999 1.000 0.000
#> ERR315441 1 0.000 0.999 1.000 0.000
#> ERR315455 1 0.000 0.999 1.000 0.000
#> ERR315421 1 0.000 0.999 1.000 0.000
#> ERR315370 1 0.000 0.999 1.000 0.000
#> ERR315355 1 0.000 0.999 1.000 0.000
#> ERR315446 1 0.000 0.999 1.000 0.000
#> ERR315375 1 0.000 0.999 1.000 0.000
#> ERR315467 2 0.430 0.782 0.088 0.912
#> ERR315484 1 0.000 0.999 1.000 0.000
#> ERR315406 1 0.184 0.961 0.972 0.028
#> ERR315404 1 0.184 0.961 0.972 0.028
#> ERR315407 1 0.000 0.999 1.000 0.000
#> ERR315340 1 0.000 0.999 1.000 0.000
#> ERR315356 2 0.184 0.779 0.028 0.972
#> ERR315430 2 0.184 0.779 0.028 0.972
#> ERR315422 1 0.000 0.999 1.000 0.000
#> ERR315358 1 0.000 0.999 1.000 0.000
#> ERR315448 1 0.000 0.999 1.000 0.000
#> ERR315401 1 0.000 0.999 1.000 0.000
#> ERR315464 1 0.000 0.999 1.000 0.000
#> ERR315481 1 0.000 0.999 1.000 0.000
#> ERR315454 1 0.000 0.999 1.000 0.000
#> ERR315365 1 0.000 0.999 1.000 0.000
#> ERR315354 1 0.000 0.999 1.000 0.000
#> ERR315439 1 0.000 0.999 1.000 0.000
#> ERR315444 1 0.000 0.999 1.000 0.000
#> ERR315341 1 0.000 0.999 1.000 0.000
#> ERR315412 1 0.000 0.999 1.000 0.000
#> ERR315337 1 0.000 0.999 1.000 0.000
#> ERR315429 2 0.184 0.779 0.028 0.972
#> ERR315436 2 0.184 0.779 0.028 0.972
#> ERR315379 1 0.000 0.999 1.000 0.000
#> ERR315443 2 0.430 0.782 0.088 0.912
#> ERR315415 1 0.000 0.999 1.000 0.000
#> ERR315456 1 0.000 0.999 1.000 0.000
#> ERR315336 1 0.000 0.999 1.000 0.000
#> ERR315399 1 0.000 0.999 1.000 0.000
#> ERR315477 1 0.000 0.999 1.000 0.000
#> ERR315346 1 0.000 0.999 1.000 0.000
#> ERR315383 2 0.430 0.782 0.088 0.912
#> ERR315494 2 0.955 0.725 0.376 0.624
#> ERR315492 1 0.000 0.999 1.000 0.000
#> ERR315432 2 0.955 0.725 0.376 0.624
#> ERR315338 1 0.000 0.999 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 2 0.0000 0.966 0.000 1.000 0.000
#> ERR315339 2 0.0424 0.965 0.008 0.992 0.000
#> ERR315376 2 0.0424 0.965 0.008 0.992 0.000
#> ERR315343 2 0.3551 0.846 0.000 0.868 0.132
#> ERR315342 2 0.3551 0.846 0.000 0.868 0.132
#> ERR315468 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315434 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315489 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315371 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315433 1 0.3267 0.958 0.884 0.116 0.000
#> ERR315368 1 0.3267 0.958 0.884 0.116 0.000
#> ERR315465 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315437 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315327 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315394 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315427 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315360 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315426 2 0.2165 0.930 0.064 0.936 0.000
#> ERR315387 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315475 2 0.1964 0.936 0.056 0.944 0.000
#> ERR315395 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315333 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315460 1 0.4887 0.881 0.772 0.228 0.000
#> ERR315372 1 0.4887 0.881 0.772 0.228 0.000
#> ERR315472 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315398 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315409 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315423 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315402 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315458 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315366 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315345 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315326 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315424 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315382 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315325 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315369 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315485 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315420 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315459 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315353 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315487 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315378 2 0.3551 0.846 0.000 0.868 0.132
#> ERR315431 2 0.3619 0.842 0.000 0.864 0.136
#> ERR315335 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315452 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315471 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315390 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315329 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315393 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315488 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315351 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315350 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315381 2 0.0424 0.965 0.008 0.992 0.000
#> ERR315388 2 0.0424 0.965 0.008 0.992 0.000
#> ERR315418 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315449 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315490 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315495 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315361 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315419 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315344 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315414 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315352 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315410 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315349 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315474 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315470 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315428 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315363 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315469 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315425 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315476 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315478 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315362 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315411 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315416 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315405 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315408 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315364 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315359 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315330 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315384 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315413 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315332 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315334 1 0.4062 0.947 0.836 0.164 0.000
#> ERR315447 1 0.4062 0.947 0.836 0.164 0.000
#> ERR315453 1 0.4062 0.947 0.836 0.164 0.000
#> ERR315442 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315457 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315392 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315450 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315462 2 0.0000 0.966 0.000 1.000 0.000
#> ERR315328 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315389 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315435 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315482 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315380 1 0.3412 0.959 0.876 0.124 0.000
#> ERR315377 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315374 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315466 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315479 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315473 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315391 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315417 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315385 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315386 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315438 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315367 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315331 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315347 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315396 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315486 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315403 2 0.0000 0.966 0.000 1.000 0.000
#> ERR315357 2 0.0000 0.966 0.000 1.000 0.000
#> ERR315463 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315451 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315445 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315461 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315397 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315491 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315483 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315400 2 0.0237 0.965 0.004 0.996 0.000
#> ERR315440 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315493 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315441 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315455 2 0.1643 0.944 0.044 0.956 0.000
#> ERR315421 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315370 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315355 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315446 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315375 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315467 2 0.3482 0.851 0.000 0.872 0.128
#> ERR315484 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315406 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315404 2 0.3112 0.901 0.096 0.900 0.004
#> ERR315407 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315340 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315356 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315430 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315422 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315358 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315448 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315401 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315464 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315481 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315454 1 0.3482 0.950 0.872 0.128 0.000
#> ERR315365 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315354 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315439 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315444 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315341 1 0.4062 0.947 0.836 0.164 0.000
#> ERR315412 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315337 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315429 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315436 3 0.0237 1.000 0.000 0.004 0.996
#> ERR315379 2 0.0424 0.966 0.008 0.992 0.000
#> ERR315443 2 0.3412 0.855 0.000 0.876 0.124
#> ERR315415 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315456 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315336 2 0.0592 0.964 0.012 0.988 0.000
#> ERR315399 2 0.0592 0.964 0.012 0.988 0.000
#> ERR315477 1 0.3482 0.959 0.872 0.128 0.000
#> ERR315346 1 0.4654 0.906 0.792 0.208 0.000
#> ERR315383 2 0.3412 0.855 0.000 0.876 0.124
#> ERR315494 2 0.0237 0.966 0.004 0.996 0.000
#> ERR315492 1 0.2356 0.934 0.928 0.072 0.000
#> ERR315432 2 0.1529 0.945 0.040 0.960 0.000
#> ERR315338 1 0.3482 0.950 0.872 0.128 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0336 0.7576 0.008 0.000 0.992 0.000
#> ERR315339 3 0.4535 0.6084 0.292 0.004 0.704 0.000
#> ERR315376 3 0.4535 0.6084 0.292 0.004 0.704 0.000
#> ERR315343 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315342 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315468 3 0.3726 0.6860 0.212 0.000 0.788 0.000
#> ERR315434 3 0.0336 0.7576 0.008 0.000 0.992 0.000
#> ERR315489 3 0.0336 0.7576 0.008 0.000 0.992 0.000
#> ERR315371 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315433 2 0.4285 0.5700 0.156 0.804 0.040 0.000
#> ERR315368 2 0.4285 0.5700 0.156 0.804 0.040 0.000
#> ERR315465 2 0.5207 0.5389 0.292 0.680 0.028 0.000
#> ERR315437 2 0.5207 0.5389 0.292 0.680 0.028 0.000
#> ERR315327 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315394 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315427 3 0.4072 0.6424 0.252 0.000 0.748 0.000
#> ERR315360 3 0.4072 0.6424 0.252 0.000 0.748 0.000
#> ERR315426 1 0.6659 0.0924 0.468 0.084 0.448 0.000
#> ERR315387 1 0.6506 0.0429 0.468 0.072 0.460 0.000
#> ERR315475 1 0.6506 0.0429 0.468 0.072 0.460 0.000
#> ERR315395 3 0.5189 0.4069 0.372 0.012 0.616 0.000
#> ERR315333 3 0.5189 0.4069 0.372 0.012 0.616 0.000
#> ERR315460 1 0.7569 0.4005 0.436 0.368 0.196 0.000
#> ERR315372 1 0.7569 0.4005 0.436 0.368 0.196 0.000
#> ERR315472 3 0.0336 0.7576 0.008 0.000 0.992 0.000
#> ERR315398 3 0.0336 0.7576 0.008 0.000 0.992 0.000
#> ERR315409 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315423 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315402 2 0.5565 0.5248 0.260 0.684 0.056 0.000
#> ERR315458 2 0.5565 0.5248 0.260 0.684 0.056 0.000
#> ERR315366 2 0.5708 0.3803 0.416 0.556 0.028 0.000
#> ERR315345 2 0.5708 0.3803 0.416 0.556 0.028 0.000
#> ERR315326 3 0.3764 0.6780 0.216 0.000 0.784 0.000
#> ERR315424 3 0.3764 0.6780 0.216 0.000 0.784 0.000
#> ERR315382 4 0.1867 0.9671 0.072 0.000 0.000 0.928
#> ERR315325 4 0.1867 0.9671 0.072 0.000 0.000 0.928
#> ERR315369 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315485 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315420 4 0.0188 0.9802 0.004 0.000 0.000 0.996
#> ERR315459 4 0.0188 0.9802 0.004 0.000 0.000 0.996
#> ERR315353 3 0.3764 0.6780 0.216 0.000 0.784 0.000
#> ERR315487 3 0.3764 0.6780 0.216 0.000 0.784 0.000
#> ERR315378 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315431 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315335 3 0.4836 0.5435 0.320 0.008 0.672 0.000
#> ERR315452 3 0.4836 0.5435 0.320 0.008 0.672 0.000
#> ERR315471 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315390 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315329 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315393 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315488 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315351 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315350 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315381 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315388 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315418 4 0.0188 0.9802 0.004 0.000 0.000 0.996
#> ERR315449 4 0.0188 0.9802 0.004 0.000 0.000 0.996
#> ERR315490 2 0.5478 0.5313 0.248 0.696 0.056 0.000
#> ERR315495 2 0.5478 0.5313 0.248 0.696 0.056 0.000
#> ERR315361 2 0.5478 0.5313 0.248 0.696 0.056 0.000
#> ERR315419 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315344 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315414 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315352 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315410 3 0.3907 0.6703 0.232 0.000 0.768 0.000
#> ERR315349 3 0.3837 0.6724 0.224 0.000 0.776 0.000
#> ERR315474 3 0.3837 0.6724 0.224 0.000 0.776 0.000
#> ERR315470 3 0.3837 0.6724 0.224 0.000 0.776 0.000
#> ERR315428 2 0.5898 0.4365 0.316 0.628 0.056 0.000
#> ERR315363 2 0.5898 0.4365 0.316 0.628 0.056 0.000
#> ERR315469 3 0.4964 0.4068 0.380 0.004 0.616 0.000
#> ERR315425 3 0.4964 0.4068 0.380 0.004 0.616 0.000
#> ERR315476 3 0.4134 0.6363 0.260 0.000 0.740 0.000
#> ERR315478 3 0.4134 0.6363 0.260 0.000 0.740 0.000
#> ERR315362 3 0.0469 0.7570 0.012 0.000 0.988 0.000
#> ERR315411 3 0.0469 0.7570 0.012 0.000 0.988 0.000
#> ERR315416 2 0.5708 0.3803 0.416 0.556 0.028 0.000
#> ERR315405 2 0.5708 0.3803 0.416 0.556 0.028 0.000
#> ERR315408 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315364 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315359 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315330 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315384 4 0.1867 0.9667 0.072 0.000 0.000 0.928
#> ERR315413 4 0.1867 0.9667 0.072 0.000 0.000 0.928
#> ERR315332 3 0.0707 0.7571 0.020 0.000 0.980 0.000
#> ERR315334 1 0.7003 0.1607 0.460 0.424 0.116 0.000
#> ERR315447 1 0.7003 0.1607 0.460 0.424 0.116 0.000
#> ERR315453 1 0.7003 0.1607 0.460 0.424 0.116 0.000
#> ERR315442 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315457 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315392 3 0.4406 0.5943 0.300 0.000 0.700 0.000
#> ERR315450 3 0.4406 0.5943 0.300 0.000 0.700 0.000
#> ERR315462 3 0.1211 0.7472 0.040 0.000 0.960 0.000
#> ERR315328 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315389 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315435 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315482 2 0.5592 0.5200 0.264 0.680 0.056 0.000
#> ERR315380 2 0.5592 0.5200 0.264 0.680 0.056 0.000
#> ERR315377 3 0.0592 0.7589 0.016 0.000 0.984 0.000
#> ERR315374 3 0.0592 0.7589 0.016 0.000 0.984 0.000
#> ERR315466 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315479 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315473 2 0.5010 0.5544 0.276 0.700 0.024 0.000
#> ERR315391 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315417 3 0.4477 0.5745 0.312 0.000 0.688 0.000
#> ERR315385 3 0.4477 0.5745 0.312 0.000 0.688 0.000
#> ERR315386 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315438 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315367 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315331 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315347 3 0.4991 0.3506 0.388 0.004 0.608 0.000
#> ERR315396 3 0.5189 0.4069 0.372 0.012 0.616 0.000
#> ERR315486 3 0.5189 0.4069 0.372 0.012 0.616 0.000
#> ERR315403 3 0.0188 0.7578 0.004 0.000 0.996 0.000
#> ERR315357 3 0.0188 0.7578 0.004 0.000 0.996 0.000
#> ERR315463 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315451 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315445 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315461 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315397 2 0.5537 0.5263 0.256 0.688 0.056 0.000
#> ERR315491 2 0.5537 0.5263 0.256 0.688 0.056 0.000
#> ERR315483 2 0.5537 0.5263 0.256 0.688 0.056 0.000
#> ERR315400 3 0.0707 0.7562 0.020 0.000 0.980 0.000
#> ERR315440 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315493 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315441 2 0.3958 0.5536 0.160 0.816 0.024 0.000
#> ERR315455 3 0.3726 0.6890 0.212 0.000 0.788 0.000
#> ERR315421 3 0.3649 0.6861 0.204 0.000 0.796 0.000
#> ERR315370 3 0.3649 0.6861 0.204 0.000 0.796 0.000
#> ERR315355 3 0.3688 0.6830 0.208 0.000 0.792 0.000
#> ERR315446 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315375 3 0.4781 0.4838 0.336 0.004 0.660 0.000
#> ERR315467 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315484 3 0.0469 0.7586 0.012 0.000 0.988 0.000
#> ERR315406 3 0.5296 0.2550 0.492 0.008 0.500 0.000
#> ERR315404 3 0.5296 0.2550 0.492 0.008 0.500 0.000
#> ERR315407 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315340 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315356 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315430 4 0.1302 0.9775 0.044 0.000 0.000 0.956
#> ERR315422 2 0.5537 0.5263 0.256 0.688 0.056 0.000
#> ERR315358 2 0.5537 0.5263 0.256 0.688 0.056 0.000
#> ERR315448 2 0.5010 0.5544 0.276 0.700 0.024 0.000
#> ERR315401 3 0.4781 0.4804 0.336 0.004 0.660 0.000
#> ERR315464 3 0.4781 0.4804 0.336 0.004 0.660 0.000
#> ERR315481 2 0.5404 0.5096 0.328 0.644 0.028 0.000
#> ERR315454 2 0.5404 0.5096 0.328 0.644 0.028 0.000
#> ERR315365 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315354 2 0.6229 0.1517 0.416 0.528 0.056 0.000
#> ERR315439 3 0.4781 0.4809 0.336 0.004 0.660 0.000
#> ERR315444 3 0.4781 0.4809 0.336 0.004 0.660 0.000
#> ERR315341 2 0.7221 -0.3220 0.428 0.432 0.140 0.000
#> ERR315412 2 0.5898 0.4365 0.316 0.628 0.056 0.000
#> ERR315337 2 0.5898 0.4365 0.316 0.628 0.056 0.000
#> ERR315429 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315436 4 0.0469 0.9798 0.012 0.000 0.000 0.988
#> ERR315379 3 0.3726 0.6808 0.212 0.000 0.788 0.000
#> ERR315443 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315415 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315456 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315336 3 0.4819 0.4676 0.344 0.004 0.652 0.000
#> ERR315399 3 0.4819 0.4676 0.344 0.004 0.652 0.000
#> ERR315477 2 0.6179 0.2305 0.392 0.552 0.056 0.000
#> ERR315346 1 0.7517 0.3642 0.428 0.388 0.184 0.000
#> ERR315383 3 0.2443 0.7213 0.060 0.000 0.916 0.024
#> ERR315494 3 0.1389 0.7478 0.048 0.000 0.952 0.000
#> ERR315492 2 0.1174 0.5762 0.020 0.968 0.012 0.000
#> ERR315432 3 0.2216 0.7377 0.092 0.000 0.908 0.000
#> ERR315338 2 0.4838 0.5627 0.252 0.724 0.024 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 4 0.0771 0.5337 0.000 0.020 0.004 0.976 0.000
#> ERR315339 4 0.6618 0.3964 0.008 0.404 0.164 0.424 0.000
#> ERR315376 4 0.6618 0.3964 0.008 0.404 0.164 0.424 0.000
#> ERR315343 4 0.2927 0.4608 0.000 0.040 0.092 0.868 0.000
#> ERR315342 4 0.2927 0.4608 0.000 0.040 0.092 0.868 0.000
#> ERR315468 4 0.5630 0.5517 0.000 0.324 0.096 0.580 0.000
#> ERR315434 4 0.0912 0.5365 0.000 0.012 0.016 0.972 0.000
#> ERR315489 4 0.0912 0.5365 0.000 0.012 0.016 0.972 0.000
#> ERR315371 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315433 2 0.5752 0.2439 0.412 0.500 0.088 0.000 0.000
#> ERR315368 2 0.5752 0.2439 0.412 0.500 0.088 0.000 0.000
#> ERR315465 1 0.3912 0.6077 0.752 0.228 0.020 0.000 0.000
#> ERR315437 1 0.3912 0.6077 0.752 0.228 0.020 0.000 0.000
#> ERR315327 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315394 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315427 4 0.5730 0.5304 0.000 0.356 0.096 0.548 0.000
#> ERR315360 4 0.5730 0.5304 0.000 0.356 0.096 0.548 0.000
#> ERR315426 2 0.8053 0.0797 0.340 0.348 0.104 0.208 0.000
#> ERR315387 2 0.8053 0.0797 0.340 0.348 0.104 0.208 0.000
#> ERR315475 2 0.8053 0.0797 0.340 0.348 0.104 0.208 0.000
#> ERR315395 3 0.5834 0.9430 0.072 0.008 0.500 0.420 0.000
#> ERR315333 3 0.5834 0.9430 0.072 0.008 0.500 0.420 0.000
#> ERR315460 2 0.5789 0.4429 0.108 0.700 0.068 0.124 0.000
#> ERR315372 2 0.5789 0.4429 0.108 0.700 0.068 0.124 0.000
#> ERR315472 4 0.0912 0.5365 0.000 0.012 0.016 0.972 0.000
#> ERR315398 4 0.0912 0.5365 0.000 0.012 0.016 0.972 0.000
#> ERR315409 4 0.1697 0.4861 0.000 0.008 0.060 0.932 0.000
#> ERR315423 4 0.1697 0.4861 0.000 0.008 0.060 0.932 0.000
#> ERR315402 2 0.5819 0.4088 0.336 0.564 0.096 0.004 0.000
#> ERR315458 2 0.5819 0.4088 0.336 0.564 0.096 0.004 0.000
#> ERR315366 1 0.4585 0.4126 0.628 0.352 0.020 0.000 0.000
#> ERR315345 1 0.4585 0.4126 0.628 0.352 0.020 0.000 0.000
#> ERR315326 4 0.5404 0.5628 0.000 0.292 0.088 0.620 0.000
#> ERR315424 4 0.5404 0.5628 0.000 0.292 0.088 0.620 0.000
#> ERR315382 5 0.3576 0.8890 0.000 0.048 0.100 0.012 0.840
#> ERR315325 5 0.3576 0.8890 0.000 0.048 0.100 0.012 0.840
#> ERR315369 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315485 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315420 5 0.0451 0.9562 0.000 0.008 0.004 0.000 0.988
#> ERR315459 5 0.0451 0.9562 0.000 0.008 0.004 0.000 0.988
#> ERR315353 4 0.5404 0.5628 0.000 0.292 0.088 0.620 0.000
#> ERR315487 4 0.5404 0.5628 0.000 0.292 0.088 0.620 0.000
#> ERR315378 4 0.2927 0.4608 0.000 0.040 0.092 0.868 0.000
#> ERR315431 4 0.2927 0.4608 0.000 0.040 0.092 0.868 0.000
#> ERR315335 4 0.5893 0.4464 0.000 0.436 0.100 0.464 0.000
#> ERR315452 4 0.5893 0.4464 0.000 0.436 0.100 0.464 0.000
#> ERR315471 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315390 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315329 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315393 1 0.1124 0.7020 0.960 0.036 0.004 0.000 0.000
#> ERR315488 1 0.1124 0.7020 0.960 0.036 0.004 0.000 0.000
#> ERR315351 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315350 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315381 4 0.1697 0.4861 0.000 0.008 0.060 0.932 0.000
#> ERR315388 4 0.1697 0.4861 0.000 0.008 0.060 0.932 0.000
#> ERR315418 5 0.0451 0.9562 0.000 0.008 0.004 0.000 0.988
#> ERR315449 5 0.0451 0.9562 0.000 0.008 0.004 0.000 0.988
#> ERR315490 2 0.5981 0.3864 0.348 0.540 0.108 0.004 0.000
#> ERR315495 2 0.5981 0.3864 0.348 0.540 0.108 0.004 0.000
#> ERR315361 2 0.5981 0.3864 0.348 0.540 0.108 0.004 0.000
#> ERR315419 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315344 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315414 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315352 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315410 4 0.5658 0.5500 0.000 0.332 0.096 0.572 0.000
#> ERR315349 4 0.5507 0.5568 0.000 0.316 0.088 0.596 0.000
#> ERR315474 4 0.5507 0.5568 0.000 0.316 0.088 0.596 0.000
#> ERR315470 4 0.5507 0.5568 0.000 0.316 0.088 0.596 0.000
#> ERR315428 2 0.5344 0.4945 0.244 0.660 0.092 0.004 0.000
#> ERR315363 2 0.5344 0.4945 0.244 0.660 0.092 0.004 0.000
#> ERR315469 3 0.6102 0.9411 0.072 0.020 0.488 0.420 0.000
#> ERR315425 3 0.6102 0.9411 0.072 0.020 0.488 0.420 0.000
#> ERR315476 4 0.5554 0.5537 0.000 0.316 0.092 0.592 0.000
#> ERR315478 4 0.5554 0.5537 0.000 0.316 0.092 0.592 0.000
#> ERR315362 4 0.1018 0.5388 0.000 0.016 0.016 0.968 0.000
#> ERR315411 4 0.1018 0.5388 0.000 0.016 0.016 0.968 0.000
#> ERR315416 1 0.4585 0.4119 0.628 0.352 0.020 0.000 0.000
#> ERR315405 1 0.4585 0.4119 0.628 0.352 0.020 0.000 0.000
#> ERR315408 4 0.1697 0.4861 0.000 0.008 0.060 0.932 0.000
#> ERR315364 4 0.1697 0.4861 0.000 0.008 0.060 0.932 0.000
#> ERR315359 2 0.3855 0.5460 0.160 0.800 0.032 0.008 0.000
#> ERR315330 2 0.3855 0.5460 0.160 0.800 0.032 0.008 0.000
#> ERR315384 5 0.3781 0.8789 0.000 0.048 0.108 0.016 0.828
#> ERR315413 5 0.3781 0.8789 0.000 0.048 0.108 0.016 0.828
#> ERR315332 4 0.1750 0.5332 0.000 0.028 0.036 0.936 0.000
#> ERR315334 2 0.5594 0.4729 0.220 0.676 0.036 0.068 0.000
#> ERR315447 2 0.5594 0.4729 0.220 0.676 0.036 0.068 0.000
#> ERR315453 2 0.5594 0.4729 0.220 0.676 0.036 0.068 0.000
#> ERR315442 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315457 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315392 4 0.5861 0.5003 0.000 0.400 0.100 0.500 0.000
#> ERR315450 4 0.5861 0.5003 0.000 0.400 0.100 0.500 0.000
#> ERR315462 4 0.2153 0.4899 0.000 0.040 0.044 0.916 0.000
#> ERR315328 5 0.1399 0.9518 0.000 0.020 0.028 0.000 0.952
#> ERR315389 5 0.1399 0.9518 0.000 0.020 0.028 0.000 0.952
#> ERR315435 5 0.1399 0.9518 0.000 0.020 0.028 0.000 0.952
#> ERR315482 2 0.5806 0.4161 0.332 0.568 0.096 0.004 0.000
#> ERR315380 2 0.5806 0.4161 0.332 0.568 0.096 0.004 0.000
#> ERR315377 4 0.0912 0.5394 0.000 0.016 0.012 0.972 0.000
#> ERR315374 4 0.0912 0.5394 0.000 0.016 0.012 0.972 0.000
#> ERR315466 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315479 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315473 1 0.3759 0.6143 0.764 0.220 0.016 0.000 0.000
#> ERR315391 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315417 4 0.5867 0.4970 0.000 0.404 0.100 0.496 0.000
#> ERR315385 4 0.5867 0.4970 0.000 0.404 0.100 0.496 0.000
#> ERR315386 2 0.3170 0.5376 0.160 0.828 0.004 0.008 0.000
#> ERR315438 2 0.3170 0.5376 0.160 0.828 0.004 0.008 0.000
#> ERR315367 5 0.1648 0.9490 0.000 0.020 0.040 0.000 0.940
#> ERR315331 5 0.1648 0.9490 0.000 0.020 0.040 0.000 0.940
#> ERR315347 2 0.5876 -0.3363 0.000 0.488 0.100 0.412 0.000
#> ERR315396 3 0.5834 0.9430 0.072 0.008 0.500 0.420 0.000
#> ERR315486 3 0.5834 0.9430 0.072 0.008 0.500 0.420 0.000
#> ERR315403 4 0.0671 0.5356 0.000 0.016 0.004 0.980 0.000
#> ERR315357 4 0.0671 0.5356 0.000 0.016 0.004 0.980 0.000
#> ERR315463 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315451 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315445 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315461 4 0.1764 0.4826 0.000 0.008 0.064 0.928 0.000
#> ERR315397 2 0.5862 0.4115 0.336 0.560 0.100 0.004 0.000
#> ERR315491 2 0.5862 0.4115 0.336 0.560 0.100 0.004 0.000
#> ERR315483 2 0.5862 0.4115 0.336 0.560 0.100 0.004 0.000
#> ERR315400 4 0.1628 0.4899 0.000 0.008 0.056 0.936 0.000
#> ERR315440 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315493 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315441 1 0.0880 0.7037 0.968 0.032 0.000 0.000 0.000
#> ERR315455 4 0.5799 0.5350 0.000 0.324 0.112 0.564 0.000
#> ERR315421 4 0.5345 0.5640 0.000 0.280 0.088 0.632 0.000
#> ERR315370 4 0.5345 0.5640 0.000 0.280 0.088 0.632 0.000
#> ERR315355 4 0.5345 0.5640 0.000 0.280 0.088 0.632 0.000
#> ERR315446 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315375 4 0.5840 0.4642 0.000 0.416 0.096 0.488 0.000
#> ERR315467 4 0.3075 0.4553 0.000 0.048 0.092 0.860 0.000
#> ERR315484 4 0.2221 0.5520 0.000 0.036 0.052 0.912 0.000
#> ERR315406 3 0.6831 0.8502 0.152 0.028 0.496 0.324 0.000
#> ERR315404 3 0.6831 0.8502 0.152 0.028 0.496 0.324 0.000
#> ERR315407 2 0.3855 0.5460 0.160 0.800 0.032 0.008 0.000
#> ERR315340 2 0.3855 0.5460 0.160 0.800 0.032 0.008 0.000
#> ERR315356 5 0.1568 0.9501 0.000 0.020 0.036 0.000 0.944
#> ERR315430 5 0.1568 0.9501 0.000 0.020 0.036 0.000 0.944
#> ERR315422 2 0.5862 0.4115 0.336 0.560 0.100 0.004 0.000
#> ERR315358 2 0.5862 0.4115 0.336 0.560 0.100 0.004 0.000
#> ERR315448 1 0.3759 0.6143 0.764 0.220 0.016 0.000 0.000
#> ERR315401 2 0.6347 -0.3824 0.008 0.448 0.124 0.420 0.000
#> ERR315464 2 0.6347 -0.3824 0.008 0.448 0.124 0.420 0.000
#> ERR315481 1 0.4181 0.5575 0.712 0.268 0.020 0.000 0.000
#> ERR315454 1 0.4181 0.5575 0.712 0.268 0.020 0.000 0.000
#> ERR315365 2 0.3855 0.5460 0.160 0.800 0.032 0.008 0.000
#> ERR315354 2 0.3855 0.5460 0.160 0.800 0.032 0.008 0.000
#> ERR315439 4 0.5856 0.4272 0.000 0.440 0.096 0.464 0.000
#> ERR315444 4 0.5856 0.4272 0.000 0.440 0.096 0.464 0.000
#> ERR315341 2 0.6200 0.4354 0.136 0.664 0.076 0.124 0.000
#> ERR315412 2 0.5344 0.4945 0.244 0.660 0.092 0.004 0.000
#> ERR315337 2 0.5344 0.4945 0.244 0.660 0.092 0.004 0.000
#> ERR315429 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315436 5 0.0798 0.9552 0.000 0.008 0.016 0.000 0.976
#> ERR315379 4 0.5373 0.5645 0.000 0.296 0.084 0.620 0.000
#> ERR315443 4 0.2946 0.4619 0.000 0.044 0.088 0.868 0.000
#> ERR315415 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315456 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315336 4 0.6060 0.4350 0.008 0.424 0.092 0.476 0.000
#> ERR315399 4 0.6060 0.4350 0.008 0.424 0.092 0.476 0.000
#> ERR315477 2 0.4816 0.5308 0.168 0.732 0.096 0.004 0.000
#> ERR315346 2 0.6335 0.4161 0.116 0.652 0.084 0.148 0.000
#> ERR315383 4 0.2946 0.4619 0.000 0.044 0.088 0.868 0.000
#> ERR315494 4 0.2903 0.4722 0.000 0.048 0.080 0.872 0.000
#> ERR315492 1 0.5177 0.5390 0.688 0.132 0.180 0.000 0.000
#> ERR315432 4 0.4123 0.4617 0.000 0.104 0.108 0.788 0.000
#> ERR315338 1 0.3596 0.6232 0.784 0.200 0.016 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.1155 0.5792 0.000 NA 0.956 0.004 0.000 0.004
#> ERR315339 4 0.7236 -0.0923 0.008 NA 0.320 0.412 0.000 0.148
#> ERR315376 4 0.7236 -0.0923 0.008 NA 0.320 0.412 0.000 0.148
#> ERR315343 3 0.4177 0.4643 0.000 NA 0.724 0.000 0.004 0.056
#> ERR315342 3 0.4177 0.4643 0.000 NA 0.724 0.000 0.004 0.056
#> ERR315468 3 0.6374 0.4623 0.000 NA 0.528 0.280 0.000 0.084
#> ERR315434 3 0.1471 0.5750 0.000 NA 0.932 0.000 0.000 0.004
#> ERR315489 3 0.1471 0.5750 0.000 NA 0.932 0.000 0.000 0.004
#> ERR315371 1 0.1493 0.6400 0.936 NA 0.004 0.056 0.000 0.000
#> ERR315433 4 0.5790 0.2861 0.208 NA 0.000 0.560 0.000 0.012
#> ERR315368 4 0.5790 0.2861 0.208 NA 0.000 0.560 0.000 0.012
#> ERR315465 1 0.4334 0.6284 0.716 NA 0.004 0.232 0.000 0.032
#> ERR315437 1 0.4334 0.6284 0.716 NA 0.004 0.232 0.000 0.032
#> ERR315327 5 0.1418 0.9023 0.000 NA 0.000 0.000 0.944 0.032
#> ERR315394 5 0.1418 0.9023 0.000 NA 0.000 0.000 0.944 0.032
#> ERR315427 3 0.5986 0.3650 0.000 NA 0.492 0.376 0.000 0.080
#> ERR315360 3 0.5986 0.3650 0.000 NA 0.492 0.376 0.000 0.080
#> ERR315426 1 0.7361 0.2041 0.416 NA 0.104 0.348 0.000 0.088
#> ERR315387 1 0.7361 0.2041 0.416 NA 0.104 0.348 0.000 0.088
#> ERR315475 1 0.7361 0.2041 0.416 NA 0.104 0.348 0.000 0.088
#> ERR315395 6 0.4562 0.9658 0.060 NA 0.236 0.012 0.000 0.692
#> ERR315333 6 0.4562 0.9658 0.060 NA 0.236 0.012 0.000 0.692
#> ERR315460 4 0.4943 0.4147 0.012 NA 0.112 0.740 0.000 0.076
#> ERR315372 4 0.4943 0.4147 0.012 NA 0.112 0.740 0.000 0.076
#> ERR315472 3 0.1411 0.5768 0.000 NA 0.936 0.000 0.000 0.004
#> ERR315398 3 0.1411 0.5768 0.000 NA 0.936 0.000 0.000 0.004
#> ERR315409 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315423 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315402 4 0.5350 0.3762 0.136 NA 0.000 0.632 0.000 0.016
#> ERR315458 4 0.5350 0.3762 0.136 NA 0.000 0.632 0.000 0.016
#> ERR315366 1 0.4843 0.5368 0.608 NA 0.004 0.340 0.000 0.032
#> ERR315345 1 0.4843 0.5368 0.608 NA 0.004 0.340 0.000 0.032
#> ERR315326 3 0.5848 0.4609 0.000 NA 0.552 0.316 0.000 0.080
#> ERR315424 3 0.5848 0.4609 0.000 NA 0.552 0.316 0.000 0.080
#> ERR315382 5 0.4369 0.8135 0.020 NA 0.004 0.000 0.744 0.052
#> ERR315325 5 0.4369 0.8135 0.020 NA 0.004 0.000 0.744 0.052
#> ERR315369 3 0.2909 0.4932 0.000 NA 0.836 0.000 0.000 0.136
#> ERR315485 3 0.2909 0.4932 0.000 NA 0.836 0.000 0.000 0.136
#> ERR315420 5 0.0870 0.9072 0.012 NA 0.000 0.000 0.972 0.012
#> ERR315459 5 0.0870 0.9072 0.012 NA 0.000 0.000 0.972 0.012
#> ERR315353 3 0.5848 0.4609 0.000 NA 0.552 0.316 0.000 0.080
#> ERR315487 3 0.5848 0.4609 0.000 NA 0.552 0.316 0.000 0.080
#> ERR315378 3 0.4177 0.4643 0.000 NA 0.724 0.000 0.004 0.056
#> ERR315431 3 0.4177 0.4643 0.000 NA 0.724 0.000 0.004 0.056
#> ERR315335 4 0.6458 -0.2447 0.000 NA 0.396 0.428 0.000 0.096
#> ERR315452 4 0.6458 -0.2447 0.000 NA 0.396 0.428 0.000 0.096
#> ERR315471 1 0.1349 0.6407 0.940 NA 0.004 0.056 0.000 0.000
#> ERR315390 1 0.1349 0.6407 0.940 NA 0.004 0.056 0.000 0.000
#> ERR315329 1 0.1349 0.6407 0.940 NA 0.004 0.056 0.000 0.000
#> ERR315393 1 0.1349 0.6407 0.940 NA 0.004 0.056 0.000 0.000
#> ERR315488 1 0.1349 0.6407 0.940 NA 0.004 0.056 0.000 0.000
#> ERR315351 1 0.6076 0.4286 0.476 NA 0.000 0.156 0.000 0.020
#> ERR315350 1 0.6076 0.4286 0.476 NA 0.000 0.156 0.000 0.020
#> ERR315381 3 0.2623 0.5039 0.000 NA 0.852 0.000 0.000 0.132
#> ERR315388 3 0.2623 0.5039 0.000 NA 0.852 0.000 0.000 0.132
#> ERR315418 5 0.1167 0.9072 0.012 NA 0.000 0.000 0.960 0.008
#> ERR315449 5 0.1167 0.9072 0.012 NA 0.000 0.000 0.960 0.008
#> ERR315490 4 0.5321 0.3608 0.156 NA 0.000 0.608 0.000 0.004
#> ERR315495 4 0.5321 0.3608 0.156 NA 0.000 0.608 0.000 0.004
#> ERR315361 4 0.5321 0.3608 0.156 NA 0.000 0.608 0.000 0.004
#> ERR315419 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315344 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315414 5 0.1418 0.9023 0.000 NA 0.000 0.000 0.944 0.032
#> ERR315352 1 0.6010 0.4287 0.476 NA 0.000 0.156 0.000 0.016
#> ERR315410 3 0.6415 0.4362 0.000 NA 0.508 0.304 0.000 0.084
#> ERR315349 3 0.5915 0.4295 0.000 NA 0.528 0.340 0.000 0.080
#> ERR315474 3 0.5915 0.4295 0.000 NA 0.528 0.340 0.000 0.080
#> ERR315470 3 0.5915 0.4295 0.000 NA 0.528 0.340 0.000 0.080
#> ERR315428 4 0.4741 0.4196 0.084 NA 0.000 0.688 0.000 0.012
#> ERR315363 4 0.4741 0.4196 0.084 NA 0.000 0.688 0.000 0.012
#> ERR315469 6 0.5068 0.9633 0.060 NA 0.236 0.012 0.000 0.672
#> ERR315425 6 0.5068 0.9633 0.060 NA 0.236 0.012 0.000 0.672
#> ERR315476 3 0.6065 0.4111 0.004 NA 0.516 0.348 0.000 0.080
#> ERR315478 3 0.6065 0.4111 0.004 NA 0.516 0.348 0.000 0.080
#> ERR315362 3 0.1812 0.5774 0.000 NA 0.912 0.000 0.000 0.008
#> ERR315411 3 0.1812 0.5774 0.000 NA 0.912 0.000 0.000 0.008
#> ERR315416 1 0.5033 0.5387 0.604 NA 0.004 0.332 0.000 0.036
#> ERR315405 1 0.5033 0.5387 0.604 NA 0.004 0.332 0.000 0.036
#> ERR315408 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315364 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315359 4 0.1578 0.4873 0.012 NA 0.000 0.936 0.000 0.004
#> ERR315330 4 0.1578 0.4873 0.012 NA 0.000 0.936 0.000 0.004
#> ERR315384 5 0.4870 0.7630 0.008 NA 0.020 0.000 0.688 0.056
#> ERR315413 5 0.4870 0.7630 0.008 NA 0.020 0.000 0.688 0.056
#> ERR315332 3 0.3334 0.5465 0.000 NA 0.820 0.008 0.000 0.040
#> ERR315334 4 0.4169 0.4200 0.076 NA 0.088 0.796 0.000 0.024
#> ERR315447 4 0.4169 0.4200 0.076 NA 0.088 0.796 0.000 0.024
#> ERR315453 4 0.4169 0.4200 0.076 NA 0.088 0.796 0.000 0.024
#> ERR315442 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315457 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315392 3 0.6447 0.3277 0.000 NA 0.444 0.380 0.000 0.096
#> ERR315450 3 0.6447 0.3277 0.000 NA 0.444 0.380 0.000 0.096
#> ERR315462 3 0.2480 0.5355 0.000 NA 0.872 0.000 0.000 0.024
#> ERR315328 5 0.2454 0.8983 0.008 NA 0.000 0.000 0.884 0.020
#> ERR315389 5 0.2454 0.8983 0.008 NA 0.000 0.000 0.884 0.020
#> ERR315435 5 0.2454 0.8983 0.008 NA 0.000 0.000 0.884 0.020
#> ERR315482 4 0.5315 0.3804 0.132 NA 0.000 0.636 0.000 0.016
#> ERR315380 4 0.5315 0.3804 0.132 NA 0.000 0.636 0.000 0.016
#> ERR315377 3 0.2182 0.5875 0.004 NA 0.916 0.020 0.000 0.028
#> ERR315374 3 0.2182 0.5875 0.004 NA 0.916 0.020 0.000 0.028
#> ERR315466 5 0.1408 0.9023 0.000 NA 0.000 0.000 0.944 0.036
#> ERR315479 5 0.1408 0.9023 0.000 NA 0.000 0.000 0.944 0.036
#> ERR315473 1 0.4189 0.6302 0.724 NA 0.004 0.232 0.000 0.024
#> ERR315391 1 0.6076 0.4286 0.476 NA 0.000 0.156 0.000 0.020
#> ERR315417 3 0.6453 0.3118 0.000 NA 0.436 0.388 0.000 0.096
#> ERR315385 3 0.6453 0.3118 0.000 NA 0.436 0.388 0.000 0.096
#> ERR315386 4 0.0972 0.4836 0.008 NA 0.000 0.964 0.000 0.000
#> ERR315438 4 0.0972 0.4836 0.008 NA 0.000 0.964 0.000 0.000
#> ERR315367 5 0.2588 0.8963 0.008 NA 0.000 0.000 0.876 0.024
#> ERR315331 5 0.2588 0.8963 0.008 NA 0.000 0.000 0.876 0.024
#> ERR315347 4 0.6016 -0.0878 0.000 NA 0.364 0.500 0.000 0.080
#> ERR315396 6 0.4562 0.9658 0.060 NA 0.236 0.012 0.000 0.692
#> ERR315486 6 0.4562 0.9658 0.060 NA 0.236 0.012 0.000 0.692
#> ERR315403 3 0.1003 0.5811 0.000 NA 0.964 0.004 0.000 0.004
#> ERR315357 3 0.1003 0.5811 0.000 NA 0.964 0.004 0.000 0.004
#> ERR315463 5 0.1418 0.9023 0.000 NA 0.000 0.000 0.944 0.032
#> ERR315451 5 0.1418 0.9023 0.000 NA 0.000 0.000 0.944 0.032
#> ERR315445 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315461 3 0.2664 0.5006 0.000 NA 0.848 0.000 0.000 0.136
#> ERR315397 4 0.5507 0.3659 0.152 NA 0.000 0.600 0.000 0.012
#> ERR315491 4 0.5507 0.3659 0.152 NA 0.000 0.600 0.000 0.012
#> ERR315483 4 0.5507 0.3659 0.152 NA 0.000 0.600 0.000 0.012
#> ERR315400 3 0.2445 0.5163 0.000 NA 0.872 0.000 0.000 0.108
#> ERR315440 1 0.1707 0.6390 0.928 NA 0.004 0.056 0.000 0.000
#> ERR315493 1 0.1707 0.6390 0.928 NA 0.004 0.056 0.000 0.000
#> ERR315441 1 0.1707 0.6390 0.928 NA 0.004 0.056 0.000 0.000
#> ERR315455 3 0.6925 0.4523 0.004 NA 0.496 0.232 0.000 0.104
#> ERR315421 3 0.5822 0.4664 0.000 NA 0.560 0.308 0.000 0.080
#> ERR315370 3 0.5822 0.4664 0.000 NA 0.560 0.308 0.000 0.080
#> ERR315355 3 0.5822 0.4664 0.000 NA 0.560 0.308 0.000 0.080
#> ERR315446 1 0.6010 0.4287 0.476 NA 0.000 0.156 0.000 0.016
#> ERR315375 4 0.6320 -0.1723 0.004 NA 0.400 0.448 0.000 0.084
#> ERR315467 3 0.4031 0.4694 0.000 NA 0.736 0.000 0.004 0.048
#> ERR315484 3 0.2981 0.5873 0.000 NA 0.868 0.048 0.000 0.048
#> ERR315406 6 0.5273 0.9019 0.092 NA 0.172 0.020 0.000 0.692
#> ERR315404 6 0.5273 0.9019 0.092 NA 0.172 0.020 0.000 0.692
#> ERR315407 4 0.1578 0.4873 0.012 NA 0.000 0.936 0.000 0.004
#> ERR315340 4 0.1578 0.4873 0.012 NA 0.000 0.936 0.000 0.004
#> ERR315356 5 0.2505 0.8974 0.008 NA 0.000 0.000 0.880 0.020
#> ERR315430 5 0.2505 0.8974 0.008 NA 0.000 0.000 0.880 0.020
#> ERR315422 4 0.5507 0.3659 0.152 NA 0.000 0.600 0.000 0.012
#> ERR315358 4 0.5507 0.3659 0.152 NA 0.000 0.600 0.000 0.012
#> ERR315448 1 0.4163 0.6316 0.728 NA 0.004 0.228 0.000 0.024
#> ERR315401 4 0.6894 -0.0333 0.008 NA 0.340 0.444 0.000 0.116
#> ERR315464 4 0.6894 -0.0333 0.008 NA 0.340 0.444 0.000 0.116
#> ERR315481 1 0.4565 0.6084 0.684 NA 0.004 0.260 0.000 0.036
#> ERR315454 1 0.4565 0.6084 0.684 NA 0.004 0.260 0.000 0.036
#> ERR315365 4 0.1578 0.4873 0.012 NA 0.000 0.936 0.000 0.004
#> ERR315354 4 0.1578 0.4873 0.012 NA 0.000 0.936 0.000 0.004
#> ERR315439 4 0.6090 -0.1415 0.000 NA 0.388 0.472 0.000 0.084
#> ERR315444 4 0.6090 -0.1415 0.000 NA 0.388 0.472 0.000 0.084
#> ERR315341 4 0.3907 0.4339 0.000 NA 0.108 0.800 0.000 0.056
#> ERR315412 4 0.4741 0.4196 0.084 NA 0.000 0.688 0.000 0.012
#> ERR315337 4 0.4741 0.4196 0.084 NA 0.000 0.688 0.000 0.012
#> ERR315429 5 0.1408 0.9023 0.000 NA 0.000 0.000 0.944 0.036
#> ERR315436 5 0.1408 0.9023 0.000 NA 0.000 0.000 0.944 0.036
#> ERR315379 3 0.5861 0.4756 0.000 NA 0.560 0.304 0.000 0.080
#> ERR315443 3 0.4063 0.4769 0.000 NA 0.736 0.000 0.004 0.052
#> ERR315415 1 0.6010 0.4287 0.476 NA 0.000 0.156 0.000 0.016
#> ERR315456 1 0.6010 0.4287 0.476 NA 0.000 0.156 0.000 0.016
#> ERR315336 4 0.6212 -0.1281 0.004 NA 0.392 0.464 0.000 0.088
#> ERR315399 4 0.6212 -0.1281 0.004 NA 0.392 0.464 0.000 0.088
#> ERR315477 4 0.4088 0.4389 0.044 NA 0.000 0.744 0.000 0.012
#> ERR315346 4 0.4498 0.4129 0.000 NA 0.136 0.752 0.000 0.068
#> ERR315383 3 0.4063 0.4769 0.000 NA 0.736 0.000 0.004 0.052
#> ERR315494 3 0.4035 0.4962 0.000 NA 0.744 0.004 0.000 0.056
#> ERR315492 1 0.6010 0.4287 0.476 NA 0.000 0.156 0.000 0.016
#> ERR315432 3 0.5253 0.4540 0.004 NA 0.652 0.020 0.000 0.096
#> ERR315338 1 0.3919 0.6386 0.756 NA 0.004 0.204 0.000 0.020
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "skmeans"]
# you can also extract it by
# res = res_list["ATC:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.970 0.988 0.4891 0.512 0.512
#> 3 3 0.653 0.582 0.797 0.2769 0.926 0.856
#> 4 4 0.661 0.644 0.817 0.1406 0.743 0.462
#> 5 5 0.758 0.715 0.817 0.0675 0.868 0.567
#> 6 6 0.763 0.770 0.826 0.0376 0.936 0.738
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.000 0.987 0.000 1.000
#> ERR315339 1 0.000 0.988 1.000 0.000
#> ERR315376 1 0.000 0.988 1.000 0.000
#> ERR315343 2 0.000 0.987 0.000 1.000
#> ERR315342 2 0.000 0.987 0.000 1.000
#> ERR315468 2 0.969 0.343 0.396 0.604
#> ERR315434 2 0.000 0.987 0.000 1.000
#> ERR315489 2 0.000 0.987 0.000 1.000
#> ERR315371 1 0.000 0.988 1.000 0.000
#> ERR315433 1 0.000 0.988 1.000 0.000
#> ERR315368 1 0.000 0.988 1.000 0.000
#> ERR315465 1 0.000 0.988 1.000 0.000
#> ERR315437 1 0.000 0.988 1.000 0.000
#> ERR315327 2 0.000 0.987 0.000 1.000
#> ERR315394 2 0.000 0.987 0.000 1.000
#> ERR315427 1 0.000 0.988 1.000 0.000
#> ERR315360 1 0.000 0.988 1.000 0.000
#> ERR315426 1 0.000 0.988 1.000 0.000
#> ERR315387 1 0.000 0.988 1.000 0.000
#> ERR315475 1 0.000 0.988 1.000 0.000
#> ERR315395 2 0.000 0.987 0.000 1.000
#> ERR315333 2 0.000 0.987 0.000 1.000
#> ERR315460 1 0.000 0.988 1.000 0.000
#> ERR315372 1 0.000 0.988 1.000 0.000
#> ERR315472 2 0.000 0.987 0.000 1.000
#> ERR315398 2 0.000 0.987 0.000 1.000
#> ERR315409 2 0.000 0.987 0.000 1.000
#> ERR315423 2 0.000 0.987 0.000 1.000
#> ERR315402 1 0.000 0.988 1.000 0.000
#> ERR315458 1 0.000 0.988 1.000 0.000
#> ERR315366 1 0.000 0.988 1.000 0.000
#> ERR315345 1 0.000 0.988 1.000 0.000
#> ERR315326 1 0.000 0.988 1.000 0.000
#> ERR315424 1 0.000 0.988 1.000 0.000
#> ERR315382 2 0.000 0.987 0.000 1.000
#> ERR315325 2 0.000 0.987 0.000 1.000
#> ERR315369 2 0.000 0.987 0.000 1.000
#> ERR315485 2 0.000 0.987 0.000 1.000
#> ERR315420 2 0.000 0.987 0.000 1.000
#> ERR315459 2 0.000 0.987 0.000 1.000
#> ERR315353 1 0.000 0.988 1.000 0.000
#> ERR315487 1 0.000 0.988 1.000 0.000
#> ERR315378 2 0.000 0.987 0.000 1.000
#> ERR315431 2 0.000 0.987 0.000 1.000
#> ERR315335 1 0.000 0.988 1.000 0.000
#> ERR315452 1 0.000 0.988 1.000 0.000
#> ERR315471 1 0.000 0.988 1.000 0.000
#> ERR315390 1 0.000 0.988 1.000 0.000
#> ERR315329 1 0.000 0.988 1.000 0.000
#> ERR315393 1 0.000 0.988 1.000 0.000
#> ERR315488 1 0.000 0.988 1.000 0.000
#> ERR315351 1 0.000 0.988 1.000 0.000
#> ERR315350 1 0.000 0.988 1.000 0.000
#> ERR315381 2 0.000 0.987 0.000 1.000
#> ERR315388 2 0.000 0.987 0.000 1.000
#> ERR315418 2 0.000 0.987 0.000 1.000
#> ERR315449 2 0.000 0.987 0.000 1.000
#> ERR315490 1 0.000 0.988 1.000 0.000
#> ERR315495 1 0.000 0.988 1.000 0.000
#> ERR315361 1 0.000 0.988 1.000 0.000
#> ERR315419 2 0.000 0.987 0.000 1.000
#> ERR315344 2 0.000 0.987 0.000 1.000
#> ERR315414 2 0.000 0.987 0.000 1.000
#> ERR315352 1 0.000 0.988 1.000 0.000
#> ERR315410 1 0.904 0.527 0.680 0.320
#> ERR315349 1 0.000 0.988 1.000 0.000
#> ERR315474 1 0.000 0.988 1.000 0.000
#> ERR315470 1 0.000 0.988 1.000 0.000
#> ERR315428 1 0.000 0.988 1.000 0.000
#> ERR315363 1 0.000 0.988 1.000 0.000
#> ERR315469 2 0.000 0.987 0.000 1.000
#> ERR315425 2 0.000 0.987 0.000 1.000
#> ERR315476 1 0.000 0.988 1.000 0.000
#> ERR315478 1 0.000 0.988 1.000 0.000
#> ERR315362 2 0.000 0.987 0.000 1.000
#> ERR315411 2 0.000 0.987 0.000 1.000
#> ERR315416 1 0.000 0.988 1.000 0.000
#> ERR315405 1 0.000 0.988 1.000 0.000
#> ERR315408 2 0.000 0.987 0.000 1.000
#> ERR315364 2 0.000 0.987 0.000 1.000
#> ERR315359 1 0.000 0.988 1.000 0.000
#> ERR315330 1 0.000 0.988 1.000 0.000
#> ERR315384 2 0.000 0.987 0.000 1.000
#> ERR315413 2 0.000 0.987 0.000 1.000
#> ERR315332 2 0.000 0.987 0.000 1.000
#> ERR315334 1 0.000 0.988 1.000 0.000
#> ERR315447 1 0.000 0.988 1.000 0.000
#> ERR315453 1 0.000 0.988 1.000 0.000
#> ERR315442 2 0.000 0.987 0.000 1.000
#> ERR315457 2 0.000 0.987 0.000 1.000
#> ERR315392 1 0.000 0.988 1.000 0.000
#> ERR315450 1 0.000 0.988 1.000 0.000
#> ERR315462 2 0.000 0.987 0.000 1.000
#> ERR315328 2 0.000 0.987 0.000 1.000
#> ERR315389 2 0.000 0.987 0.000 1.000
#> ERR315435 2 0.000 0.987 0.000 1.000
#> ERR315482 1 0.000 0.988 1.000 0.000
#> ERR315380 1 0.000 0.988 1.000 0.000
#> ERR315377 2 0.000 0.987 0.000 1.000
#> ERR315374 2 0.000 0.987 0.000 1.000
#> ERR315466 2 0.000 0.987 0.000 1.000
#> ERR315479 2 0.000 0.987 0.000 1.000
#> ERR315473 1 0.000 0.988 1.000 0.000
#> ERR315391 1 0.000 0.988 1.000 0.000
#> ERR315417 1 0.000 0.988 1.000 0.000
#> ERR315385 1 0.000 0.988 1.000 0.000
#> ERR315386 1 0.000 0.988 1.000 0.000
#> ERR315438 1 0.000 0.988 1.000 0.000
#> ERR315367 2 0.000 0.987 0.000 1.000
#> ERR315331 2 0.000 0.987 0.000 1.000
#> ERR315347 1 0.000 0.988 1.000 0.000
#> ERR315396 2 0.000 0.987 0.000 1.000
#> ERR315486 2 0.000 0.987 0.000 1.000
#> ERR315403 2 0.000 0.987 0.000 1.000
#> ERR315357 2 0.000 0.987 0.000 1.000
#> ERR315463 2 0.000 0.987 0.000 1.000
#> ERR315451 2 0.000 0.987 0.000 1.000
#> ERR315445 2 0.000 0.987 0.000 1.000
#> ERR315461 2 0.000 0.987 0.000 1.000
#> ERR315397 1 0.000 0.988 1.000 0.000
#> ERR315491 1 0.000 0.988 1.000 0.000
#> ERR315483 1 0.000 0.988 1.000 0.000
#> ERR315400 2 0.000 0.987 0.000 1.000
#> ERR315440 1 0.000 0.988 1.000 0.000
#> ERR315493 1 0.000 0.988 1.000 0.000
#> ERR315441 1 0.000 0.988 1.000 0.000
#> ERR315455 2 0.939 0.445 0.356 0.644
#> ERR315421 1 0.541 0.855 0.876 0.124
#> ERR315370 1 0.552 0.850 0.872 0.128
#> ERR315355 1 0.000 0.988 1.000 0.000
#> ERR315446 1 0.000 0.988 1.000 0.000
#> ERR315375 1 0.000 0.988 1.000 0.000
#> ERR315467 2 0.000 0.987 0.000 1.000
#> ERR315484 2 0.595 0.825 0.144 0.856
#> ERR315406 1 0.876 0.578 0.704 0.296
#> ERR315404 1 0.876 0.578 0.704 0.296
#> ERR315407 1 0.000 0.988 1.000 0.000
#> ERR315340 1 0.000 0.988 1.000 0.000
#> ERR315356 2 0.000 0.987 0.000 1.000
#> ERR315430 2 0.000 0.987 0.000 1.000
#> ERR315422 1 0.000 0.988 1.000 0.000
#> ERR315358 1 0.000 0.988 1.000 0.000
#> ERR315448 1 0.000 0.988 1.000 0.000
#> ERR315401 1 0.000 0.988 1.000 0.000
#> ERR315464 1 0.000 0.988 1.000 0.000
#> ERR315481 1 0.000 0.988 1.000 0.000
#> ERR315454 1 0.000 0.988 1.000 0.000
#> ERR315365 1 0.000 0.988 1.000 0.000
#> ERR315354 1 0.000 0.988 1.000 0.000
#> ERR315439 1 0.000 0.988 1.000 0.000
#> ERR315444 1 0.000 0.988 1.000 0.000
#> ERR315341 1 0.000 0.988 1.000 0.000
#> ERR315412 1 0.000 0.988 1.000 0.000
#> ERR315337 1 0.000 0.988 1.000 0.000
#> ERR315429 2 0.000 0.987 0.000 1.000
#> ERR315436 2 0.000 0.987 0.000 1.000
#> ERR315379 1 0.000 0.988 1.000 0.000
#> ERR315443 2 0.000 0.987 0.000 1.000
#> ERR315415 1 0.000 0.988 1.000 0.000
#> ERR315456 1 0.000 0.988 1.000 0.000
#> ERR315336 1 0.000 0.988 1.000 0.000
#> ERR315399 1 0.000 0.988 1.000 0.000
#> ERR315477 1 0.000 0.988 1.000 0.000
#> ERR315346 1 0.000 0.988 1.000 0.000
#> ERR315383 2 0.000 0.987 0.000 1.000
#> ERR315494 2 0.000 0.987 0.000 1.000
#> ERR315492 1 0.000 0.988 1.000 0.000
#> ERR315432 2 0.000 0.987 0.000 1.000
#> ERR315338 1 0.000 0.988 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.3686 0.70744 0.140 0.000 0.860
#> ERR315339 2 0.8859 0.20015 0.400 0.480 0.120
#> ERR315376 2 0.8859 0.20015 0.400 0.480 0.120
#> ERR315343 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315342 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315468 1 0.6140 0.47393 0.596 0.404 0.000
#> ERR315434 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315489 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315371 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315433 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315368 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315465 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315437 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315327 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315394 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315427 2 0.4750 0.39722 0.216 0.784 0.000
#> ERR315360 2 0.4750 0.39722 0.216 0.784 0.000
#> ERR315426 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315387 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315475 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315395 3 0.6062 0.06973 0.384 0.000 0.616
#> ERR315333 3 0.6062 0.06973 0.384 0.000 0.616
#> ERR315460 2 0.1163 0.68010 0.028 0.972 0.000
#> ERR315372 2 0.1163 0.68010 0.028 0.972 0.000
#> ERR315472 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315398 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315409 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315423 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315402 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315458 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315366 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315345 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315326 1 0.6111 -0.00933 0.604 0.396 0.000
#> ERR315424 1 0.6111 -0.00933 0.604 0.396 0.000
#> ERR315382 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315325 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315369 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315485 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315420 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315459 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315353 1 0.6204 -0.03399 0.576 0.424 0.000
#> ERR315487 1 0.6204 -0.03399 0.576 0.424 0.000
#> ERR315378 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315431 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315335 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315452 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315471 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315390 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315329 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315393 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315488 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315351 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315350 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315381 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315388 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315418 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315449 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315490 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315495 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315361 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315419 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315344 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315414 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315352 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315410 1 0.6140 0.47393 0.596 0.404 0.000
#> ERR315349 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315474 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315470 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315428 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315363 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315469 3 0.6079 0.06149 0.388 0.000 0.612
#> ERR315425 3 0.6079 0.06149 0.388 0.000 0.612
#> ERR315476 2 0.5835 0.46550 0.340 0.660 0.000
#> ERR315478 2 0.5835 0.46550 0.340 0.660 0.000
#> ERR315362 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315411 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315416 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315405 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315408 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315364 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315359 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315330 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315384 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315413 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315332 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315334 2 0.2796 0.65006 0.092 0.908 0.000
#> ERR315447 2 0.2796 0.65006 0.092 0.908 0.000
#> ERR315453 2 0.2796 0.65006 0.092 0.908 0.000
#> ERR315442 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315457 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315392 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315450 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315462 3 0.4062 0.71857 0.164 0.000 0.836
#> ERR315328 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315389 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315435 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315482 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315377 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315374 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315466 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315479 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315473 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315391 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315417 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315385 2 0.4796 0.39035 0.220 0.780 0.000
#> ERR315386 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315438 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315367 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315331 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315347 2 0.1031 0.66399 0.024 0.976 0.000
#> ERR315396 3 0.6062 0.06973 0.384 0.000 0.616
#> ERR315486 3 0.6062 0.06973 0.384 0.000 0.616
#> ERR315403 3 0.4062 0.71857 0.164 0.000 0.836
#> ERR315357 3 0.4062 0.71857 0.164 0.000 0.836
#> ERR315463 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315451 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315445 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315461 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315397 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315491 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315483 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315400 3 0.0000 0.63750 0.000 0.000 1.000
#> ERR315440 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315493 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315441 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315455 1 0.6140 0.47393 0.596 0.404 0.000
#> ERR315421 1 0.7141 0.44887 0.600 0.368 0.032
#> ERR315370 1 0.7141 0.44887 0.600 0.368 0.032
#> ERR315355 1 0.6235 0.43898 0.564 0.436 0.000
#> ERR315446 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315375 2 0.5650 0.48823 0.312 0.688 0.000
#> ERR315467 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315484 3 0.7401 0.02443 0.340 0.048 0.612
#> ERR315406 1 0.9713 0.16950 0.404 0.220 0.376
#> ERR315404 1 0.9713 0.16950 0.404 0.220 0.376
#> ERR315407 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315340 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315356 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315430 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315422 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315358 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315448 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315401 2 0.2711 0.65252 0.088 0.912 0.000
#> ERR315464 2 0.2711 0.65252 0.088 0.912 0.000
#> ERR315481 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315454 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315365 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315354 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315439 2 0.1411 0.65223 0.036 0.964 0.000
#> ERR315444 2 0.1411 0.65223 0.036 0.964 0.000
#> ERR315341 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315412 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315337 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315429 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315436 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315379 2 0.6057 0.05534 0.004 0.656 0.340
#> ERR315443 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315415 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315456 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315336 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315399 2 0.6140 0.42751 0.404 0.596 0.000
#> ERR315477 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315346 2 0.0000 0.68432 0.000 1.000 0.000
#> ERR315383 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315494 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315492 2 0.0892 0.68215 0.020 0.980 0.000
#> ERR315432 3 0.6026 0.80399 0.376 0.000 0.624
#> ERR315338 2 0.6140 0.42751 0.404 0.596 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.4564 0.6379 0.000 0.000 0.672 0.328
#> ERR315339 1 0.4511 0.5349 0.784 0.040 0.176 0.000
#> ERR315376 1 0.4511 0.5349 0.784 0.040 0.176 0.000
#> ERR315343 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315342 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315468 2 0.4319 0.3914 0.000 0.760 0.012 0.228
#> ERR315434 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315489 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315371 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315433 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315368 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315465 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315327 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315394 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315427 2 0.2282 0.4631 0.052 0.924 0.024 0.000
#> ERR315360 2 0.2282 0.4631 0.052 0.924 0.024 0.000
#> ERR315426 1 0.0921 0.7333 0.972 0.028 0.000 0.000
#> ERR315387 1 0.0921 0.7333 0.972 0.028 0.000 0.000
#> ERR315475 1 0.0921 0.7333 0.972 0.028 0.000 0.000
#> ERR315395 3 0.3979 0.7973 0.128 0.028 0.836 0.008
#> ERR315333 3 0.3979 0.7973 0.128 0.028 0.836 0.008
#> ERR315460 1 0.4730 0.1235 0.636 0.364 0.000 0.000
#> ERR315372 1 0.4730 0.1235 0.636 0.364 0.000 0.000
#> ERR315472 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315398 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315409 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315423 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315402 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315458 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315366 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315326 2 0.5842 -0.0242 0.448 0.520 0.032 0.000
#> ERR315424 2 0.5842 -0.0242 0.448 0.520 0.032 0.000
#> ERR315382 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315325 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315369 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315485 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315420 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315459 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315353 2 0.5775 0.0313 0.408 0.560 0.032 0.000
#> ERR315487 2 0.5775 0.0313 0.408 0.560 0.032 0.000
#> ERR315378 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315431 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315335 2 0.2255 0.4754 0.068 0.920 0.012 0.000
#> ERR315452 2 0.2255 0.4754 0.068 0.920 0.012 0.000
#> ERR315471 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315351 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315350 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315381 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315388 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315418 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315449 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315490 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315495 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315361 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315419 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315344 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315414 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315352 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315410 2 0.2473 0.4419 0.000 0.908 0.012 0.080
#> ERR315349 2 0.2036 0.4526 0.032 0.936 0.032 0.000
#> ERR315474 2 0.2036 0.4526 0.032 0.936 0.032 0.000
#> ERR315470 2 0.2036 0.4526 0.032 0.936 0.032 0.000
#> ERR315428 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315363 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315469 3 0.3760 0.7905 0.136 0.028 0.836 0.000
#> ERR315425 3 0.3760 0.7905 0.136 0.028 0.836 0.000
#> ERR315476 1 0.4436 0.5191 0.764 0.216 0.020 0.000
#> ERR315478 1 0.4436 0.5191 0.764 0.216 0.020 0.000
#> ERR315362 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315411 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315416 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315408 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315364 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315359 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315330 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315384 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315413 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315332 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315334 1 0.2814 0.6301 0.868 0.132 0.000 0.000
#> ERR315447 1 0.2868 0.6248 0.864 0.136 0.000 0.000
#> ERR315453 1 0.2814 0.6301 0.868 0.132 0.000 0.000
#> ERR315442 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315457 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315392 2 0.2255 0.4754 0.068 0.920 0.012 0.000
#> ERR315450 2 0.2255 0.4754 0.068 0.920 0.012 0.000
#> ERR315462 3 0.4790 0.5476 0.000 0.000 0.620 0.380
#> ERR315328 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315389 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315435 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315482 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315380 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315377 4 0.2300 0.9149 0.000 0.028 0.048 0.924
#> ERR315374 4 0.2300 0.9149 0.000 0.028 0.048 0.924
#> ERR315466 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315479 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315473 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315391 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315417 2 0.2255 0.4754 0.068 0.920 0.012 0.000
#> ERR315385 2 0.2255 0.4754 0.068 0.920 0.012 0.000
#> ERR315386 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315438 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315367 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315331 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315347 2 0.5070 0.4484 0.372 0.620 0.008 0.000
#> ERR315396 3 0.3890 0.7943 0.132 0.028 0.836 0.004
#> ERR315486 3 0.3890 0.7943 0.132 0.028 0.836 0.004
#> ERR315403 3 0.4790 0.5476 0.000 0.000 0.620 0.380
#> ERR315357 3 0.4790 0.5476 0.000 0.000 0.620 0.380
#> ERR315463 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315451 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315445 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315461 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315397 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315491 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315483 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315400 3 0.2530 0.8746 0.000 0.000 0.888 0.112
#> ERR315440 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315455 2 0.4098 0.3704 0.000 0.784 0.012 0.204
#> ERR315421 2 0.7494 0.0640 0.108 0.556 0.032 0.304
#> ERR315370 2 0.7494 0.0640 0.108 0.556 0.032 0.304
#> ERR315355 2 0.7266 0.1716 0.108 0.600 0.032 0.260
#> ERR315446 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315375 1 0.2706 0.7001 0.900 0.080 0.020 0.000
#> ERR315467 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315484 3 0.3105 0.8642 0.020 0.008 0.888 0.084
#> ERR315406 3 0.4281 0.7543 0.180 0.028 0.792 0.000
#> ERR315404 3 0.4281 0.7543 0.180 0.028 0.792 0.000
#> ERR315407 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315340 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315356 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315430 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315422 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315358 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315448 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315401 1 0.3873 0.4647 0.772 0.228 0.000 0.000
#> ERR315464 1 0.3873 0.4647 0.772 0.228 0.000 0.000
#> ERR315481 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.7547 1.000 0.000 0.000 0.000
#> ERR315365 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315354 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315439 2 0.5695 0.0085 0.476 0.500 0.024 0.000
#> ERR315444 2 0.5695 0.0085 0.476 0.500 0.024 0.000
#> ERR315341 2 0.4972 0.4590 0.456 0.544 0.000 0.000
#> ERR315412 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315337 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315429 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315436 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315379 3 0.5113 0.5012 0.252 0.036 0.712 0.000
#> ERR315443 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315415 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315456 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315336 1 0.1820 0.7159 0.944 0.036 0.020 0.000
#> ERR315399 1 0.1820 0.7159 0.944 0.036 0.020 0.000
#> ERR315477 2 0.4967 0.4662 0.452 0.548 0.000 0.000
#> ERR315346 2 0.4972 0.4590 0.456 0.544 0.000 0.000
#> ERR315383 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315494 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315492 1 0.4948 -0.1257 0.560 0.440 0.000 0.000
#> ERR315432 4 0.0000 0.9959 0.000 0.000 0.000 1.000
#> ERR315338 1 0.0000 0.7547 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.2707 0.7977 0.008 0.000 0.860 0.000 0.132
#> ERR315339 1 0.2913 0.5492 0.876 0.080 0.004 0.040 0.000
#> ERR315376 1 0.2913 0.5492 0.876 0.080 0.004 0.040 0.000
#> ERR315343 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315342 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315468 2 0.7276 0.2502 0.032 0.572 0.040 0.196 0.160
#> ERR315434 5 0.1095 0.9484 0.008 0.000 0.012 0.012 0.968
#> ERR315489 5 0.1095 0.9484 0.008 0.000 0.012 0.012 0.968
#> ERR315371 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315433 2 0.0162 0.7689 0.004 0.996 0.000 0.000 0.000
#> ERR315368 2 0.0162 0.7689 0.004 0.996 0.000 0.000 0.000
#> ERR315465 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315437 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315327 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315394 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315427 4 0.3093 0.7330 0.000 0.168 0.008 0.824 0.000
#> ERR315360 4 0.3093 0.7330 0.000 0.168 0.008 0.824 0.000
#> ERR315426 1 0.4152 0.8952 0.692 0.296 0.000 0.012 0.000
#> ERR315387 1 0.4152 0.8952 0.692 0.296 0.000 0.012 0.000
#> ERR315475 1 0.4152 0.8952 0.692 0.296 0.000 0.012 0.000
#> ERR315395 3 0.5406 0.4896 0.468 0.000 0.476 0.056 0.000
#> ERR315333 3 0.5406 0.4896 0.468 0.000 0.476 0.056 0.000
#> ERR315460 2 0.4456 0.2452 0.320 0.660 0.000 0.020 0.000
#> ERR315372 2 0.4456 0.2452 0.320 0.660 0.000 0.020 0.000
#> ERR315472 5 0.1095 0.9484 0.008 0.000 0.012 0.012 0.968
#> ERR315398 5 0.1095 0.9484 0.008 0.000 0.012 0.012 0.968
#> ERR315409 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315423 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315402 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315458 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315366 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315345 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315326 4 0.2172 0.7611 0.060 0.020 0.004 0.916 0.000
#> ERR315424 4 0.2172 0.7611 0.060 0.020 0.004 0.916 0.000
#> ERR315382 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315325 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315369 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315485 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315420 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315459 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315353 4 0.1960 0.7619 0.048 0.020 0.004 0.928 0.000
#> ERR315487 4 0.1960 0.7619 0.048 0.020 0.004 0.928 0.000
#> ERR315378 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315431 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315335 2 0.5857 0.1318 0.032 0.528 0.040 0.400 0.000
#> ERR315452 2 0.5857 0.1318 0.032 0.528 0.040 0.400 0.000
#> ERR315471 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315390 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315329 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315393 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315488 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315351 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315350 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315381 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315388 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315418 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315449 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315490 2 0.0162 0.7697 0.000 0.996 0.000 0.004 0.000
#> ERR315495 2 0.0162 0.7697 0.000 0.996 0.000 0.004 0.000
#> ERR315361 2 0.0162 0.7697 0.000 0.996 0.000 0.004 0.000
#> ERR315419 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315344 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315414 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315352 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315410 2 0.6725 0.1840 0.032 0.544 0.040 0.336 0.048
#> ERR315349 4 0.1704 0.7548 0.004 0.068 0.000 0.928 0.000
#> ERR315474 4 0.1704 0.7548 0.004 0.068 0.000 0.928 0.000
#> ERR315470 4 0.1704 0.7548 0.004 0.068 0.000 0.928 0.000
#> ERR315428 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315363 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315469 3 0.5406 0.4896 0.468 0.000 0.476 0.056 0.000
#> ERR315425 3 0.5406 0.4896 0.468 0.000 0.476 0.056 0.000
#> ERR315476 4 0.5694 0.5517 0.136 0.224 0.004 0.636 0.000
#> ERR315478 4 0.5694 0.5517 0.136 0.224 0.004 0.636 0.000
#> ERR315362 5 0.1095 0.9484 0.008 0.000 0.012 0.012 0.968
#> ERR315411 5 0.1095 0.9484 0.008 0.000 0.012 0.012 0.968
#> ERR315416 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315405 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315408 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315364 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315359 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315330 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315384 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315413 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315332 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315334 2 0.4517 -0.2735 0.436 0.556 0.000 0.008 0.000
#> ERR315447 2 0.4517 -0.2735 0.436 0.556 0.000 0.008 0.000
#> ERR315453 2 0.4517 -0.2735 0.436 0.556 0.000 0.008 0.000
#> ERR315442 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315457 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315392 2 0.5857 0.1318 0.032 0.528 0.040 0.400 0.000
#> ERR315450 2 0.5857 0.1318 0.032 0.528 0.040 0.400 0.000
#> ERR315462 3 0.3231 0.7513 0.004 0.000 0.800 0.000 0.196
#> ERR315328 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315389 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315435 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315482 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315380 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315377 5 0.5774 0.1157 0.036 0.000 0.028 0.444 0.492
#> ERR315374 5 0.5774 0.1157 0.036 0.000 0.028 0.444 0.492
#> ERR315466 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315479 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315473 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315391 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315417 2 0.5857 0.1318 0.032 0.528 0.040 0.400 0.000
#> ERR315385 2 0.5857 0.1318 0.032 0.528 0.040 0.400 0.000
#> ERR315386 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315438 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315367 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315331 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315347 2 0.3684 0.4558 0.000 0.720 0.000 0.280 0.000
#> ERR315396 3 0.5406 0.4896 0.468 0.000 0.476 0.056 0.000
#> ERR315486 3 0.5406 0.4896 0.468 0.000 0.476 0.056 0.000
#> ERR315403 3 0.3365 0.7534 0.008 0.000 0.808 0.004 0.180
#> ERR315357 3 0.3365 0.7534 0.008 0.000 0.808 0.004 0.180
#> ERR315463 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315451 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315445 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315461 3 0.1732 0.8418 0.000 0.000 0.920 0.000 0.080
#> ERR315397 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315491 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315483 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315400 3 0.1830 0.8322 0.008 0.000 0.924 0.000 0.068
#> ERR315440 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315493 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315441 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315455 2 0.8083 -0.1287 0.032 0.368 0.040 0.352 0.208
#> ERR315421 4 0.1871 0.7582 0.020 0.024 0.004 0.940 0.012
#> ERR315370 4 0.1871 0.7582 0.020 0.024 0.004 0.940 0.012
#> ERR315355 4 0.1806 0.7617 0.020 0.032 0.004 0.940 0.004
#> ERR315446 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315375 4 0.6454 0.2338 0.208 0.304 0.000 0.488 0.000
#> ERR315467 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315484 3 0.2067 0.8164 0.028 0.004 0.924 0.000 0.044
#> ERR315406 1 0.4639 0.0413 0.708 0.000 0.236 0.056 0.000
#> ERR315404 1 0.4639 0.0413 0.708 0.000 0.236 0.056 0.000
#> ERR315407 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315340 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315356 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315430 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315422 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315358 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315448 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315401 2 0.4867 -0.2039 0.432 0.544 0.000 0.024 0.000
#> ERR315464 2 0.4867 -0.2039 0.432 0.544 0.000 0.024 0.000
#> ERR315481 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315454 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
#> ERR315365 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315354 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315439 4 0.4594 0.6151 0.036 0.284 0.000 0.680 0.000
#> ERR315444 4 0.4594 0.6151 0.036 0.284 0.000 0.680 0.000
#> ERR315341 2 0.0955 0.7563 0.004 0.968 0.000 0.028 0.000
#> ERR315412 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315337 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315429 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315436 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315379 3 0.3944 0.5806 0.020 0.212 0.764 0.004 0.000
#> ERR315443 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315415 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315456 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315336 4 0.6827 -0.0134 0.316 0.256 0.004 0.424 0.000
#> ERR315399 4 0.6827 -0.0134 0.316 0.256 0.004 0.424 0.000
#> ERR315477 2 0.0000 0.7713 0.000 1.000 0.000 0.000 0.000
#> ERR315346 2 0.1082 0.7546 0.008 0.964 0.000 0.028 0.000
#> ERR315383 5 0.0000 0.9685 0.000 0.000 0.000 0.000 1.000
#> ERR315494 5 0.0162 0.9654 0.000 0.000 0.004 0.000 0.996
#> ERR315492 2 0.2488 0.6653 0.124 0.872 0.000 0.004 0.000
#> ERR315432 5 0.1082 0.9370 0.008 0.000 0.028 0.000 0.964
#> ERR315338 1 0.3969 0.9031 0.692 0.304 0.000 0.004 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.2216 0.8965 0.000 0.024 0.908 0.000 0.052 0.016
#> ERR315339 1 0.6629 0.1721 0.484 0.100 0.008 0.080 0.000 0.328
#> ERR315376 1 0.6629 0.1721 0.484 0.100 0.008 0.080 0.000 0.328
#> ERR315343 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315342 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315468 2 0.6045 0.2488 0.000 0.640 0.012 0.096 0.108 0.144
#> ERR315434 5 0.2168 0.9236 0.000 0.016 0.004 0.028 0.916 0.036
#> ERR315489 5 0.2168 0.9236 0.000 0.016 0.004 0.028 0.916 0.036
#> ERR315371 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315433 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315368 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315465 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315327 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315394 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315427 4 0.3792 0.7179 0.016 0.160 0.004 0.788 0.000 0.032
#> ERR315360 4 0.3792 0.7179 0.016 0.160 0.004 0.788 0.000 0.032
#> ERR315426 1 0.0458 0.8233 0.984 0.000 0.000 0.016 0.000 0.000
#> ERR315387 1 0.0458 0.8233 0.984 0.000 0.000 0.016 0.000 0.000
#> ERR315475 1 0.0458 0.8233 0.984 0.000 0.000 0.016 0.000 0.000
#> ERR315395 6 0.4707 0.9480 0.112 0.000 0.216 0.000 0.000 0.672
#> ERR315333 6 0.4707 0.9480 0.112 0.000 0.216 0.000 0.000 0.672
#> ERR315460 1 0.5988 0.2967 0.540 0.300 0.004 0.024 0.000 0.132
#> ERR315372 1 0.5988 0.2967 0.540 0.300 0.004 0.024 0.000 0.132
#> ERR315472 5 0.2244 0.9203 0.000 0.016 0.004 0.032 0.912 0.036
#> ERR315398 5 0.2244 0.9203 0.000 0.016 0.004 0.032 0.912 0.036
#> ERR315409 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315423 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315402 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315458 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315366 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315326 4 0.2856 0.7604 0.040 0.040 0.004 0.880 0.000 0.036
#> ERR315424 4 0.2856 0.7604 0.040 0.040 0.004 0.880 0.000 0.036
#> ERR315382 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315325 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315369 3 0.0713 0.9442 0.000 0.000 0.972 0.000 0.028 0.000
#> ERR315485 3 0.0713 0.9442 0.000 0.000 0.972 0.000 0.028 0.000
#> ERR315420 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315459 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315353 4 0.1774 0.7695 0.016 0.024 0.004 0.936 0.000 0.020
#> ERR315487 4 0.1774 0.7695 0.016 0.024 0.004 0.936 0.000 0.020
#> ERR315378 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315431 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315335 2 0.5238 0.2893 0.004 0.660 0.012 0.172 0.000 0.152
#> ERR315452 2 0.5238 0.2893 0.004 0.660 0.012 0.172 0.000 0.152
#> ERR315471 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315351 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315350 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315381 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315388 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315418 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315449 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315490 2 0.3411 0.7836 0.232 0.756 0.000 0.008 0.000 0.004
#> ERR315495 2 0.3411 0.7836 0.232 0.756 0.000 0.008 0.000 0.004
#> ERR315361 2 0.3411 0.7836 0.232 0.756 0.000 0.008 0.000 0.004
#> ERR315419 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315344 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315414 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315352 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315410 2 0.5779 0.2532 0.000 0.652 0.012 0.136 0.048 0.152
#> ERR315349 4 0.2344 0.7680 0.000 0.052 0.004 0.896 0.000 0.048
#> ERR315474 4 0.2344 0.7680 0.000 0.052 0.004 0.896 0.000 0.048
#> ERR315470 4 0.2344 0.7680 0.000 0.052 0.004 0.896 0.000 0.048
#> ERR315428 2 0.3136 0.7861 0.228 0.768 0.000 0.000 0.000 0.004
#> ERR315363 2 0.3136 0.7861 0.228 0.768 0.000 0.000 0.000 0.004
#> ERR315469 6 0.4707 0.9480 0.112 0.000 0.216 0.000 0.000 0.672
#> ERR315425 6 0.4707 0.9480 0.112 0.000 0.216 0.000 0.000 0.672
#> ERR315476 4 0.4427 0.6356 0.204 0.020 0.004 0.728 0.000 0.044
#> ERR315478 4 0.4427 0.6356 0.204 0.020 0.004 0.728 0.000 0.044
#> ERR315362 5 0.2488 0.9111 0.000 0.024 0.004 0.036 0.900 0.036
#> ERR315411 5 0.2488 0.9111 0.000 0.024 0.004 0.036 0.900 0.036
#> ERR315416 1 0.0291 0.8343 0.992 0.004 0.000 0.004 0.000 0.000
#> ERR315405 1 0.0291 0.8343 0.992 0.004 0.000 0.004 0.000 0.000
#> ERR315408 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315364 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315359 2 0.3109 0.7858 0.224 0.772 0.000 0.000 0.000 0.004
#> ERR315330 2 0.3109 0.7858 0.224 0.772 0.000 0.000 0.000 0.004
#> ERR315384 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315413 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315332 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315334 1 0.3411 0.5388 0.756 0.232 0.000 0.008 0.000 0.004
#> ERR315447 1 0.3411 0.5388 0.756 0.232 0.000 0.008 0.000 0.004
#> ERR315453 1 0.3411 0.5388 0.756 0.232 0.000 0.008 0.000 0.004
#> ERR315442 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315457 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315392 2 0.5268 0.2830 0.004 0.656 0.012 0.176 0.000 0.152
#> ERR315450 2 0.5268 0.2830 0.004 0.656 0.012 0.176 0.000 0.152
#> ERR315462 3 0.2729 0.8581 0.000 0.024 0.872 0.000 0.088 0.016
#> ERR315328 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315389 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315435 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315482 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315380 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315377 4 0.5770 0.3502 0.000 0.008 0.004 0.512 0.348 0.128
#> ERR315374 4 0.5770 0.3502 0.000 0.008 0.004 0.512 0.348 0.128
#> ERR315466 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315479 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315473 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315391 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315417 2 0.5268 0.2830 0.004 0.656 0.012 0.176 0.000 0.152
#> ERR315385 2 0.5268 0.2830 0.004 0.656 0.012 0.176 0.000 0.152
#> ERR315386 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315438 2 0.3215 0.7832 0.240 0.756 0.000 0.000 0.000 0.004
#> ERR315367 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315331 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315347 2 0.5905 0.5585 0.208 0.536 0.000 0.244 0.000 0.012
#> ERR315396 6 0.4707 0.9480 0.112 0.000 0.216 0.000 0.000 0.672
#> ERR315486 6 0.4707 0.9480 0.112 0.000 0.216 0.000 0.000 0.672
#> ERR315403 3 0.3040 0.8427 0.000 0.024 0.860 0.004 0.088 0.024
#> ERR315357 3 0.3040 0.8427 0.000 0.024 0.860 0.004 0.088 0.024
#> ERR315463 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315451 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315445 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315461 3 0.0632 0.9469 0.000 0.000 0.976 0.000 0.024 0.000
#> ERR315397 2 0.3276 0.7858 0.228 0.764 0.000 0.004 0.000 0.004
#> ERR315491 2 0.3276 0.7858 0.228 0.764 0.000 0.004 0.000 0.004
#> ERR315483 2 0.3276 0.7858 0.228 0.764 0.000 0.004 0.000 0.004
#> ERR315400 3 0.1630 0.9233 0.000 0.024 0.940 0.000 0.020 0.016
#> ERR315440 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315455 2 0.7014 0.0289 0.000 0.524 0.012 0.144 0.168 0.152
#> ERR315421 4 0.1720 0.7637 0.000 0.040 0.000 0.928 0.000 0.032
#> ERR315370 4 0.1720 0.7637 0.000 0.040 0.000 0.928 0.000 0.032
#> ERR315355 4 0.1720 0.7637 0.000 0.040 0.000 0.928 0.000 0.032
#> ERR315446 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315375 4 0.5109 0.2806 0.388 0.020 0.004 0.552 0.000 0.036
#> ERR315467 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315484 3 0.1630 0.9233 0.000 0.024 0.940 0.000 0.020 0.016
#> ERR315406 6 0.4707 0.8541 0.216 0.000 0.112 0.000 0.000 0.672
#> ERR315404 6 0.4707 0.8541 0.216 0.000 0.112 0.000 0.000 0.672
#> ERR315407 2 0.3109 0.7858 0.224 0.772 0.000 0.000 0.000 0.004
#> ERR315340 2 0.3109 0.7858 0.224 0.772 0.000 0.000 0.000 0.004
#> ERR315356 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315430 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315422 2 0.3276 0.7858 0.228 0.764 0.000 0.004 0.000 0.004
#> ERR315358 2 0.3276 0.7858 0.228 0.764 0.000 0.004 0.000 0.004
#> ERR315448 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315401 1 0.5951 0.4573 0.592 0.224 0.004 0.036 0.000 0.144
#> ERR315464 1 0.5951 0.4573 0.592 0.224 0.004 0.036 0.000 0.144
#> ERR315481 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
#> ERR315365 2 0.3081 0.7854 0.220 0.776 0.000 0.000 0.000 0.004
#> ERR315354 2 0.3081 0.7854 0.220 0.776 0.000 0.000 0.000 0.004
#> ERR315439 4 0.4385 0.6813 0.096 0.104 0.000 0.764 0.000 0.036
#> ERR315444 4 0.4385 0.6813 0.096 0.104 0.000 0.764 0.000 0.036
#> ERR315341 2 0.5012 0.7169 0.232 0.668 0.000 0.072 0.000 0.028
#> ERR315412 2 0.3136 0.7861 0.228 0.768 0.000 0.000 0.000 0.004
#> ERR315337 2 0.3136 0.7861 0.228 0.768 0.000 0.000 0.000 0.004
#> ERR315429 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315436 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315379 3 0.4595 0.5932 0.088 0.096 0.760 0.004 0.000 0.052
#> ERR315443 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315415 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315456 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315336 1 0.4664 -0.0850 0.488 0.000 0.004 0.476 0.000 0.032
#> ERR315399 1 0.4664 -0.0850 0.488 0.000 0.004 0.476 0.000 0.032
#> ERR315477 2 0.3163 0.7853 0.232 0.764 0.000 0.000 0.000 0.004
#> ERR315346 2 0.5479 0.6718 0.204 0.644 0.000 0.112 0.000 0.040
#> ERR315383 5 0.0000 0.9808 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315494 5 0.1124 0.9488 0.000 0.008 0.000 0.000 0.956 0.036
#> ERR315492 2 0.4569 0.5570 0.408 0.560 0.000 0.008 0.000 0.024
#> ERR315432 5 0.3553 0.7815 0.000 0.064 0.004 0.000 0.804 0.128
#> ERR315338 1 0.0146 0.8373 0.996 0.004 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "pam"]
# you can also extract it by
# res = res_list["ATC:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 5.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.983 0.992 0.2564 0.755 0.755
#> 3 3 0.684 0.800 0.892 1.2855 0.632 0.512
#> 4 4 0.755 0.805 0.911 0.2317 0.756 0.459
#> 5 5 0.918 0.917 0.966 0.0270 0.962 0.868
#> 6 6 0.808 0.858 0.923 0.0354 0.964 0.867
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
#> attr(,"optional")
#> [1] 2
There is also optional best \(k\) = 2 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 1 0.0376 0.989 0.996 0.004
#> ERR315339 1 0.0000 0.990 1.000 0.000
#> ERR315376 1 0.0000 0.990 1.000 0.000
#> ERR315343 1 0.6712 0.798 0.824 0.176
#> ERR315342 1 0.6712 0.798 0.824 0.176
#> ERR315468 1 0.0376 0.989 0.996 0.004
#> ERR315434 1 0.0376 0.989 0.996 0.004
#> ERR315489 1 0.0376 0.989 0.996 0.004
#> ERR315371 1 0.0000 0.990 1.000 0.000
#> ERR315433 1 0.0000 0.990 1.000 0.000
#> ERR315368 1 0.0000 0.990 1.000 0.000
#> ERR315465 1 0.0000 0.990 1.000 0.000
#> ERR315437 1 0.0000 0.990 1.000 0.000
#> ERR315327 2 0.0000 1.000 0.000 1.000
#> ERR315394 2 0.0000 1.000 0.000 1.000
#> ERR315427 1 0.0000 0.990 1.000 0.000
#> ERR315360 1 0.0000 0.990 1.000 0.000
#> ERR315426 1 0.0000 0.990 1.000 0.000
#> ERR315387 1 0.0000 0.990 1.000 0.000
#> ERR315475 1 0.0000 0.990 1.000 0.000
#> ERR315395 1 0.0376 0.989 0.996 0.004
#> ERR315333 1 0.0376 0.989 0.996 0.004
#> ERR315460 1 0.0000 0.990 1.000 0.000
#> ERR315372 1 0.0000 0.990 1.000 0.000
#> ERR315472 1 0.0376 0.989 0.996 0.004
#> ERR315398 1 0.0376 0.989 0.996 0.004
#> ERR315409 1 0.0376 0.989 0.996 0.004
#> ERR315423 1 0.0376 0.989 0.996 0.004
#> ERR315402 1 0.0000 0.990 1.000 0.000
#> ERR315458 1 0.0000 0.990 1.000 0.000
#> ERR315366 1 0.0000 0.990 1.000 0.000
#> ERR315345 1 0.0000 0.990 1.000 0.000
#> ERR315326 1 0.0000 0.990 1.000 0.000
#> ERR315424 1 0.0000 0.990 1.000 0.000
#> ERR315382 2 0.0000 1.000 0.000 1.000
#> ERR315325 2 0.0000 1.000 0.000 1.000
#> ERR315369 1 0.0376 0.989 0.996 0.004
#> ERR315485 1 0.0376 0.989 0.996 0.004
#> ERR315420 2 0.0000 1.000 0.000 1.000
#> ERR315459 2 0.0000 1.000 0.000 1.000
#> ERR315353 1 0.0000 0.990 1.000 0.000
#> ERR315487 1 0.0000 0.990 1.000 0.000
#> ERR315378 1 0.6712 0.798 0.824 0.176
#> ERR315431 1 0.7139 0.770 0.804 0.196
#> ERR315335 1 0.0000 0.990 1.000 0.000
#> ERR315452 1 0.0000 0.990 1.000 0.000
#> ERR315471 1 0.0000 0.990 1.000 0.000
#> ERR315390 1 0.0000 0.990 1.000 0.000
#> ERR315329 1 0.0000 0.990 1.000 0.000
#> ERR315393 1 0.0000 0.990 1.000 0.000
#> ERR315488 1 0.0000 0.990 1.000 0.000
#> ERR315351 1 0.0000 0.990 1.000 0.000
#> ERR315350 1 0.0000 0.990 1.000 0.000
#> ERR315381 1 0.0376 0.989 0.996 0.004
#> ERR315388 1 0.0376 0.989 0.996 0.004
#> ERR315418 2 0.0000 1.000 0.000 1.000
#> ERR315449 2 0.0000 1.000 0.000 1.000
#> ERR315490 1 0.0000 0.990 1.000 0.000
#> ERR315495 1 0.0000 0.990 1.000 0.000
#> ERR315361 1 0.0000 0.990 1.000 0.000
#> ERR315419 1 0.0376 0.989 0.996 0.004
#> ERR315344 1 0.0376 0.989 0.996 0.004
#> ERR315414 2 0.0000 1.000 0.000 1.000
#> ERR315352 1 0.0000 0.990 1.000 0.000
#> ERR315410 1 0.0376 0.989 0.996 0.004
#> ERR315349 1 0.0000 0.990 1.000 0.000
#> ERR315474 1 0.0000 0.990 1.000 0.000
#> ERR315470 1 0.0000 0.990 1.000 0.000
#> ERR315428 1 0.0000 0.990 1.000 0.000
#> ERR315363 1 0.0000 0.990 1.000 0.000
#> ERR315469 1 0.0376 0.989 0.996 0.004
#> ERR315425 1 0.0376 0.989 0.996 0.004
#> ERR315476 1 0.0000 0.990 1.000 0.000
#> ERR315478 1 0.0000 0.990 1.000 0.000
#> ERR315362 1 0.0376 0.989 0.996 0.004
#> ERR315411 1 0.0376 0.989 0.996 0.004
#> ERR315416 1 0.0000 0.990 1.000 0.000
#> ERR315405 1 0.0000 0.990 1.000 0.000
#> ERR315408 1 0.0376 0.989 0.996 0.004
#> ERR315364 1 0.0376 0.989 0.996 0.004
#> ERR315359 1 0.0000 0.990 1.000 0.000
#> ERR315330 1 0.0000 0.990 1.000 0.000
#> ERR315384 2 0.0000 1.000 0.000 1.000
#> ERR315413 2 0.0000 1.000 0.000 1.000
#> ERR315332 1 0.0376 0.989 0.996 0.004
#> ERR315334 1 0.0000 0.990 1.000 0.000
#> ERR315447 1 0.0000 0.990 1.000 0.000
#> ERR315453 1 0.0000 0.990 1.000 0.000
#> ERR315442 1 0.0376 0.989 0.996 0.004
#> ERR315457 1 0.0376 0.989 0.996 0.004
#> ERR315392 1 0.0376 0.989 0.996 0.004
#> ERR315450 1 0.0000 0.990 1.000 0.000
#> ERR315462 1 0.0376 0.989 0.996 0.004
#> ERR315328 2 0.0000 1.000 0.000 1.000
#> ERR315389 2 0.0000 1.000 0.000 1.000
#> ERR315435 2 0.0000 1.000 0.000 1.000
#> ERR315482 1 0.0000 0.990 1.000 0.000
#> ERR315380 1 0.0000 0.990 1.000 0.000
#> ERR315377 1 0.0376 0.989 0.996 0.004
#> ERR315374 1 0.0376 0.989 0.996 0.004
#> ERR315466 2 0.0000 1.000 0.000 1.000
#> ERR315479 2 0.0000 1.000 0.000 1.000
#> ERR315473 1 0.0000 0.990 1.000 0.000
#> ERR315391 1 0.0000 0.990 1.000 0.000
#> ERR315417 1 0.0000 0.990 1.000 0.000
#> ERR315385 1 0.0000 0.990 1.000 0.000
#> ERR315386 1 0.0000 0.990 1.000 0.000
#> ERR315438 1 0.0000 0.990 1.000 0.000
#> ERR315367 2 0.0000 1.000 0.000 1.000
#> ERR315331 2 0.0000 1.000 0.000 1.000
#> ERR315347 1 0.0000 0.990 1.000 0.000
#> ERR315396 1 0.0376 0.989 0.996 0.004
#> ERR315486 1 0.0376 0.989 0.996 0.004
#> ERR315403 1 0.0376 0.989 0.996 0.004
#> ERR315357 1 0.0376 0.989 0.996 0.004
#> ERR315463 2 0.0000 1.000 0.000 1.000
#> ERR315451 2 0.0000 1.000 0.000 1.000
#> ERR315445 1 0.0376 0.989 0.996 0.004
#> ERR315461 1 0.0376 0.989 0.996 0.004
#> ERR315397 1 0.0000 0.990 1.000 0.000
#> ERR315491 1 0.0000 0.990 1.000 0.000
#> ERR315483 1 0.0000 0.990 1.000 0.000
#> ERR315400 1 0.0376 0.989 0.996 0.004
#> ERR315440 1 0.0000 0.990 1.000 0.000
#> ERR315493 1 0.0000 0.990 1.000 0.000
#> ERR315441 1 0.0000 0.990 1.000 0.000
#> ERR315455 1 0.0376 0.989 0.996 0.004
#> ERR315421 1 0.0000 0.990 1.000 0.000
#> ERR315370 1 0.0376 0.989 0.996 0.004
#> ERR315355 1 0.0000 0.990 1.000 0.000
#> ERR315446 1 0.0000 0.990 1.000 0.000
#> ERR315375 1 0.0000 0.990 1.000 0.000
#> ERR315467 1 0.6623 0.803 0.828 0.172
#> ERR315484 1 0.0376 0.989 0.996 0.004
#> ERR315406 1 0.0000 0.990 1.000 0.000
#> ERR315404 1 0.0000 0.990 1.000 0.000
#> ERR315407 1 0.0000 0.990 1.000 0.000
#> ERR315340 1 0.0000 0.990 1.000 0.000
#> ERR315356 2 0.0000 1.000 0.000 1.000
#> ERR315430 2 0.0000 1.000 0.000 1.000
#> ERR315422 1 0.0000 0.990 1.000 0.000
#> ERR315358 1 0.0000 0.990 1.000 0.000
#> ERR315448 1 0.0000 0.990 1.000 0.000
#> ERR315401 1 0.0000 0.990 1.000 0.000
#> ERR315464 1 0.0000 0.990 1.000 0.000
#> ERR315481 1 0.0000 0.990 1.000 0.000
#> ERR315454 1 0.0000 0.990 1.000 0.000
#> ERR315365 1 0.0000 0.990 1.000 0.000
#> ERR315354 1 0.0000 0.990 1.000 0.000
#> ERR315439 1 0.0000 0.990 1.000 0.000
#> ERR315444 1 0.0000 0.990 1.000 0.000
#> ERR315341 1 0.0000 0.990 1.000 0.000
#> ERR315412 1 0.0000 0.990 1.000 0.000
#> ERR315337 1 0.0000 0.990 1.000 0.000
#> ERR315429 2 0.0000 1.000 0.000 1.000
#> ERR315436 2 0.0000 1.000 0.000 1.000
#> ERR315379 1 0.0000 0.990 1.000 0.000
#> ERR315443 1 0.6712 0.798 0.824 0.176
#> ERR315415 1 0.0000 0.990 1.000 0.000
#> ERR315456 1 0.0000 0.990 1.000 0.000
#> ERR315336 1 0.0000 0.990 1.000 0.000
#> ERR315399 1 0.0000 0.990 1.000 0.000
#> ERR315477 1 0.0000 0.990 1.000 0.000
#> ERR315346 1 0.0000 0.990 1.000 0.000
#> ERR315383 1 0.6712 0.798 0.824 0.176
#> ERR315494 1 0.0376 0.989 0.996 0.004
#> ERR315492 1 0.0000 0.990 1.000 0.000
#> ERR315432 1 0.0376 0.989 0.996 0.004
#> ERR315338 1 0.0000 0.990 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 2 0.0000 0.930 0.000 1.000 0
#> ERR315339 2 0.6126 0.360 0.400 0.600 0
#> ERR315376 2 0.6126 0.360 0.400 0.600 0
#> ERR315343 2 0.0000 0.930 0.000 1.000 0
#> ERR315342 2 0.0000 0.930 0.000 1.000 0
#> ERR315468 2 0.0000 0.930 0.000 1.000 0
#> ERR315434 2 0.0000 0.930 0.000 1.000 0
#> ERR315489 2 0.0000 0.930 0.000 1.000 0
#> ERR315371 1 0.0000 0.691 1.000 0.000 0
#> ERR315433 1 0.4555 0.712 0.800 0.200 0
#> ERR315368 1 0.4555 0.712 0.800 0.200 0
#> ERR315465 1 0.0000 0.691 1.000 0.000 0
#> ERR315437 1 0.0000 0.691 1.000 0.000 0
#> ERR315327 3 0.0000 1.000 0.000 0.000 1
#> ERR315394 3 0.0000 1.000 0.000 0.000 1
#> ERR315427 2 0.0000 0.930 0.000 1.000 0
#> ERR315360 2 0.0000 0.930 0.000 1.000 0
#> ERR315426 1 0.0424 0.688 0.992 0.008 0
#> ERR315387 1 0.1529 0.675 0.960 0.040 0
#> ERR315475 1 0.1289 0.678 0.968 0.032 0
#> ERR315395 2 0.6126 0.360 0.400 0.600 0
#> ERR315333 2 0.6126 0.360 0.400 0.600 0
#> ERR315460 1 0.6215 0.609 0.572 0.428 0
#> ERR315372 1 0.6235 0.594 0.564 0.436 0
#> ERR315472 2 0.0000 0.930 0.000 1.000 0
#> ERR315398 2 0.0000 0.930 0.000 1.000 0
#> ERR315409 2 0.0000 0.930 0.000 1.000 0
#> ERR315423 2 0.0000 0.930 0.000 1.000 0
#> ERR315402 1 0.6126 0.654 0.600 0.400 0
#> ERR315458 1 0.6126 0.654 0.600 0.400 0
#> ERR315366 1 0.0000 0.691 1.000 0.000 0
#> ERR315345 1 0.0000 0.691 1.000 0.000 0
#> ERR315326 2 0.0000 0.930 0.000 1.000 0
#> ERR315424 2 0.0000 0.930 0.000 1.000 0
#> ERR315382 3 0.0000 1.000 0.000 0.000 1
#> ERR315325 3 0.0000 1.000 0.000 0.000 1
#> ERR315369 2 0.0000 0.930 0.000 1.000 0
#> ERR315485 2 0.0000 0.930 0.000 1.000 0
#> ERR315420 3 0.0000 1.000 0.000 0.000 1
#> ERR315459 3 0.0000 1.000 0.000 0.000 1
#> ERR315353 2 0.0000 0.930 0.000 1.000 0
#> ERR315487 2 0.0000 0.930 0.000 1.000 0
#> ERR315378 2 0.0000 0.930 0.000 1.000 0
#> ERR315431 2 0.0000 0.930 0.000 1.000 0
#> ERR315335 2 0.0000 0.930 0.000 1.000 0
#> ERR315452 2 0.0000 0.930 0.000 1.000 0
#> ERR315471 1 0.0000 0.691 1.000 0.000 0
#> ERR315390 1 0.0000 0.691 1.000 0.000 0
#> ERR315329 1 0.0000 0.691 1.000 0.000 0
#> ERR315393 1 0.0000 0.691 1.000 0.000 0
#> ERR315488 1 0.0000 0.691 1.000 0.000 0
#> ERR315351 1 0.0000 0.691 1.000 0.000 0
#> ERR315350 1 0.0000 0.691 1.000 0.000 0
#> ERR315381 2 0.0000 0.930 0.000 1.000 0
#> ERR315388 2 0.0000 0.930 0.000 1.000 0
#> ERR315418 3 0.0000 1.000 0.000 0.000 1
#> ERR315449 3 0.0000 1.000 0.000 0.000 1
#> ERR315490 1 0.6126 0.654 0.600 0.400 0
#> ERR315495 1 0.6126 0.654 0.600 0.400 0
#> ERR315361 1 0.6126 0.654 0.600 0.400 0
#> ERR315419 2 0.0000 0.930 0.000 1.000 0
#> ERR315344 2 0.0000 0.930 0.000 1.000 0
#> ERR315414 3 0.0000 1.000 0.000 0.000 1
#> ERR315352 1 0.0237 0.692 0.996 0.004 0
#> ERR315410 2 0.0000 0.930 0.000 1.000 0
#> ERR315349 2 0.0000 0.930 0.000 1.000 0
#> ERR315474 2 0.0000 0.930 0.000 1.000 0
#> ERR315470 2 0.0000 0.930 0.000 1.000 0
#> ERR315428 1 0.6126 0.654 0.600 0.400 0
#> ERR315363 1 0.6126 0.654 0.600 0.400 0
#> ERR315469 2 0.6126 0.360 0.400 0.600 0
#> ERR315425 2 0.6126 0.360 0.400 0.600 0
#> ERR315476 2 0.0000 0.930 0.000 1.000 0
#> ERR315478 2 0.0000 0.930 0.000 1.000 0
#> ERR315362 2 0.0000 0.930 0.000 1.000 0
#> ERR315411 2 0.0000 0.930 0.000 1.000 0
#> ERR315416 1 0.0000 0.691 1.000 0.000 0
#> ERR315405 1 0.0000 0.691 1.000 0.000 0
#> ERR315408 2 0.0000 0.930 0.000 1.000 0
#> ERR315364 2 0.0000 0.930 0.000 1.000 0
#> ERR315359 1 0.6126 0.654 0.600 0.400 0
#> ERR315330 1 0.6126 0.654 0.600 0.400 0
#> ERR315384 3 0.0000 1.000 0.000 0.000 1
#> ERR315413 3 0.0000 1.000 0.000 0.000 1
#> ERR315332 2 0.0000 0.930 0.000 1.000 0
#> ERR315334 1 0.6140 0.648 0.596 0.404 0
#> ERR315447 1 0.6126 0.654 0.600 0.400 0
#> ERR315453 1 0.6168 0.636 0.588 0.412 0
#> ERR315442 2 0.0000 0.930 0.000 1.000 0
#> ERR315457 2 0.0000 0.930 0.000 1.000 0
#> ERR315392 2 0.0000 0.930 0.000 1.000 0
#> ERR315450 2 0.0000 0.930 0.000 1.000 0
#> ERR315462 2 0.0000 0.930 0.000 1.000 0
#> ERR315328 3 0.0000 1.000 0.000 0.000 1
#> ERR315389 3 0.0000 1.000 0.000 0.000 1
#> ERR315435 3 0.0000 1.000 0.000 0.000 1
#> ERR315482 1 0.6126 0.654 0.600 0.400 0
#> ERR315380 1 0.6126 0.654 0.600 0.400 0
#> ERR315377 2 0.0000 0.930 0.000 1.000 0
#> ERR315374 2 0.0000 0.930 0.000 1.000 0
#> ERR315466 3 0.0000 1.000 0.000 0.000 1
#> ERR315479 3 0.0000 1.000 0.000 0.000 1
#> ERR315473 1 0.0000 0.691 1.000 0.000 0
#> ERR315391 1 0.4555 0.712 0.800 0.200 0
#> ERR315417 2 0.0000 0.930 0.000 1.000 0
#> ERR315385 2 0.0000 0.930 0.000 1.000 0
#> ERR315386 1 0.6126 0.654 0.600 0.400 0
#> ERR315438 1 0.6126 0.654 0.600 0.400 0
#> ERR315367 3 0.0000 1.000 0.000 0.000 1
#> ERR315331 3 0.0000 1.000 0.000 0.000 1
#> ERR315347 2 0.0000 0.930 0.000 1.000 0
#> ERR315396 2 0.6126 0.360 0.400 0.600 0
#> ERR315486 2 0.6126 0.360 0.400 0.600 0
#> ERR315403 2 0.0000 0.930 0.000 1.000 0
#> ERR315357 2 0.0000 0.930 0.000 1.000 0
#> ERR315463 3 0.0000 1.000 0.000 0.000 1
#> ERR315451 3 0.0000 1.000 0.000 0.000 1
#> ERR315445 2 0.0000 0.930 0.000 1.000 0
#> ERR315461 2 0.0000 0.930 0.000 1.000 0
#> ERR315397 1 0.6126 0.654 0.600 0.400 0
#> ERR315491 1 0.6126 0.654 0.600 0.400 0
#> ERR315483 1 0.6126 0.654 0.600 0.400 0
#> ERR315400 2 0.0000 0.930 0.000 1.000 0
#> ERR315440 1 0.0000 0.691 1.000 0.000 0
#> ERR315493 1 0.0000 0.691 1.000 0.000 0
#> ERR315441 1 0.0000 0.691 1.000 0.000 0
#> ERR315455 2 0.0000 0.930 0.000 1.000 0
#> ERR315421 2 0.0000 0.930 0.000 1.000 0
#> ERR315370 2 0.0000 0.930 0.000 1.000 0
#> ERR315355 2 0.0000 0.930 0.000 1.000 0
#> ERR315446 1 0.4291 0.716 0.820 0.180 0
#> ERR315375 2 0.0000 0.930 0.000 1.000 0
#> ERR315467 2 0.0000 0.930 0.000 1.000 0
#> ERR315484 2 0.0000 0.930 0.000 1.000 0
#> ERR315406 1 0.5058 0.498 0.756 0.244 0
#> ERR315404 1 0.5397 0.435 0.720 0.280 0
#> ERR315407 1 0.6126 0.654 0.600 0.400 0
#> ERR315340 1 0.6126 0.654 0.600 0.400 0
#> ERR315356 3 0.0000 1.000 0.000 0.000 1
#> ERR315430 3 0.0000 1.000 0.000 0.000 1
#> ERR315422 1 0.6126 0.654 0.600 0.400 0
#> ERR315358 1 0.6126 0.654 0.600 0.400 0
#> ERR315448 1 0.0000 0.691 1.000 0.000 0
#> ERR315401 2 0.0000 0.930 0.000 1.000 0
#> ERR315464 2 0.1031 0.900 0.024 0.976 0
#> ERR315481 1 0.0000 0.691 1.000 0.000 0
#> ERR315454 1 0.0000 0.691 1.000 0.000 0
#> ERR315365 1 0.6252 0.579 0.556 0.444 0
#> ERR315354 1 0.6302 0.501 0.520 0.480 0
#> ERR315439 2 0.0000 0.930 0.000 1.000 0
#> ERR315444 2 0.0000 0.930 0.000 1.000 0
#> ERR315341 1 0.6126 0.654 0.600 0.400 0
#> ERR315412 1 0.6126 0.654 0.600 0.400 0
#> ERR315337 1 0.6126 0.654 0.600 0.400 0
#> ERR315429 3 0.0000 1.000 0.000 0.000 1
#> ERR315436 3 0.0000 1.000 0.000 0.000 1
#> ERR315379 2 0.0000 0.930 0.000 1.000 0
#> ERR315443 2 0.0000 0.930 0.000 1.000 0
#> ERR315415 1 0.0000 0.691 1.000 0.000 0
#> ERR315456 1 0.0000 0.691 1.000 0.000 0
#> ERR315336 2 0.5591 0.275 0.304 0.696 0
#> ERR315399 2 0.5254 0.407 0.264 0.736 0
#> ERR315477 1 0.6126 0.654 0.600 0.400 0
#> ERR315346 1 0.6154 0.642 0.592 0.408 0
#> ERR315383 2 0.0000 0.930 0.000 1.000 0
#> ERR315494 2 0.0000 0.930 0.000 1.000 0
#> ERR315492 1 0.0000 0.691 1.000 0.000 0
#> ERR315432 2 0.0000 0.930 0.000 1.000 0
#> ERR315338 1 0.0000 0.691 1.000 0.000 0
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315339 3 0.0707 0.946 0.000 0.020 0.980 0.000
#> ERR315376 3 0.0707 0.946 0.000 0.020 0.980 0.000
#> ERR315343 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315342 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315468 2 0.3123 0.745 0.000 0.844 0.156 0.000
#> ERR315434 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315489 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315371 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315433 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315368 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315465 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315327 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315394 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315427 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315360 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315426 1 0.4830 0.271 0.608 0.392 0.000 0.000
#> ERR315387 1 0.4830 0.271 0.608 0.392 0.000 0.000
#> ERR315475 1 0.4830 0.271 0.608 0.392 0.000 0.000
#> ERR315395 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315333 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315460 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315372 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315472 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315398 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315409 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315423 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315402 2 0.4985 -0.149 0.468 0.532 0.000 0.000
#> ERR315458 2 0.4985 -0.149 0.468 0.532 0.000 0.000
#> ERR315366 1 0.0188 0.824 0.996 0.004 0.000 0.000
#> ERR315345 1 0.0188 0.824 0.996 0.004 0.000 0.000
#> ERR315326 3 0.2647 0.829 0.000 0.120 0.880 0.000
#> ERR315424 3 0.2647 0.829 0.000 0.120 0.880 0.000
#> ERR315382 4 0.0469 0.988 0.000 0.000 0.012 0.988
#> ERR315325 4 0.0469 0.988 0.000 0.000 0.012 0.988
#> ERR315369 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315485 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315420 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315459 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315353 2 0.4500 0.631 0.000 0.684 0.316 0.000
#> ERR315487 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315378 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315431 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315335 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315452 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315471 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315351 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315350 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315381 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315388 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315418 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315449 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315490 2 0.2281 0.717 0.096 0.904 0.000 0.000
#> ERR315495 2 0.2921 0.664 0.140 0.860 0.000 0.000
#> ERR315361 2 0.2814 0.674 0.132 0.868 0.000 0.000
#> ERR315419 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315344 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315414 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315352 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315410 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315349 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315474 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315470 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315428 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315363 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315469 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315425 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315476 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315478 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315362 3 0.4522 0.424 0.000 0.320 0.680 0.000
#> ERR315411 3 0.4697 0.322 0.000 0.356 0.644 0.000
#> ERR315416 1 0.0188 0.824 0.996 0.004 0.000 0.000
#> ERR315405 1 0.0188 0.824 0.996 0.004 0.000 0.000
#> ERR315408 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315364 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315359 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315330 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315384 4 0.0469 0.988 0.000 0.000 0.012 0.988
#> ERR315413 4 0.0469 0.988 0.000 0.000 0.012 0.988
#> ERR315332 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315334 2 0.4277 0.591 0.280 0.720 0.000 0.000
#> ERR315447 2 0.4277 0.591 0.280 0.720 0.000 0.000
#> ERR315453 2 0.4277 0.591 0.280 0.720 0.000 0.000
#> ERR315442 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315457 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315392 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315450 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315462 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315328 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315389 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315435 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315482 2 0.4817 0.132 0.388 0.612 0.000 0.000
#> ERR315380 2 0.4817 0.132 0.388 0.612 0.000 0.000
#> ERR315377 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315374 3 0.0188 0.960 0.000 0.004 0.996 0.000
#> ERR315466 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315479 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315473 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315391 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315417 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315385 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315386 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315438 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315367 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315331 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315347 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315396 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315486 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315403 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315357 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315463 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315451 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315445 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315461 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315397 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315491 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315483 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315400 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315440 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315455 2 0.0921 0.796 0.000 0.972 0.028 0.000
#> ERR315421 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315370 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315355 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315446 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315375 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315467 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315484 3 0.0188 0.960 0.000 0.004 0.996 0.000
#> ERR315406 1 0.5112 0.321 0.608 0.008 0.384 0.000
#> ERR315404 1 0.5125 0.312 0.604 0.008 0.388 0.000
#> ERR315407 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315340 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315356 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315430 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315422 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315358 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315448 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315401 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315464 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315481 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.825 1.000 0.000 0.000 0.000
#> ERR315365 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315354 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315439 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315444 2 0.4277 0.683 0.000 0.720 0.280 0.000
#> ERR315341 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315412 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315337 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315429 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315436 4 0.0000 0.998 0.000 0.000 0.000 1.000
#> ERR315379 3 0.2647 0.829 0.000 0.120 0.880 0.000
#> ERR315443 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315415 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315456 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315336 2 0.5803 0.689 0.104 0.700 0.196 0.000
#> ERR315399 2 0.5609 0.699 0.088 0.712 0.200 0.000
#> ERR315477 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315346 2 0.0000 0.802 0.000 1.000 0.000 0.000
#> ERR315383 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315494 3 0.0000 0.963 0.000 0.000 1.000 0.000
#> ERR315492 1 0.4277 0.694 0.720 0.280 0.000 0.000
#> ERR315432 3 0.4643 0.358 0.000 0.344 0.656 0.000
#> ERR315338 1 0.0000 0.825 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315339 3 0.2470 0.850 0.104 0.000 0.884 0.012 0.000
#> ERR315376 3 0.2470 0.850 0.104 0.000 0.884 0.012 0.000
#> ERR315343 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315342 3 0.1197 0.915 0.000 0.000 0.952 0.048 0.000
#> ERR315468 4 0.1671 0.872 0.000 0.000 0.076 0.924 0.000
#> ERR315434 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315489 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315371 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315433 1 0.3109 0.663 0.800 0.000 0.000 0.200 0.000
#> ERR315368 1 0.3109 0.663 0.800 0.000 0.000 0.200 0.000
#> ERR315465 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315327 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315394 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315427 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315360 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315426 1 0.2516 0.776 0.860 0.000 0.000 0.140 0.000
#> ERR315387 1 0.2561 0.770 0.856 0.000 0.000 0.144 0.000
#> ERR315475 1 0.2690 0.752 0.844 0.000 0.000 0.156 0.000
#> ERR315395 3 0.0510 0.958 0.000 0.016 0.984 0.000 0.000
#> ERR315333 3 0.0510 0.958 0.000 0.016 0.984 0.000 0.000
#> ERR315460 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315372 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315472 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315398 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315409 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315423 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315402 4 0.4182 0.388 0.400 0.000 0.000 0.600 0.000
#> ERR315458 4 0.4182 0.388 0.400 0.000 0.000 0.600 0.000
#> ERR315366 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315326 3 0.3999 0.459 0.000 0.000 0.656 0.344 0.000
#> ERR315424 3 0.3177 0.691 0.000 0.000 0.792 0.208 0.000
#> ERR315382 5 0.0404 0.985 0.000 0.000 0.012 0.000 0.988
#> ERR315325 5 0.0404 0.985 0.000 0.000 0.012 0.000 0.988
#> ERR315369 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315485 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315420 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315459 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315353 4 0.0880 0.915 0.000 0.000 0.032 0.968 0.000
#> ERR315487 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315378 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315431 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315335 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315452 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315471 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315351 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315350 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315381 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315388 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315418 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315449 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315490 4 0.2329 0.839 0.124 0.000 0.000 0.876 0.000
#> ERR315495 4 0.2648 0.810 0.152 0.000 0.000 0.848 0.000
#> ERR315361 4 0.2690 0.806 0.156 0.000 0.000 0.844 0.000
#> ERR315419 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315344 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315414 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315352 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315410 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315349 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315474 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315470 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315428 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315363 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315469 3 0.0510 0.958 0.000 0.016 0.984 0.000 0.000
#> ERR315425 3 0.0510 0.958 0.000 0.016 0.984 0.000 0.000
#> ERR315476 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315478 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315362 4 0.4182 0.381 0.000 0.000 0.400 0.600 0.000
#> ERR315411 4 0.4101 0.449 0.000 0.000 0.372 0.628 0.000
#> ERR315416 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315408 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315364 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315359 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315330 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315384 5 0.0404 0.985 0.000 0.000 0.012 0.000 0.988
#> ERR315413 5 0.0404 0.985 0.000 0.000 0.012 0.000 0.988
#> ERR315332 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315334 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315447 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315453 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315442 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315457 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315392 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315450 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315462 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315328 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315389 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315435 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315482 4 0.3210 0.741 0.212 0.000 0.000 0.788 0.000
#> ERR315380 4 0.3210 0.741 0.212 0.000 0.000 0.788 0.000
#> ERR315377 3 0.0404 0.956 0.000 0.000 0.988 0.012 0.000
#> ERR315374 3 0.1197 0.915 0.000 0.000 0.952 0.048 0.000
#> ERR315466 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315479 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315473 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315391 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315417 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315385 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315386 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315438 4 0.0162 0.938 0.004 0.000 0.000 0.996 0.000
#> ERR315367 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315331 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315347 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315396 3 0.0510 0.958 0.000 0.016 0.984 0.000 0.000
#> ERR315486 3 0.0510 0.958 0.000 0.016 0.984 0.000 0.000
#> ERR315403 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315357 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315463 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315451 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315445 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315461 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315397 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315491 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315483 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315400 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315440 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315455 4 0.0290 0.935 0.000 0.000 0.008 0.992 0.000
#> ERR315421 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315370 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315355 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315446 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315375 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315467 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315484 3 0.0162 0.963 0.000 0.000 0.996 0.004 0.000
#> ERR315406 1 0.3055 0.742 0.840 0.016 0.144 0.000 0.000
#> ERR315404 1 0.3098 0.736 0.836 0.016 0.148 0.000 0.000
#> ERR315407 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315340 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315356 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315430 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315422 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315358 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315448 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315401 4 0.1851 0.855 0.000 0.000 0.088 0.912 0.000
#> ERR315464 4 0.1792 0.859 0.000 0.000 0.084 0.916 0.000
#> ERR315481 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
#> ERR315365 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315354 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315439 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315444 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315341 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315412 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315337 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315429 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315436 5 0.0000 0.997 0.000 0.000 0.000 0.000 1.000
#> ERR315379 3 0.2891 0.739 0.000 0.000 0.824 0.176 0.000
#> ERR315443 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315415 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315456 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315336 4 0.2230 0.843 0.116 0.000 0.000 0.884 0.000
#> ERR315399 4 0.1732 0.878 0.080 0.000 0.000 0.920 0.000
#> ERR315477 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315346 4 0.0000 0.940 0.000 0.000 0.000 1.000 0.000
#> ERR315383 3 0.0000 0.966 0.000 0.000 1.000 0.000 0.000
#> ERR315494 3 0.0162 0.963 0.000 0.000 0.996 0.004 0.000
#> ERR315492 2 0.0510 1.000 0.016 0.984 0.000 0.000 0.000
#> ERR315432 4 0.3966 0.517 0.000 0.000 0.336 0.664 0.000
#> ERR315338 1 0.0000 0.929 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315339 3 0.3354 0.824 0.000 0 0.812 0.060 0.000 0.128
#> ERR315376 3 0.3295 0.827 0.000 0 0.816 0.056 0.000 0.128
#> ERR315343 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315342 3 0.0547 0.803 0.000 0 0.980 0.020 0.000 0.000
#> ERR315468 4 0.0937 0.874 0.000 0 0.040 0.960 0.000 0.000
#> ERR315434 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315489 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315371 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315433 1 0.2793 0.702 0.800 0 0.000 0.200 0.000 0.000
#> ERR315368 1 0.2793 0.702 0.800 0 0.000 0.200 0.000 0.000
#> ERR315465 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315437 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315327 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315394 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315427 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315360 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315426 1 0.2697 0.686 0.812 0 0.000 0.188 0.000 0.000
#> ERR315387 1 0.2697 0.686 0.812 0 0.000 0.188 0.000 0.000
#> ERR315475 1 0.2793 0.665 0.800 0 0.000 0.200 0.000 0.000
#> ERR315395 6 0.0458 0.930 0.000 0 0.016 0.000 0.000 0.984
#> ERR315333 6 0.0458 0.930 0.000 0 0.016 0.000 0.000 0.984
#> ERR315460 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315372 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315472 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315398 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315409 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315423 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315402 4 0.3756 0.296 0.400 0 0.000 0.600 0.000 0.000
#> ERR315458 4 0.3756 0.296 0.400 0 0.000 0.600 0.000 0.000
#> ERR315366 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315345 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315326 3 0.2941 0.538 0.000 0 0.780 0.220 0.000 0.000
#> ERR315424 3 0.2597 0.605 0.000 0 0.824 0.176 0.000 0.000
#> ERR315382 5 0.1910 0.858 0.000 0 0.108 0.000 0.892 0.000
#> ERR315325 5 0.1910 0.858 0.000 0 0.108 0.000 0.892 0.000
#> ERR315369 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315485 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315420 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315459 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315353 4 0.2378 0.872 0.000 0 0.152 0.848 0.000 0.000
#> ERR315487 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315378 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315431 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315335 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315452 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315471 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315390 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315329 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315393 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315488 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315351 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315350 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315381 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315388 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315418 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315449 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315490 4 0.1765 0.821 0.096 0 0.000 0.904 0.000 0.000
#> ERR315495 4 0.2260 0.776 0.140 0 0.000 0.860 0.000 0.000
#> ERR315361 4 0.2178 0.785 0.132 0 0.000 0.868 0.000 0.000
#> ERR315419 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315344 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315414 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315352 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315410 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315349 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315474 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315470 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315428 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315363 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315469 6 0.0458 0.930 0.000 0 0.016 0.000 0.000 0.984
#> ERR315425 6 0.0458 0.930 0.000 0 0.016 0.000 0.000 0.984
#> ERR315476 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315478 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315362 3 0.3860 -0.202 0.000 0 0.528 0.472 0.000 0.000
#> ERR315411 4 0.3866 0.311 0.000 0 0.484 0.516 0.000 0.000
#> ERR315416 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315405 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315408 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315364 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315359 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315330 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315384 5 0.1910 0.858 0.000 0 0.108 0.000 0.892 0.000
#> ERR315413 5 0.1910 0.858 0.000 0 0.108 0.000 0.892 0.000
#> ERR315332 3 0.0000 0.819 0.000 0 1.000 0.000 0.000 0.000
#> ERR315334 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315447 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315453 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315442 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315457 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315392 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315450 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315462 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315328 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315389 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315435 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315482 4 0.3050 0.651 0.236 0 0.000 0.764 0.000 0.000
#> ERR315380 4 0.2996 0.664 0.228 0 0.000 0.772 0.000 0.000
#> ERR315377 3 0.0363 0.810 0.000 0 0.988 0.012 0.000 0.000
#> ERR315374 3 0.0790 0.791 0.000 0 0.968 0.032 0.000 0.000
#> ERR315466 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315479 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315473 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315391 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315417 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315385 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315386 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315438 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315367 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315331 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315347 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315396 6 0.0458 0.930 0.000 0 0.016 0.000 0.000 0.984
#> ERR315486 6 0.0458 0.930 0.000 0 0.016 0.000 0.000 0.984
#> ERR315403 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315357 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315463 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315451 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315445 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315461 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315397 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315491 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315483 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315400 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315440 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315493 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315441 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315455 4 0.2219 0.884 0.000 0 0.136 0.864 0.000 0.000
#> ERR315421 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315370 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315355 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315446 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315375 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315467 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315484 3 0.3522 0.812 0.000 0 0.800 0.072 0.000 0.128
#> ERR315406 6 0.2581 0.782 0.128 0 0.016 0.000 0.000 0.856
#> ERR315404 6 0.2581 0.782 0.128 0 0.016 0.000 0.000 0.856
#> ERR315407 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315340 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315356 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315430 5 0.0000 0.967 0.000 0 0.000 0.000 1.000 0.000
#> ERR315422 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315358 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315448 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315401 4 0.2748 0.804 0.000 0 0.024 0.848 0.000 0.128
#> ERR315464 4 0.2826 0.799 0.000 0 0.028 0.844 0.000 0.128
#> ERR315481 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315454 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
#> ERR315365 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315354 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315439 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315444 4 0.2135 0.888 0.000 0 0.128 0.872 0.000 0.000
#> ERR315341 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315412 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315337 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315429 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315436 5 0.0458 0.967 0.000 0 0.000 0.000 0.984 0.016
#> ERR315379 3 0.4455 0.694 0.000 0 0.712 0.160 0.000 0.128
#> ERR315443 3 0.2048 0.864 0.000 0 0.880 0.000 0.000 0.120
#> ERR315415 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315456 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315336 4 0.2826 0.873 0.028 0 0.128 0.844 0.000 0.000
#> ERR315399 4 0.2489 0.883 0.012 0 0.128 0.860 0.000 0.000
#> ERR315477 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315346 4 0.0000 0.889 0.000 0 0.000 1.000 0.000 0.000
#> ERR315383 3 0.2135 0.865 0.000 0 0.872 0.000 0.000 0.128
#> ERR315494 3 0.1387 0.848 0.000 0 0.932 0.000 0.000 0.068
#> ERR315492 2 0.0000 1.000 0.000 1 0.000 0.000 0.000 0.000
#> ERR315432 3 0.3868 -0.279 0.000 0 0.504 0.496 0.000 0.000
#> ERR315338 1 0.0000 0.935 1.000 0 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "mclust"]
# you can also extract it by
# res = res_list["ATC:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.647 0.767 0.910 0.2477 0.746 0.746
#> 3 3 0.258 0.679 0.764 1.0255 0.599 0.489
#> 4 4 0.306 0.642 0.772 0.2073 0.646 0.395
#> 5 5 0.496 0.556 0.757 0.1789 0.802 0.548
#> 6 6 0.556 0.543 0.723 0.0503 0.850 0.549
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.0000 0.9179 0.000 1.000
#> ERR315339 2 0.3274 0.8481 0.060 0.940
#> ERR315376 2 0.3274 0.8481 0.060 0.940
#> ERR315343 2 0.0000 0.9179 0.000 1.000
#> ERR315342 2 0.0000 0.9179 0.000 1.000
#> ERR315468 2 0.0000 0.9179 0.000 1.000
#> ERR315434 2 0.0000 0.9179 0.000 1.000
#> ERR315489 2 0.0000 0.9179 0.000 1.000
#> ERR315371 2 0.7528 0.5679 0.216 0.784
#> ERR315433 2 0.0000 0.9179 0.000 1.000
#> ERR315368 2 0.0000 0.9179 0.000 1.000
#> ERR315465 2 0.0672 0.9122 0.008 0.992
#> ERR315437 2 0.0672 0.9122 0.008 0.992
#> ERR315327 1 0.9996 0.4714 0.512 0.488
#> ERR315394 1 0.9996 0.4714 0.512 0.488
#> ERR315427 2 0.0000 0.9179 0.000 1.000
#> ERR315360 2 0.0000 0.9179 0.000 1.000
#> ERR315426 2 0.0672 0.9122 0.008 0.992
#> ERR315387 2 0.0672 0.9122 0.008 0.992
#> ERR315475 2 0.0672 0.9122 0.008 0.992
#> ERR315395 1 0.0000 0.6517 1.000 0.000
#> ERR315333 1 0.0000 0.6517 1.000 0.000
#> ERR315460 2 0.0000 0.9179 0.000 1.000
#> ERR315372 2 0.0000 0.9179 0.000 1.000
#> ERR315472 2 0.0000 0.9179 0.000 1.000
#> ERR315398 2 0.0000 0.9179 0.000 1.000
#> ERR315409 2 0.0000 0.9179 0.000 1.000
#> ERR315423 2 0.0000 0.9179 0.000 1.000
#> ERR315402 2 0.0000 0.9179 0.000 1.000
#> ERR315458 2 0.0000 0.9179 0.000 1.000
#> ERR315366 2 0.0672 0.9122 0.008 0.992
#> ERR315345 2 0.0672 0.9122 0.008 0.992
#> ERR315326 2 0.0000 0.9179 0.000 1.000
#> ERR315424 2 0.0000 0.9179 0.000 1.000
#> ERR315382 2 0.0000 0.9179 0.000 1.000
#> ERR315325 2 0.0000 0.9179 0.000 1.000
#> ERR315369 2 0.0672 0.9122 0.008 0.992
#> ERR315485 2 0.0672 0.9122 0.008 0.992
#> ERR315420 2 0.9896 -0.2775 0.440 0.560
#> ERR315459 2 0.9933 -0.3188 0.452 0.548
#> ERR315353 2 0.0000 0.9179 0.000 1.000
#> ERR315487 2 0.0000 0.9179 0.000 1.000
#> ERR315378 2 0.0000 0.9179 0.000 1.000
#> ERR315431 2 0.0000 0.9179 0.000 1.000
#> ERR315335 2 0.0000 0.9179 0.000 1.000
#> ERR315452 2 0.0000 0.9179 0.000 1.000
#> ERR315471 2 0.5737 0.7306 0.136 0.864
#> ERR315390 2 0.5842 0.7236 0.140 0.860
#> ERR315329 2 0.5946 0.7164 0.144 0.856
#> ERR315393 2 0.6148 0.7017 0.152 0.848
#> ERR315488 2 0.6048 0.7092 0.148 0.852
#> ERR315351 1 0.9580 0.6053 0.620 0.380
#> ERR315350 1 0.9580 0.6053 0.620 0.380
#> ERR315381 2 0.0000 0.9179 0.000 1.000
#> ERR315388 2 0.0000 0.9179 0.000 1.000
#> ERR315418 2 0.8713 0.3288 0.292 0.708
#> ERR315449 2 0.8555 0.3678 0.280 0.720
#> ERR315490 2 0.0376 0.9151 0.004 0.996
#> ERR315495 2 0.0376 0.9151 0.004 0.996
#> ERR315361 2 0.0376 0.9151 0.004 0.996
#> ERR315419 2 0.0376 0.9154 0.004 0.996
#> ERR315344 2 0.0376 0.9154 0.004 0.996
#> ERR315414 1 0.9996 0.4714 0.512 0.488
#> ERR315352 1 0.9580 0.6053 0.620 0.380
#> ERR315410 2 0.0000 0.9179 0.000 1.000
#> ERR315349 2 0.0000 0.9179 0.000 1.000
#> ERR315474 2 0.0000 0.9179 0.000 1.000
#> ERR315470 2 0.0000 0.9179 0.000 1.000
#> ERR315428 2 0.0000 0.9179 0.000 1.000
#> ERR315363 2 0.0000 0.9179 0.000 1.000
#> ERR315469 1 0.0000 0.6517 1.000 0.000
#> ERR315425 1 0.0000 0.6517 1.000 0.000
#> ERR315476 2 0.0000 0.9179 0.000 1.000
#> ERR315478 2 0.0000 0.9179 0.000 1.000
#> ERR315362 2 0.0000 0.9179 0.000 1.000
#> ERR315411 2 0.0000 0.9179 0.000 1.000
#> ERR315416 2 0.0672 0.9122 0.008 0.992
#> ERR315405 2 0.0672 0.9122 0.008 0.992
#> ERR315408 2 0.0376 0.9154 0.004 0.996
#> ERR315364 2 0.0376 0.9154 0.004 0.996
#> ERR315359 2 0.0000 0.9179 0.000 1.000
#> ERR315330 2 0.0000 0.9179 0.000 1.000
#> ERR315384 2 0.8661 0.3347 0.288 0.712
#> ERR315413 2 0.8661 0.3347 0.288 0.712
#> ERR315332 2 0.0000 0.9179 0.000 1.000
#> ERR315334 2 0.0000 0.9179 0.000 1.000
#> ERR315447 2 0.0000 0.9179 0.000 1.000
#> ERR315453 2 0.0000 0.9179 0.000 1.000
#> ERR315442 2 0.0376 0.9154 0.004 0.996
#> ERR315457 2 0.0376 0.9154 0.004 0.996
#> ERR315392 2 0.0000 0.9179 0.000 1.000
#> ERR315450 2 0.0000 0.9179 0.000 1.000
#> ERR315462 2 0.0000 0.9179 0.000 1.000
#> ERR315328 2 0.9944 -0.3320 0.456 0.544
#> ERR315389 2 0.9944 -0.3320 0.456 0.544
#> ERR315435 2 0.9944 -0.3320 0.456 0.544
#> ERR315482 2 0.0000 0.9179 0.000 1.000
#> ERR315380 2 0.0000 0.9179 0.000 1.000
#> ERR315377 2 0.3733 0.8279 0.072 0.928
#> ERR315374 2 0.3733 0.8279 0.072 0.928
#> ERR315466 1 0.9996 0.4714 0.512 0.488
#> ERR315479 1 0.9996 0.4714 0.512 0.488
#> ERR315473 2 0.0672 0.9122 0.008 0.992
#> ERR315391 1 0.9580 0.6053 0.620 0.380
#> ERR315417 2 0.0000 0.9179 0.000 1.000
#> ERR315385 2 0.0000 0.9179 0.000 1.000
#> ERR315386 2 0.0000 0.9179 0.000 1.000
#> ERR315438 2 0.0000 0.9179 0.000 1.000
#> ERR315367 2 0.9491 0.0212 0.368 0.632
#> ERR315331 2 0.9491 0.0212 0.368 0.632
#> ERR315347 2 0.0000 0.9179 0.000 1.000
#> ERR315396 1 0.0000 0.6517 1.000 0.000
#> ERR315486 1 0.0000 0.6517 1.000 0.000
#> ERR315403 2 0.0000 0.9179 0.000 1.000
#> ERR315357 2 0.0000 0.9179 0.000 1.000
#> ERR315463 1 0.9996 0.4714 0.512 0.488
#> ERR315451 1 0.9996 0.4714 0.512 0.488
#> ERR315445 2 0.0376 0.9154 0.004 0.996
#> ERR315461 2 0.0000 0.9179 0.000 1.000
#> ERR315397 2 0.0376 0.9151 0.004 0.996
#> ERR315491 2 0.0376 0.9151 0.004 0.996
#> ERR315483 2 0.0376 0.9151 0.004 0.996
#> ERR315400 2 0.0000 0.9179 0.000 1.000
#> ERR315440 2 0.8763 0.3860 0.296 0.704
#> ERR315493 2 0.8763 0.3860 0.296 0.704
#> ERR315441 2 0.8763 0.3860 0.296 0.704
#> ERR315455 2 0.7745 0.5132 0.228 0.772
#> ERR315421 2 0.0000 0.9179 0.000 1.000
#> ERR315370 2 0.0000 0.9179 0.000 1.000
#> ERR315355 2 0.0000 0.9179 0.000 1.000
#> ERR315446 1 0.9580 0.6053 0.620 0.380
#> ERR315375 2 0.0000 0.9179 0.000 1.000
#> ERR315467 2 0.0000 0.9179 0.000 1.000
#> ERR315484 2 0.0000 0.9179 0.000 1.000
#> ERR315406 1 0.0000 0.6517 1.000 0.000
#> ERR315404 1 0.0000 0.6517 1.000 0.000
#> ERR315407 2 0.0000 0.9179 0.000 1.000
#> ERR315340 2 0.0000 0.9179 0.000 1.000
#> ERR315356 2 0.9775 -0.1730 0.412 0.588
#> ERR315430 2 0.9815 -0.2043 0.420 0.580
#> ERR315422 2 0.0376 0.9151 0.004 0.996
#> ERR315358 2 0.0376 0.9151 0.004 0.996
#> ERR315448 2 0.0672 0.9122 0.008 0.992
#> ERR315401 2 0.0000 0.9179 0.000 1.000
#> ERR315464 2 0.0000 0.9179 0.000 1.000
#> ERR315481 2 0.0672 0.9122 0.008 0.992
#> ERR315454 2 0.0672 0.9122 0.008 0.992
#> ERR315365 2 0.0000 0.9179 0.000 1.000
#> ERR315354 2 0.0000 0.9179 0.000 1.000
#> ERR315439 2 0.0000 0.9179 0.000 1.000
#> ERR315444 2 0.0000 0.9179 0.000 1.000
#> ERR315341 2 0.0000 0.9179 0.000 1.000
#> ERR315412 2 0.0000 0.9179 0.000 1.000
#> ERR315337 2 0.0000 0.9179 0.000 1.000
#> ERR315429 1 0.9996 0.4714 0.512 0.488
#> ERR315436 1 0.9996 0.4714 0.512 0.488
#> ERR315379 2 0.0000 0.9179 0.000 1.000
#> ERR315443 2 0.0000 0.9179 0.000 1.000
#> ERR315415 1 0.9580 0.6053 0.620 0.380
#> ERR315456 1 0.9580 0.6053 0.620 0.380
#> ERR315336 2 0.0000 0.9179 0.000 1.000
#> ERR315399 2 0.0000 0.9179 0.000 1.000
#> ERR315477 2 0.0000 0.9179 0.000 1.000
#> ERR315346 2 0.0000 0.9179 0.000 1.000
#> ERR315383 2 0.0000 0.9179 0.000 1.000
#> ERR315494 2 0.0000 0.9179 0.000 1.000
#> ERR315492 1 0.9580 0.6053 0.620 0.380
#> ERR315432 2 0.8661 0.3347 0.288 0.712
#> ERR315338 2 0.0672 0.9122 0.008 0.992
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.5835 0.598 0.000 0.340 0.660
#> ERR315339 3 0.2297 0.735 0.020 0.036 0.944
#> ERR315376 3 0.2297 0.735 0.020 0.036 0.944
#> ERR315343 2 0.4796 0.764 0.000 0.780 0.220
#> ERR315342 2 0.4750 0.766 0.000 0.784 0.216
#> ERR315468 2 0.5591 0.751 0.000 0.696 0.304
#> ERR315434 3 0.5650 0.583 0.000 0.312 0.688
#> ERR315489 3 0.5706 0.571 0.000 0.320 0.680
#> ERR315371 3 0.0661 0.730 0.008 0.004 0.988
#> ERR315433 2 0.5621 0.746 0.000 0.692 0.308
#> ERR315368 2 0.5845 0.749 0.004 0.688 0.308
#> ERR315465 3 0.0475 0.732 0.004 0.004 0.992
#> ERR315437 3 0.0475 0.732 0.004 0.004 0.992
#> ERR315327 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315394 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315427 3 0.6235 0.425 0.000 0.436 0.564
#> ERR315360 3 0.6235 0.425 0.000 0.436 0.564
#> ERR315426 3 0.0237 0.734 0.004 0.000 0.996
#> ERR315387 3 0.0237 0.734 0.004 0.000 0.996
#> ERR315475 3 0.0237 0.734 0.004 0.000 0.996
#> ERR315395 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315333 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315460 3 0.5291 0.636 0.000 0.268 0.732
#> ERR315372 3 0.5216 0.644 0.000 0.260 0.740
#> ERR315472 3 0.6045 0.509 0.000 0.380 0.620
#> ERR315398 3 0.6062 0.502 0.000 0.384 0.616
#> ERR315409 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315423 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315402 2 0.6357 0.754 0.020 0.684 0.296
#> ERR315458 2 0.6357 0.754 0.020 0.684 0.296
#> ERR315366 3 0.0475 0.732 0.004 0.004 0.992
#> ERR315345 3 0.0475 0.732 0.004 0.004 0.992
#> ERR315326 3 0.4931 0.678 0.000 0.232 0.768
#> ERR315424 3 0.4931 0.678 0.000 0.232 0.768
#> ERR315382 2 0.6421 0.591 0.004 0.572 0.424
#> ERR315325 2 0.6225 0.578 0.000 0.568 0.432
#> ERR315369 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315485 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315420 2 0.4196 0.721 0.024 0.864 0.112
#> ERR315459 2 0.4172 0.721 0.028 0.868 0.104
#> ERR315353 3 0.5465 0.625 0.000 0.288 0.712
#> ERR315487 3 0.5497 0.620 0.000 0.292 0.708
#> ERR315378 2 0.4796 0.766 0.000 0.780 0.220
#> ERR315431 2 0.5016 0.766 0.000 0.760 0.240
#> ERR315335 2 0.5591 0.751 0.000 0.696 0.304
#> ERR315452 2 0.5591 0.751 0.000 0.696 0.304
#> ERR315471 3 0.0661 0.730 0.008 0.004 0.988
#> ERR315390 3 0.0661 0.730 0.008 0.004 0.988
#> ERR315329 3 0.0661 0.730 0.008 0.004 0.988
#> ERR315393 3 0.0661 0.730 0.008 0.004 0.988
#> ERR315488 3 0.0661 0.730 0.008 0.004 0.988
#> ERR315351 1 0.8072 0.727 0.652 0.184 0.164
#> ERR315350 1 0.8072 0.727 0.652 0.184 0.164
#> ERR315381 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315388 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315418 2 0.5115 0.753 0.016 0.796 0.188
#> ERR315449 2 0.5115 0.753 0.016 0.796 0.188
#> ERR315490 2 0.5360 0.775 0.012 0.768 0.220
#> ERR315495 2 0.5360 0.775 0.012 0.768 0.220
#> ERR315361 2 0.5360 0.775 0.012 0.768 0.220
#> ERR315419 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315344 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315414 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315352 1 0.8076 0.728 0.652 0.168 0.180
#> ERR315410 2 0.5138 0.775 0.000 0.748 0.252
#> ERR315349 3 0.6045 0.453 0.000 0.380 0.620
#> ERR315474 3 0.6111 0.410 0.000 0.396 0.604
#> ERR315470 3 0.6111 0.410 0.000 0.396 0.604
#> ERR315428 2 0.6294 0.761 0.020 0.692 0.288
#> ERR315363 2 0.6294 0.761 0.020 0.692 0.288
#> ERR315469 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315425 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315476 3 0.5650 0.591 0.000 0.312 0.688
#> ERR315478 3 0.5733 0.576 0.000 0.324 0.676
#> ERR315362 2 0.5497 0.681 0.000 0.708 0.292
#> ERR315411 2 0.5591 0.674 0.000 0.696 0.304
#> ERR315416 3 0.0829 0.733 0.004 0.012 0.984
#> ERR315405 3 0.0829 0.733 0.004 0.012 0.984
#> ERR315408 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315364 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315359 2 0.5529 0.756 0.000 0.704 0.296
#> ERR315330 2 0.5529 0.756 0.000 0.704 0.296
#> ERR315384 2 0.4702 0.765 0.000 0.788 0.212
#> ERR315413 2 0.4702 0.765 0.000 0.788 0.212
#> ERR315332 3 0.5733 0.557 0.000 0.324 0.676
#> ERR315334 3 0.6410 0.441 0.004 0.420 0.576
#> ERR315447 3 0.6432 0.430 0.004 0.428 0.568
#> ERR315453 3 0.6386 0.457 0.004 0.412 0.584
#> ERR315442 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315457 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315392 2 0.5650 0.742 0.000 0.688 0.312
#> ERR315450 2 0.5650 0.741 0.000 0.688 0.312
#> ERR315462 3 0.5431 0.641 0.000 0.284 0.716
#> ERR315328 2 0.2173 0.678 0.008 0.944 0.048
#> ERR315389 2 0.2173 0.678 0.008 0.944 0.048
#> ERR315435 2 0.2173 0.678 0.008 0.944 0.048
#> ERR315482 2 0.6326 0.757 0.020 0.688 0.292
#> ERR315380 2 0.6326 0.757 0.020 0.688 0.292
#> ERR315377 3 0.5591 0.627 0.000 0.304 0.696
#> ERR315374 3 0.5621 0.623 0.000 0.308 0.692
#> ERR315466 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315479 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315473 3 0.0983 0.732 0.004 0.016 0.980
#> ERR315391 1 0.8361 0.664 0.624 0.160 0.216
#> ERR315417 2 0.5591 0.751 0.000 0.696 0.304
#> ERR315385 2 0.5591 0.751 0.000 0.696 0.304
#> ERR315386 2 0.6180 0.487 0.000 0.584 0.416
#> ERR315438 2 0.5859 0.688 0.000 0.656 0.344
#> ERR315367 2 0.2173 0.678 0.008 0.944 0.048
#> ERR315331 2 0.2173 0.678 0.008 0.944 0.048
#> ERR315347 3 0.5926 0.516 0.000 0.356 0.644
#> ERR315396 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315486 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315403 3 0.5760 0.609 0.000 0.328 0.672
#> ERR315357 3 0.5733 0.615 0.000 0.324 0.676
#> ERR315463 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315451 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315445 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315461 3 0.1411 0.741 0.000 0.036 0.964
#> ERR315397 2 0.6056 0.769 0.032 0.744 0.224
#> ERR315491 2 0.6099 0.769 0.032 0.740 0.228
#> ERR315483 2 0.6056 0.769 0.032 0.744 0.224
#> ERR315400 3 0.1964 0.731 0.000 0.056 0.944
#> ERR315440 3 0.5339 0.550 0.096 0.080 0.824
#> ERR315493 3 0.5416 0.547 0.100 0.080 0.820
#> ERR315441 3 0.5339 0.550 0.096 0.080 0.824
#> ERR315455 2 0.5254 0.773 0.000 0.736 0.264
#> ERR315421 3 0.5905 0.525 0.000 0.352 0.648
#> ERR315370 3 0.5926 0.522 0.000 0.356 0.644
#> ERR315355 3 0.5968 0.515 0.000 0.364 0.636
#> ERR315446 1 0.8076 0.728 0.652 0.168 0.180
#> ERR315375 3 0.5254 0.651 0.000 0.264 0.736
#> ERR315467 3 0.6260 0.357 0.000 0.448 0.552
#> ERR315484 3 0.5058 0.679 0.000 0.244 0.756
#> ERR315406 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315404 1 0.0892 0.803 0.980 0.000 0.020
#> ERR315407 2 0.5529 0.756 0.000 0.704 0.296
#> ERR315340 2 0.5529 0.756 0.000 0.704 0.296
#> ERR315356 2 0.2486 0.688 0.008 0.932 0.060
#> ERR315430 2 0.2486 0.688 0.008 0.932 0.060
#> ERR315422 2 0.6012 0.769 0.032 0.748 0.220
#> ERR315358 2 0.6012 0.769 0.032 0.748 0.220
#> ERR315448 3 0.0829 0.733 0.004 0.012 0.984
#> ERR315401 3 0.4062 0.710 0.000 0.164 0.836
#> ERR315464 3 0.4121 0.708 0.000 0.168 0.832
#> ERR315481 3 0.0475 0.732 0.004 0.004 0.992
#> ERR315454 3 0.0475 0.732 0.004 0.004 0.992
#> ERR315365 2 0.5497 0.759 0.000 0.708 0.292
#> ERR315354 2 0.5497 0.759 0.000 0.708 0.292
#> ERR315439 3 0.5859 0.537 0.000 0.344 0.656
#> ERR315444 3 0.5859 0.537 0.000 0.344 0.656
#> ERR315341 3 0.6095 0.417 0.000 0.392 0.608
#> ERR315412 2 0.5497 0.759 0.000 0.708 0.292
#> ERR315337 2 0.5497 0.759 0.000 0.708 0.292
#> ERR315429 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315436 2 0.2902 0.626 0.064 0.920 0.016
#> ERR315379 3 0.5254 0.652 0.000 0.264 0.736
#> ERR315443 2 0.5363 0.707 0.000 0.724 0.276
#> ERR315415 1 0.8072 0.725 0.652 0.164 0.184
#> ERR315456 1 0.8067 0.723 0.652 0.160 0.188
#> ERR315336 3 0.4291 0.702 0.000 0.180 0.820
#> ERR315399 3 0.4235 0.702 0.000 0.176 0.824
#> ERR315477 2 0.6357 0.759 0.020 0.684 0.296
#> ERR315346 3 0.5560 0.600 0.000 0.300 0.700
#> ERR315383 3 0.6267 0.325 0.000 0.452 0.548
#> ERR315494 3 0.6299 0.183 0.000 0.476 0.524
#> ERR315492 1 0.8061 0.718 0.652 0.156 0.192
#> ERR315432 2 0.5254 0.770 0.000 0.736 0.264
#> ERR315338 3 0.0983 0.732 0.004 0.016 0.980
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 2 0.4352 0.6847 0.104 0.816 0.000 0.080
#> ERR315339 2 0.7739 0.1780 0.304 0.524 0.024 0.148
#> ERR315376 2 0.7755 0.1617 0.308 0.520 0.024 0.148
#> ERR315343 4 0.5889 0.6822 0.100 0.212 0.000 0.688
#> ERR315342 4 0.5889 0.6822 0.100 0.212 0.000 0.688
#> ERR315468 2 0.3486 0.6762 0.000 0.812 0.000 0.188
#> ERR315434 2 0.5820 0.6424 0.084 0.684 0.000 0.232
#> ERR315489 2 0.5759 0.6440 0.080 0.688 0.000 0.232
#> ERR315371 1 0.4250 0.9383 0.724 0.276 0.000 0.000
#> ERR315433 2 0.4163 0.6813 0.020 0.792 0.000 0.188
#> ERR315368 2 0.4163 0.6813 0.020 0.792 0.000 0.188
#> ERR315465 1 0.4250 0.9383 0.724 0.276 0.000 0.000
#> ERR315437 1 0.4277 0.9409 0.720 0.280 0.000 0.000
#> ERR315327 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315394 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315427 2 0.5496 0.6761 0.108 0.732 0.000 0.160
#> ERR315360 2 0.5407 0.6769 0.108 0.740 0.000 0.152
#> ERR315426 1 0.4356 0.9360 0.708 0.292 0.000 0.000
#> ERR315387 1 0.4356 0.9360 0.708 0.292 0.000 0.000
#> ERR315475 1 0.4356 0.9360 0.708 0.292 0.000 0.000
#> ERR315395 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315333 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315460 2 0.4735 0.6789 0.068 0.784 0.000 0.148
#> ERR315372 2 0.4735 0.6789 0.068 0.784 0.000 0.148
#> ERR315472 2 0.6192 0.6139 0.104 0.652 0.000 0.244
#> ERR315398 2 0.6273 0.6110 0.108 0.644 0.000 0.248
#> ERR315409 2 0.4679 0.0959 0.352 0.648 0.000 0.000
#> ERR315423 2 0.4804 -0.0462 0.384 0.616 0.000 0.000
#> ERR315402 2 0.4197 0.6946 0.036 0.808 0.000 0.156
#> ERR315458 2 0.4197 0.6946 0.036 0.808 0.000 0.156
#> ERR315366 1 0.4511 0.9287 0.724 0.268 0.000 0.008
#> ERR315345 1 0.4511 0.9287 0.724 0.268 0.000 0.008
#> ERR315326 2 0.1022 0.6990 0.032 0.968 0.000 0.000
#> ERR315424 2 0.1022 0.6990 0.032 0.968 0.000 0.000
#> ERR315382 4 0.6685 0.4156 0.108 0.324 0.000 0.568
#> ERR315325 4 0.6685 0.4156 0.108 0.324 0.000 0.568
#> ERR315369 2 0.4585 0.1729 0.332 0.668 0.000 0.000
#> ERR315485 2 0.4522 0.2151 0.320 0.680 0.000 0.000
#> ERR315420 4 0.3189 0.7602 0.048 0.060 0.004 0.888
#> ERR315459 4 0.3189 0.7602 0.048 0.060 0.004 0.888
#> ERR315353 2 0.1022 0.7001 0.032 0.968 0.000 0.000
#> ERR315487 2 0.1118 0.6983 0.036 0.964 0.000 0.000
#> ERR315378 4 0.5842 0.6739 0.092 0.220 0.000 0.688
#> ERR315431 4 0.5875 0.6643 0.092 0.224 0.000 0.684
#> ERR315335 2 0.3311 0.6869 0.000 0.828 0.000 0.172
#> ERR315452 2 0.3311 0.6869 0.000 0.828 0.000 0.172
#> ERR315471 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315390 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315329 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315393 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315488 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315351 3 0.7660 0.7492 0.232 0.124 0.592 0.052
#> ERR315350 3 0.7660 0.7492 0.232 0.124 0.592 0.052
#> ERR315381 2 0.4761 -0.0172 0.372 0.628 0.000 0.000
#> ERR315388 2 0.4746 -0.0394 0.368 0.632 0.000 0.000
#> ERR315418 4 0.4215 0.7463 0.072 0.104 0.000 0.824
#> ERR315449 4 0.4215 0.7463 0.072 0.104 0.000 0.824
#> ERR315490 2 0.6115 0.5394 0.232 0.672 0.004 0.092
#> ERR315495 2 0.6171 0.5400 0.232 0.668 0.004 0.096
#> ERR315361 2 0.6057 0.5453 0.232 0.676 0.004 0.088
#> ERR315419 2 0.4888 -0.1790 0.412 0.588 0.000 0.000
#> ERR315344 2 0.4888 -0.1790 0.412 0.588 0.000 0.000
#> ERR315414 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315352 3 0.7603 0.7527 0.232 0.132 0.592 0.044
#> ERR315410 2 0.4741 0.6469 0.028 0.744 0.000 0.228
#> ERR315349 2 0.0672 0.7054 0.008 0.984 0.000 0.008
#> ERR315474 2 0.0672 0.7054 0.008 0.984 0.000 0.008
#> ERR315470 2 0.0927 0.7067 0.016 0.976 0.000 0.008
#> ERR315428 2 0.1820 0.6897 0.036 0.944 0.000 0.020
#> ERR315363 2 0.1820 0.6897 0.036 0.944 0.000 0.020
#> ERR315469 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315425 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315476 2 0.3372 0.6942 0.096 0.868 0.000 0.036
#> ERR315478 2 0.3308 0.6953 0.092 0.872 0.000 0.036
#> ERR315362 2 0.6378 0.5841 0.108 0.628 0.000 0.264
#> ERR315411 2 0.6378 0.5841 0.108 0.628 0.000 0.264
#> ERR315416 1 0.4356 0.9397 0.708 0.292 0.000 0.000
#> ERR315405 1 0.4356 0.9397 0.708 0.292 0.000 0.000
#> ERR315408 2 0.4877 -0.1741 0.408 0.592 0.000 0.000
#> ERR315364 2 0.4866 -0.1701 0.404 0.596 0.000 0.000
#> ERR315359 2 0.1584 0.6951 0.036 0.952 0.000 0.012
#> ERR315330 2 0.1584 0.6951 0.036 0.952 0.000 0.012
#> ERR315384 4 0.5710 0.6992 0.100 0.192 0.000 0.708
#> ERR315413 4 0.5710 0.6992 0.100 0.192 0.000 0.708
#> ERR315332 2 0.5030 0.6659 0.060 0.752 0.000 0.188
#> ERR315334 2 0.6019 0.6380 0.100 0.672 0.000 0.228
#> ERR315447 2 0.6134 0.6269 0.104 0.660 0.000 0.236
#> ERR315453 2 0.5995 0.6380 0.096 0.672 0.000 0.232
#> ERR315442 2 0.4888 -0.1790 0.412 0.588 0.000 0.000
#> ERR315457 2 0.4888 -0.1790 0.412 0.588 0.000 0.000
#> ERR315392 2 0.4267 0.6742 0.024 0.788 0.000 0.188
#> ERR315450 2 0.4163 0.6757 0.020 0.792 0.000 0.188
#> ERR315462 2 0.6194 0.6019 0.096 0.644 0.000 0.260
#> ERR315328 4 0.1388 0.7537 0.012 0.028 0.000 0.960
#> ERR315389 4 0.1388 0.7537 0.012 0.028 0.000 0.960
#> ERR315435 4 0.1388 0.7537 0.012 0.028 0.000 0.960
#> ERR315482 2 0.2722 0.7041 0.032 0.904 0.000 0.064
#> ERR315380 2 0.2722 0.7041 0.032 0.904 0.000 0.064
#> ERR315377 2 0.6042 0.6410 0.104 0.672 0.000 0.224
#> ERR315374 2 0.6042 0.6410 0.104 0.672 0.000 0.224
#> ERR315466 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315479 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315473 1 0.4356 0.9397 0.708 0.292 0.000 0.000
#> ERR315391 3 0.7603 0.7527 0.232 0.132 0.592 0.044
#> ERR315417 2 0.2589 0.7100 0.000 0.884 0.000 0.116
#> ERR315385 2 0.2589 0.7100 0.000 0.884 0.000 0.116
#> ERR315386 2 0.0524 0.7040 0.004 0.988 0.000 0.008
#> ERR315438 2 0.0524 0.7040 0.004 0.988 0.000 0.008
#> ERR315367 4 0.1388 0.7537 0.012 0.028 0.000 0.960
#> ERR315331 4 0.1388 0.7537 0.012 0.028 0.000 0.960
#> ERR315347 2 0.1677 0.7058 0.040 0.948 0.000 0.012
#> ERR315396 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315486 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315403 2 0.4469 0.6787 0.112 0.808 0.000 0.080
#> ERR315357 2 0.4469 0.6787 0.112 0.808 0.000 0.080
#> ERR315463 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315451 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315445 2 0.4888 -0.1790 0.412 0.588 0.000 0.000
#> ERR315461 2 0.4888 -0.1790 0.412 0.588 0.000 0.000
#> ERR315397 2 0.5936 0.5401 0.232 0.684 0.004 0.080
#> ERR315491 2 0.5936 0.5401 0.232 0.684 0.004 0.080
#> ERR315483 2 0.5936 0.5401 0.232 0.684 0.004 0.080
#> ERR315400 2 0.5790 0.2751 0.340 0.616 0.000 0.044
#> ERR315440 1 0.3117 0.6477 0.880 0.092 0.000 0.028
#> ERR315493 1 0.3117 0.6477 0.880 0.092 0.000 0.028
#> ERR315441 1 0.3117 0.6477 0.880 0.092 0.000 0.028
#> ERR315455 2 0.5680 0.5857 0.044 0.684 0.008 0.264
#> ERR315421 2 0.1936 0.7126 0.028 0.940 0.000 0.032
#> ERR315370 2 0.3090 0.7146 0.056 0.888 0.000 0.056
#> ERR315355 2 0.3617 0.7059 0.076 0.860 0.000 0.064
#> ERR315446 3 0.7603 0.7527 0.232 0.132 0.592 0.044
#> ERR315375 2 0.1824 0.6943 0.060 0.936 0.000 0.004
#> ERR315467 2 0.6323 0.5831 0.100 0.628 0.000 0.272
#> ERR315484 2 0.3486 0.6973 0.092 0.864 0.000 0.044
#> ERR315406 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315404 3 0.0779 0.7765 0.016 0.000 0.980 0.004
#> ERR315407 2 0.2131 0.7017 0.036 0.932 0.000 0.032
#> ERR315340 2 0.1929 0.6995 0.036 0.940 0.000 0.024
#> ERR315356 4 0.2319 0.7565 0.040 0.036 0.000 0.924
#> ERR315430 4 0.2319 0.7565 0.040 0.036 0.000 0.924
#> ERR315422 2 0.5936 0.5401 0.232 0.684 0.004 0.080
#> ERR315358 2 0.5936 0.5401 0.232 0.684 0.004 0.080
#> ERR315448 1 0.4356 0.9397 0.708 0.292 0.000 0.000
#> ERR315401 2 0.4872 0.6753 0.076 0.776 0.000 0.148
#> ERR315464 2 0.4872 0.6753 0.076 0.776 0.000 0.148
#> ERR315481 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315454 1 0.4304 0.9430 0.716 0.284 0.000 0.000
#> ERR315365 2 0.1584 0.6951 0.036 0.952 0.000 0.012
#> ERR315354 2 0.1584 0.6951 0.036 0.952 0.000 0.012
#> ERR315439 2 0.0779 0.7030 0.016 0.980 0.000 0.004
#> ERR315444 2 0.0927 0.7040 0.016 0.976 0.000 0.008
#> ERR315341 2 0.0524 0.7040 0.004 0.988 0.000 0.008
#> ERR315412 2 0.1610 0.6938 0.032 0.952 0.000 0.016
#> ERR315337 2 0.1610 0.6938 0.032 0.952 0.000 0.016
#> ERR315429 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315436 4 0.3105 0.7196 0.084 0.020 0.008 0.888
#> ERR315379 2 0.1118 0.6983 0.036 0.964 0.000 0.000
#> ERR315443 4 0.5889 0.6822 0.100 0.212 0.000 0.688
#> ERR315415 3 0.7603 0.7527 0.232 0.132 0.592 0.044
#> ERR315456 3 0.7603 0.7527 0.232 0.132 0.592 0.044
#> ERR315336 2 0.4824 0.6781 0.076 0.780 0.000 0.144
#> ERR315399 2 0.4724 0.6824 0.076 0.788 0.000 0.136
#> ERR315477 2 0.4900 0.6687 0.032 0.760 0.008 0.200
#> ERR315346 2 0.3763 0.6918 0.024 0.832 0.000 0.144
#> ERR315383 4 0.5968 0.6489 0.092 0.236 0.000 0.672
#> ERR315494 4 0.5962 0.6243 0.080 0.260 0.000 0.660
#> ERR315492 3 0.7603 0.7527 0.232 0.132 0.592 0.044
#> ERR315432 4 0.6213 0.5939 0.068 0.280 0.008 0.644
#> ERR315338 1 0.4356 0.9397 0.708 0.292 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 4 0.4306 0.6619 0.172 0.000 0.044 0.772 0.012
#> ERR315339 1 0.6097 0.4876 0.572 0.020 0.092 0.316 0.000
#> ERR315376 1 0.6097 0.4876 0.572 0.020 0.092 0.316 0.000
#> ERR315343 5 0.8063 0.0735 0.156 0.000 0.144 0.304 0.396
#> ERR315342 5 0.7946 0.0757 0.132 0.000 0.144 0.328 0.396
#> ERR315468 4 0.4479 0.4575 0.004 0.000 0.240 0.720 0.036
#> ERR315434 4 0.6422 0.6306 0.188 0.000 0.136 0.624 0.052
#> ERR315489 4 0.6392 0.6332 0.184 0.000 0.136 0.628 0.052
#> ERR315371 1 0.0566 0.7187 0.984 0.000 0.004 0.012 0.000
#> ERR315433 4 0.4630 0.2756 0.008 0.000 0.300 0.672 0.020
#> ERR315368 4 0.4540 0.2754 0.008 0.000 0.300 0.676 0.016
#> ERR315465 1 0.0566 0.7187 0.984 0.000 0.004 0.012 0.000
#> ERR315437 1 0.0566 0.7187 0.984 0.000 0.004 0.012 0.000
#> ERR315327 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315394 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315427 4 0.5659 0.6632 0.172 0.000 0.080 0.696 0.052
#> ERR315360 4 0.5549 0.6637 0.172 0.000 0.072 0.704 0.052
#> ERR315426 1 0.0404 0.7198 0.988 0.000 0.000 0.012 0.000
#> ERR315387 1 0.0290 0.7196 0.992 0.000 0.000 0.008 0.000
#> ERR315475 1 0.0290 0.7196 0.992 0.000 0.000 0.008 0.000
#> ERR315395 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315333 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315460 4 0.4752 0.6294 0.184 0.000 0.092 0.724 0.000
#> ERR315372 4 0.4752 0.6294 0.184 0.000 0.092 0.724 0.000
#> ERR315472 4 0.6409 0.6354 0.172 0.000 0.148 0.628 0.052
#> ERR315398 4 0.6409 0.6354 0.172 0.000 0.148 0.628 0.052
#> ERR315409 1 0.4138 0.5547 0.616 0.000 0.000 0.384 0.000
#> ERR315423 1 0.4138 0.5547 0.616 0.000 0.000 0.384 0.000
#> ERR315402 3 0.4562 0.2133 0.008 0.000 0.500 0.492 0.000
#> ERR315458 3 0.4562 0.2133 0.008 0.000 0.500 0.492 0.000
#> ERR315366 1 0.1012 0.7174 0.968 0.000 0.020 0.012 0.000
#> ERR315345 1 0.1012 0.7174 0.968 0.000 0.020 0.012 0.000
#> ERR315326 4 0.2648 0.6635 0.152 0.000 0.000 0.848 0.000
#> ERR315424 4 0.2648 0.6636 0.152 0.000 0.000 0.848 0.000
#> ERR315382 1 0.7781 -0.0025 0.372 0.000 0.088 0.172 0.368
#> ERR315325 1 0.7781 -0.0025 0.372 0.000 0.088 0.172 0.368
#> ERR315369 1 0.4192 0.5277 0.596 0.000 0.000 0.404 0.000
#> ERR315485 1 0.4192 0.5277 0.596 0.000 0.000 0.404 0.000
#> ERR315420 5 0.2238 0.7125 0.064 0.000 0.004 0.020 0.912
#> ERR315459 5 0.2238 0.7125 0.064 0.000 0.004 0.020 0.912
#> ERR315353 4 0.1908 0.6607 0.092 0.000 0.000 0.908 0.000
#> ERR315487 4 0.2605 0.6644 0.148 0.000 0.000 0.852 0.000
#> ERR315378 5 0.7989 0.0772 0.140 0.000 0.144 0.320 0.396
#> ERR315431 5 0.8063 0.0574 0.156 0.000 0.144 0.304 0.396
#> ERR315335 4 0.3795 0.4719 0.000 0.000 0.192 0.780 0.028
#> ERR315452 4 0.3795 0.4719 0.000 0.000 0.192 0.780 0.028
#> ERR315471 1 0.0324 0.7176 0.992 0.000 0.004 0.004 0.000
#> ERR315390 1 0.0324 0.7176 0.992 0.000 0.004 0.004 0.000
#> ERR315329 1 0.0324 0.7176 0.992 0.000 0.004 0.004 0.000
#> ERR315393 1 0.0566 0.7183 0.984 0.000 0.012 0.004 0.000
#> ERR315488 1 0.0566 0.7183 0.984 0.000 0.012 0.004 0.000
#> ERR315351 2 0.4972 0.6686 0.016 0.536 0.440 0.008 0.000
#> ERR315350 2 0.4972 0.6686 0.016 0.536 0.440 0.008 0.000
#> ERR315381 1 0.4138 0.5547 0.616 0.000 0.000 0.384 0.000
#> ERR315388 1 0.4138 0.5547 0.616 0.000 0.000 0.384 0.000
#> ERR315418 5 0.3717 0.6609 0.144 0.000 0.012 0.028 0.816
#> ERR315449 5 0.3860 0.6561 0.148 0.000 0.016 0.028 0.808
#> ERR315490 3 0.3242 0.7352 0.000 0.000 0.784 0.216 0.000
#> ERR315495 3 0.3210 0.7392 0.000 0.000 0.788 0.212 0.000
#> ERR315361 3 0.3242 0.7352 0.000 0.000 0.784 0.216 0.000
#> ERR315419 1 0.4150 0.5518 0.612 0.000 0.000 0.388 0.000
#> ERR315344 1 0.4150 0.5518 0.612 0.000 0.000 0.388 0.000
#> ERR315414 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315352 2 0.4542 0.6793 0.000 0.536 0.456 0.008 0.000
#> ERR315410 4 0.4506 0.4690 0.004 0.000 0.244 0.716 0.036
#> ERR315349 4 0.3070 0.5518 0.012 0.000 0.112 0.860 0.016
#> ERR315474 4 0.2917 0.5560 0.012 0.000 0.108 0.868 0.012
#> ERR315470 4 0.3070 0.5518 0.012 0.000 0.112 0.860 0.016
#> ERR315428 4 0.4449 -0.3055 0.004 0.000 0.484 0.512 0.000
#> ERR315363 4 0.4449 -0.3055 0.004 0.000 0.484 0.512 0.000
#> ERR315469 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315425 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315476 4 0.3594 0.6505 0.172 0.000 0.020 0.804 0.004
#> ERR315478 4 0.3594 0.6505 0.172 0.000 0.020 0.804 0.004
#> ERR315362 4 0.6539 0.6357 0.172 0.000 0.156 0.616 0.056
#> ERR315411 4 0.6539 0.6357 0.172 0.000 0.156 0.616 0.056
#> ERR315416 1 0.0404 0.7198 0.988 0.000 0.000 0.012 0.000
#> ERR315405 1 0.0404 0.7198 0.988 0.000 0.000 0.012 0.000
#> ERR315408 1 0.4138 0.5547 0.616 0.000 0.000 0.384 0.000
#> ERR315364 1 0.4138 0.5547 0.616 0.000 0.000 0.384 0.000
#> ERR315359 4 0.4165 0.2103 0.008 0.000 0.320 0.672 0.000
#> ERR315330 4 0.4165 0.2103 0.008 0.000 0.320 0.672 0.000
#> ERR315384 5 0.6378 0.5450 0.152 0.000 0.088 0.112 0.648
#> ERR315413 5 0.6427 0.5419 0.152 0.000 0.092 0.112 0.644
#> ERR315332 4 0.5592 0.6661 0.160 0.000 0.088 0.704 0.048
#> ERR315334 4 0.4941 0.6200 0.152 0.000 0.100 0.736 0.012
#> ERR315447 4 0.4941 0.6200 0.152 0.000 0.100 0.736 0.012
#> ERR315453 4 0.4891 0.6239 0.152 0.000 0.096 0.740 0.012
#> ERR315442 1 0.4150 0.5518 0.612 0.000 0.000 0.388 0.000
#> ERR315457 1 0.4150 0.5518 0.612 0.000 0.000 0.388 0.000
#> ERR315392 4 0.5034 0.5238 0.028 0.000 0.236 0.700 0.036
#> ERR315450 4 0.4952 0.5191 0.024 0.000 0.236 0.704 0.036
#> ERR315462 4 0.5305 0.6476 0.204 0.000 0.040 0.704 0.052
#> ERR315328 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315389 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315435 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315482 4 0.4304 -0.3032 0.000 0.000 0.484 0.516 0.000
#> ERR315380 4 0.4449 -0.2991 0.004 0.000 0.484 0.512 0.000
#> ERR315377 4 0.6429 0.6236 0.184 0.000 0.140 0.624 0.052
#> ERR315374 4 0.6429 0.6236 0.184 0.000 0.140 0.624 0.052
#> ERR315466 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315479 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315473 1 0.0510 0.7191 0.984 0.000 0.000 0.016 0.000
#> ERR315391 2 0.4542 0.6793 0.000 0.536 0.456 0.008 0.000
#> ERR315417 4 0.3977 0.4727 0.000 0.000 0.204 0.764 0.032
#> ERR315385 4 0.4099 0.4689 0.004 0.000 0.200 0.764 0.032
#> ERR315386 4 0.1282 0.6396 0.044 0.000 0.004 0.952 0.000
#> ERR315438 4 0.1331 0.6373 0.040 0.000 0.008 0.952 0.000
#> ERR315367 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315331 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315347 4 0.2511 0.6664 0.088 0.000 0.016 0.892 0.004
#> ERR315396 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315486 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315403 4 0.3806 0.6485 0.172 0.000 0.024 0.796 0.008
#> ERR315357 4 0.3806 0.6485 0.172 0.000 0.024 0.796 0.008
#> ERR315463 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315451 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315445 1 0.4150 0.5518 0.612 0.000 0.000 0.388 0.000
#> ERR315461 1 0.4150 0.5518 0.612 0.000 0.000 0.388 0.000
#> ERR315397 3 0.2329 0.7722 0.000 0.000 0.876 0.124 0.000
#> ERR315491 3 0.2329 0.7722 0.000 0.000 0.876 0.124 0.000
#> ERR315483 3 0.2329 0.7722 0.000 0.000 0.876 0.124 0.000
#> ERR315400 1 0.5532 0.4249 0.544 0.000 0.052 0.396 0.008
#> ERR315440 1 0.3642 0.4172 0.760 0.000 0.232 0.008 0.000
#> ERR315493 1 0.3642 0.4172 0.760 0.000 0.232 0.008 0.000
#> ERR315441 1 0.3642 0.4172 0.760 0.000 0.232 0.008 0.000
#> ERR315455 4 0.5881 0.3854 0.004 0.000 0.196 0.620 0.180
#> ERR315421 4 0.3763 0.6644 0.080 0.000 0.044 0.840 0.036
#> ERR315370 4 0.4389 0.6730 0.116 0.000 0.044 0.796 0.044
#> ERR315355 4 0.4469 0.6747 0.136 0.000 0.036 0.784 0.044
#> ERR315446 2 0.4542 0.6793 0.000 0.536 0.456 0.008 0.000
#> ERR315375 4 0.3209 0.6464 0.180 0.000 0.008 0.812 0.000
#> ERR315467 4 0.6414 0.6300 0.184 0.000 0.132 0.628 0.056
#> ERR315484 4 0.3716 0.6499 0.172 0.000 0.020 0.800 0.008
#> ERR315406 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315404 2 0.0000 0.7518 0.000 1.000 0.000 0.000 0.000
#> ERR315407 4 0.4240 0.2394 0.008 0.000 0.304 0.684 0.004
#> ERR315340 4 0.4240 0.2362 0.008 0.000 0.304 0.684 0.004
#> ERR315356 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315430 5 0.0955 0.7496 0.004 0.000 0.000 0.028 0.968
#> ERR315422 3 0.2329 0.7722 0.000 0.000 0.876 0.124 0.000
#> ERR315358 3 0.2329 0.7722 0.000 0.000 0.876 0.124 0.000
#> ERR315448 1 0.0510 0.7191 0.984 0.000 0.000 0.016 0.000
#> ERR315401 4 0.5004 0.5935 0.216 0.000 0.092 0.692 0.000
#> ERR315464 4 0.5004 0.5935 0.216 0.000 0.092 0.692 0.000
#> ERR315481 1 0.0290 0.7196 0.992 0.000 0.000 0.008 0.000
#> ERR315454 1 0.0290 0.7196 0.992 0.000 0.000 0.008 0.000
#> ERR315365 4 0.3816 0.2456 0.000 0.000 0.304 0.696 0.000
#> ERR315354 4 0.3949 0.2517 0.000 0.000 0.300 0.696 0.004
#> ERR315439 4 0.1410 0.6491 0.060 0.000 0.000 0.940 0.000
#> ERR315444 4 0.1410 0.6491 0.060 0.000 0.000 0.940 0.000
#> ERR315341 4 0.0566 0.6157 0.012 0.000 0.004 0.984 0.000
#> ERR315412 4 0.4268 -0.2127 0.000 0.000 0.444 0.556 0.000
#> ERR315337 4 0.4256 -0.1890 0.000 0.000 0.436 0.564 0.000
#> ERR315429 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315436 5 0.0162 0.7420 0.000 0.000 0.004 0.000 0.996
#> ERR315379 4 0.2563 0.6663 0.120 0.000 0.008 0.872 0.000
#> ERR315443 5 0.7935 0.1028 0.132 0.000 0.144 0.320 0.404
#> ERR315415 2 0.4542 0.6793 0.000 0.536 0.456 0.008 0.000
#> ERR315456 2 0.4542 0.6793 0.000 0.536 0.456 0.008 0.000
#> ERR315336 4 0.4450 0.6153 0.216 0.000 0.044 0.736 0.004
#> ERR315399 4 0.4305 0.6167 0.216 0.000 0.036 0.744 0.004
#> ERR315477 4 0.4800 0.2342 0.000 0.000 0.368 0.604 0.028
#> ERR315346 4 0.3734 0.6728 0.128 0.000 0.060 0.812 0.000
#> ERR315383 5 0.7879 0.2050 0.136 0.000 0.144 0.280 0.440
#> ERR315494 4 0.6768 -0.0985 0.020 0.000 0.148 0.440 0.392
#> ERR315492 2 0.4542 0.6793 0.000 0.536 0.456 0.008 0.000
#> ERR315432 4 0.6638 0.3003 0.020 0.000 0.176 0.540 0.264
#> ERR315338 1 0.0510 0.7191 0.984 0.000 0.000 0.016 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 4 0.2113 0.6358 0.008 0.092 0.000 0.896 0.004 0.000
#> ERR315339 1 0.5480 0.2543 0.492 0.060 0.020 0.424 0.000 0.004
#> ERR315376 1 0.5480 0.2543 0.492 0.060 0.020 0.424 0.000 0.004
#> ERR315343 4 0.6119 0.2711 0.020 0.216 0.000 0.516 0.248 0.000
#> ERR315342 4 0.6101 0.2534 0.016 0.228 0.000 0.508 0.248 0.000
#> ERR315468 2 0.4581 0.1612 0.000 0.516 0.000 0.448 0.036 0.000
#> ERR315434 4 0.4364 0.6349 0.096 0.076 0.000 0.772 0.056 0.000
#> ERR315489 4 0.4506 0.6381 0.104 0.080 0.000 0.760 0.056 0.000
#> ERR315371 1 0.1148 0.6423 0.960 0.020 0.000 0.016 0.000 0.004
#> ERR315433 2 0.4731 0.3747 0.012 0.620 0.000 0.332 0.032 0.004
#> ERR315368 2 0.4731 0.3747 0.012 0.620 0.000 0.332 0.032 0.004
#> ERR315465 1 0.1003 0.6435 0.964 0.016 0.000 0.020 0.000 0.000
#> ERR315437 1 0.1003 0.6435 0.964 0.016 0.000 0.020 0.000 0.000
#> ERR315327 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315394 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315427 4 0.5527 0.6309 0.068 0.104 0.000 0.712 0.056 0.060
#> ERR315360 4 0.5569 0.6307 0.068 0.108 0.000 0.708 0.056 0.060
#> ERR315426 1 0.1644 0.6500 0.932 0.028 0.000 0.040 0.000 0.000
#> ERR315387 1 0.1418 0.6538 0.944 0.024 0.000 0.032 0.000 0.000
#> ERR315475 1 0.1334 0.6530 0.948 0.020 0.000 0.032 0.000 0.000
#> ERR315395 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315333 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315460 4 0.3746 0.6270 0.140 0.080 0.000 0.780 0.000 0.000
#> ERR315372 4 0.3784 0.6258 0.144 0.080 0.000 0.776 0.000 0.000
#> ERR315472 4 0.3600 0.6071 0.032 0.088 0.000 0.824 0.056 0.000
#> ERR315398 4 0.3620 0.6072 0.036 0.084 0.000 0.824 0.056 0.000
#> ERR315409 1 0.6861 0.2561 0.416 0.128 0.072 0.376 0.004 0.004
#> ERR315423 1 0.6887 0.2508 0.412 0.132 0.072 0.376 0.004 0.004
#> ERR315402 2 0.3436 0.5866 0.012 0.796 0.000 0.172 0.000 0.020
#> ERR315458 2 0.3503 0.5884 0.012 0.788 0.000 0.180 0.000 0.020
#> ERR315366 1 0.1151 0.6433 0.956 0.012 0.000 0.032 0.000 0.000
#> ERR315345 1 0.1245 0.6412 0.952 0.016 0.000 0.032 0.000 0.000
#> ERR315326 4 0.4314 0.6192 0.104 0.156 0.000 0.736 0.004 0.000
#> ERR315424 4 0.4371 0.6183 0.116 0.148 0.000 0.732 0.004 0.000
#> ERR315382 5 0.7497 -0.1344 0.244 0.116 0.000 0.296 0.340 0.004
#> ERR315325 5 0.7497 -0.1344 0.244 0.116 0.000 0.296 0.340 0.004
#> ERR315369 1 0.7156 0.2266 0.376 0.164 0.072 0.376 0.004 0.008
#> ERR315485 4 0.7156 -0.2595 0.376 0.164 0.072 0.376 0.004 0.008
#> ERR315420 5 0.1773 0.8270 0.016 0.036 0.000 0.016 0.932 0.000
#> ERR315459 5 0.1844 0.8248 0.016 0.040 0.000 0.016 0.928 0.000
#> ERR315353 4 0.3819 0.6257 0.064 0.172 0.000 0.764 0.000 0.000
#> ERR315487 4 0.3608 0.6333 0.064 0.148 0.000 0.788 0.000 0.000
#> ERR315378 4 0.6139 0.2673 0.020 0.220 0.000 0.512 0.248 0.000
#> ERR315431 4 0.6416 0.2810 0.036 0.224 0.000 0.492 0.248 0.000
#> ERR315335 2 0.4482 0.3089 0.000 0.580 0.000 0.384 0.036 0.000
#> ERR315452 2 0.4482 0.3089 0.000 0.580 0.000 0.384 0.036 0.000
#> ERR315471 1 0.1237 0.6416 0.956 0.020 0.000 0.020 0.000 0.004
#> ERR315390 1 0.1237 0.6416 0.956 0.020 0.000 0.020 0.000 0.004
#> ERR315329 1 0.1237 0.6416 0.956 0.020 0.000 0.020 0.000 0.004
#> ERR315393 1 0.0777 0.6495 0.972 0.004 0.000 0.024 0.000 0.000
#> ERR315488 1 0.0777 0.6495 0.972 0.004 0.000 0.024 0.000 0.000
#> ERR315351 6 0.1261 0.9519 0.028 0.008 0.004 0.004 0.000 0.956
#> ERR315350 6 0.1261 0.9519 0.028 0.008 0.004 0.004 0.000 0.956
#> ERR315381 1 0.6936 0.2458 0.404 0.140 0.072 0.376 0.004 0.004
#> ERR315388 1 0.6936 0.2458 0.404 0.140 0.072 0.376 0.004 0.004
#> ERR315418 5 0.2827 0.7923 0.040 0.052 0.000 0.024 0.880 0.004
#> ERR315449 5 0.2827 0.7923 0.040 0.052 0.000 0.024 0.880 0.004
#> ERR315490 2 0.5118 0.1481 0.000 0.512 0.000 0.084 0.000 0.404
#> ERR315495 2 0.5118 0.1481 0.000 0.512 0.000 0.084 0.000 0.404
#> ERR315361 2 0.5157 0.1449 0.000 0.508 0.000 0.088 0.000 0.404
#> ERR315419 1 0.7076 0.2718 0.396 0.168 0.072 0.356 0.004 0.004
#> ERR315344 1 0.7073 0.2786 0.400 0.168 0.072 0.352 0.004 0.004
#> ERR315414 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315352 6 0.0810 0.9794 0.008 0.008 0.004 0.004 0.000 0.976
#> ERR315410 2 0.4700 0.1411 0.000 0.500 0.000 0.456 0.044 0.000
#> ERR315349 4 0.4306 0.1771 0.012 0.464 0.000 0.520 0.004 0.000
#> ERR315474 4 0.4172 0.1959 0.012 0.460 0.000 0.528 0.000 0.000
#> ERR315470 4 0.4408 0.1678 0.012 0.468 0.000 0.512 0.008 0.000
#> ERR315428 2 0.3202 0.6127 0.000 0.800 0.000 0.176 0.000 0.024
#> ERR315363 2 0.3202 0.6127 0.000 0.800 0.000 0.176 0.000 0.024
#> ERR315469 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315425 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315476 4 0.3020 0.6515 0.080 0.076 0.000 0.844 0.000 0.000
#> ERR315478 4 0.3020 0.6517 0.080 0.076 0.000 0.844 0.000 0.000
#> ERR315362 4 0.4517 0.6012 0.028 0.076 0.000 0.784 0.060 0.052
#> ERR315411 4 0.4517 0.6012 0.028 0.076 0.000 0.784 0.060 0.052
#> ERR315416 1 0.0891 0.6535 0.968 0.008 0.000 0.024 0.000 0.000
#> ERR315405 1 0.0891 0.6535 0.968 0.008 0.000 0.024 0.000 0.000
#> ERR315408 1 0.6960 0.2434 0.400 0.144 0.072 0.376 0.004 0.004
#> ERR315364 1 0.6982 0.2364 0.396 0.148 0.072 0.376 0.004 0.004
#> ERR315359 2 0.3394 0.5576 0.012 0.752 0.000 0.236 0.000 0.000
#> ERR315330 2 0.3394 0.5576 0.012 0.752 0.000 0.236 0.000 0.000
#> ERR315384 5 0.5804 0.2583 0.020 0.116 0.000 0.356 0.508 0.000
#> ERR315413 5 0.5804 0.2583 0.020 0.116 0.000 0.356 0.508 0.000
#> ERR315332 4 0.5701 0.6072 0.084 0.244 0.000 0.612 0.060 0.000
#> ERR315334 4 0.4600 0.6022 0.060 0.052 0.000 0.760 0.008 0.120
#> ERR315447 4 0.4681 0.5950 0.060 0.052 0.000 0.752 0.008 0.128
#> ERR315453 4 0.4472 0.6113 0.060 0.052 0.000 0.772 0.008 0.108
#> ERR315442 1 0.7070 0.2818 0.404 0.168 0.072 0.348 0.004 0.004
#> ERR315457 1 0.7070 0.2818 0.404 0.168 0.072 0.348 0.004 0.004
#> ERR315392 4 0.4862 0.0427 0.004 0.428 0.000 0.520 0.048 0.000
#> ERR315450 4 0.4681 -0.0070 0.000 0.432 0.000 0.524 0.044 0.000
#> ERR315462 4 0.4225 0.6388 0.056 0.108 0.000 0.780 0.056 0.000
#> ERR315328 5 0.0806 0.8445 0.000 0.008 0.000 0.020 0.972 0.000
#> ERR315389 5 0.0806 0.8445 0.000 0.008 0.000 0.020 0.972 0.000
#> ERR315435 5 0.0806 0.8445 0.000 0.008 0.000 0.020 0.972 0.000
#> ERR315482 2 0.3189 0.6045 0.000 0.796 0.000 0.184 0.000 0.020
#> ERR315380 2 0.3221 0.6041 0.000 0.792 0.000 0.188 0.000 0.020
#> ERR315377 4 0.4570 0.6084 0.084 0.084 0.000 0.768 0.056 0.008
#> ERR315374 4 0.4570 0.6084 0.084 0.084 0.000 0.768 0.056 0.008
#> ERR315466 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315479 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315473 1 0.0858 0.6529 0.968 0.004 0.000 0.028 0.000 0.000
#> ERR315391 6 0.0696 0.9823 0.004 0.008 0.004 0.004 0.000 0.980
#> ERR315417 2 0.4516 0.2893 0.000 0.564 0.000 0.400 0.036 0.000
#> ERR315385 2 0.4508 0.2920 0.000 0.568 0.000 0.396 0.036 0.000
#> ERR315386 4 0.4234 0.4808 0.032 0.324 0.000 0.644 0.000 0.000
#> ERR315438 4 0.4180 0.4434 0.024 0.348 0.000 0.628 0.000 0.000
#> ERR315367 5 0.0891 0.8433 0.000 0.008 0.000 0.024 0.968 0.000
#> ERR315331 5 0.0891 0.8433 0.000 0.008 0.000 0.024 0.968 0.000
#> ERR315347 4 0.3488 0.6133 0.036 0.184 0.000 0.780 0.000 0.000
#> ERR315396 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315486 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315403 4 0.2095 0.6399 0.016 0.076 0.000 0.904 0.000 0.004
#> ERR315357 4 0.2182 0.6420 0.020 0.076 0.000 0.900 0.000 0.004
#> ERR315463 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315451 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315445 1 0.7073 0.2786 0.400 0.168 0.072 0.352 0.004 0.004
#> ERR315461 1 0.7073 0.2786 0.400 0.168 0.072 0.352 0.004 0.004
#> ERR315397 2 0.4524 0.1412 0.000 0.560 0.000 0.036 0.000 0.404
#> ERR315491 2 0.4524 0.1412 0.000 0.560 0.000 0.036 0.000 0.404
#> ERR315483 2 0.4524 0.1412 0.000 0.560 0.000 0.036 0.000 0.404
#> ERR315400 4 0.4865 0.2897 0.296 0.044 0.016 0.640 0.000 0.004
#> ERR315440 1 0.3368 0.3552 0.756 0.000 0.000 0.012 0.000 0.232
#> ERR315493 1 0.3368 0.3552 0.756 0.000 0.000 0.012 0.000 0.232
#> ERR315441 1 0.3368 0.3552 0.756 0.000 0.000 0.012 0.000 0.232
#> ERR315455 4 0.5547 0.1356 0.000 0.376 0.000 0.512 0.100 0.012
#> ERR315421 4 0.4456 0.6227 0.048 0.188 0.000 0.732 0.032 0.000
#> ERR315370 4 0.4268 0.6262 0.044 0.172 0.000 0.752 0.032 0.000
#> ERR315355 4 0.4229 0.6330 0.048 0.160 0.000 0.760 0.032 0.000
#> ERR315446 6 0.0696 0.9823 0.004 0.008 0.004 0.004 0.000 0.980
#> ERR315375 4 0.4040 0.6222 0.112 0.132 0.000 0.756 0.000 0.000
#> ERR315467 4 0.3928 0.6155 0.048 0.088 0.000 0.804 0.060 0.000
#> ERR315484 4 0.2618 0.6484 0.076 0.052 0.000 0.872 0.000 0.000
#> ERR315406 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315404 3 0.1444 1.0000 0.000 0.000 0.928 0.000 0.000 0.072
#> ERR315407 2 0.3559 0.5534 0.012 0.744 0.000 0.240 0.004 0.000
#> ERR315340 2 0.3559 0.5555 0.012 0.744 0.000 0.240 0.004 0.000
#> ERR315356 5 0.0993 0.8414 0.000 0.012 0.000 0.024 0.964 0.000
#> ERR315430 5 0.0993 0.8414 0.000 0.012 0.000 0.024 0.964 0.000
#> ERR315422 2 0.4524 0.1412 0.000 0.560 0.000 0.036 0.000 0.404
#> ERR315358 2 0.4524 0.1412 0.000 0.560 0.000 0.036 0.000 0.404
#> ERR315448 1 0.0972 0.6538 0.964 0.008 0.000 0.028 0.000 0.000
#> ERR315401 4 0.3830 0.5876 0.212 0.044 0.000 0.744 0.000 0.000
#> ERR315464 4 0.3830 0.5876 0.212 0.044 0.000 0.744 0.000 0.000
#> ERR315481 1 0.0777 0.6509 0.972 0.004 0.000 0.024 0.000 0.000
#> ERR315454 1 0.0692 0.6517 0.976 0.004 0.000 0.020 0.000 0.000
#> ERR315365 2 0.3515 0.5206 0.000 0.676 0.000 0.324 0.000 0.000
#> ERR315354 2 0.3652 0.5175 0.000 0.672 0.000 0.324 0.004 0.000
#> ERR315439 4 0.4159 0.5695 0.040 0.252 0.000 0.704 0.004 0.000
#> ERR315444 4 0.4117 0.5658 0.036 0.256 0.000 0.704 0.004 0.000
#> ERR315341 4 0.3938 0.5072 0.012 0.312 0.000 0.672 0.004 0.000
#> ERR315412 2 0.3345 0.6116 0.000 0.776 0.000 0.204 0.000 0.020
#> ERR315337 2 0.3230 0.6092 0.000 0.776 0.000 0.212 0.000 0.012
#> ERR315429 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315436 5 0.0146 0.8443 0.000 0.000 0.000 0.004 0.996 0.000
#> ERR315379 4 0.4365 0.6026 0.064 0.228 0.000 0.704 0.004 0.000
#> ERR315443 4 0.6034 0.2470 0.012 0.224 0.000 0.508 0.256 0.000
#> ERR315415 6 0.0696 0.9823 0.004 0.008 0.004 0.004 0.000 0.980
#> ERR315456 6 0.0696 0.9823 0.004 0.008 0.004 0.004 0.000 0.980
#> ERR315336 4 0.3752 0.6190 0.164 0.064 0.000 0.772 0.000 0.000
#> ERR315399 4 0.3730 0.6186 0.168 0.060 0.000 0.772 0.000 0.000
#> ERR315477 2 0.5083 0.2430 0.000 0.532 0.000 0.408 0.036 0.024
#> ERR315346 4 0.3956 0.6336 0.088 0.152 0.000 0.760 0.000 0.000
#> ERR315383 4 0.6473 0.2193 0.028 0.240 0.000 0.448 0.284 0.000
#> ERR315494 4 0.5994 0.1024 0.000 0.332 0.000 0.424 0.244 0.000
#> ERR315492 6 0.0696 0.9823 0.004 0.008 0.004 0.004 0.000 0.980
#> ERR315432 4 0.6702 0.1836 0.008 0.296 0.000 0.464 0.192 0.040
#> ERR315338 1 0.0891 0.6531 0.968 0.008 0.000 0.024 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "NMF"]
# you can also extract it by
# res = res_list["ATC:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 16714 rows and 169 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.910 0.919 0.965 0.4306 0.581 0.581
#> 3 3 0.539 0.804 0.880 0.4586 0.632 0.438
#> 4 4 0.675 0.760 0.871 0.1664 0.850 0.614
#> 5 5 0.652 0.715 0.837 0.0741 0.899 0.649
#> 6 6 0.578 0.572 0.711 0.0259 0.958 0.810
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> ERR315348 2 0.0000 0.9609 0.000 1.000
#> ERR315339 1 0.6973 0.7553 0.812 0.188
#> ERR315376 1 0.6973 0.7553 0.812 0.188
#> ERR315343 2 0.0000 0.9609 0.000 1.000
#> ERR315342 2 0.0000 0.9609 0.000 1.000
#> ERR315468 2 0.0000 0.9609 0.000 1.000
#> ERR315434 2 0.1414 0.9505 0.020 0.980
#> ERR315489 2 0.0000 0.9609 0.000 1.000
#> ERR315371 1 0.0000 0.9689 1.000 0.000
#> ERR315433 2 0.0000 0.9609 0.000 1.000
#> ERR315368 2 0.0672 0.9573 0.008 0.992
#> ERR315465 1 0.0000 0.9689 1.000 0.000
#> ERR315437 1 0.0000 0.9689 1.000 0.000
#> ERR315327 2 0.9954 0.1851 0.460 0.540
#> ERR315394 1 0.9209 0.4737 0.664 0.336
#> ERR315427 2 0.0672 0.9574 0.008 0.992
#> ERR315360 2 0.0376 0.9592 0.004 0.996
#> ERR315426 1 0.2236 0.9436 0.964 0.036
#> ERR315387 1 0.1184 0.9605 0.984 0.016
#> ERR315475 1 0.2236 0.9436 0.964 0.036
#> ERR315395 1 0.0000 0.9689 1.000 0.000
#> ERR315333 1 0.0000 0.9689 1.000 0.000
#> ERR315460 2 0.6712 0.7945 0.176 0.824
#> ERR315372 2 0.6887 0.7838 0.184 0.816
#> ERR315472 2 0.2948 0.9267 0.052 0.948
#> ERR315398 2 0.3733 0.9100 0.072 0.928
#> ERR315409 1 0.1184 0.9606 0.984 0.016
#> ERR315423 1 0.0938 0.9632 0.988 0.012
#> ERR315402 2 0.0000 0.9609 0.000 1.000
#> ERR315458 2 0.0000 0.9609 0.000 1.000
#> ERR315366 1 0.0000 0.9689 1.000 0.000
#> ERR315345 1 0.0000 0.9689 1.000 0.000
#> ERR315326 2 0.2778 0.9308 0.048 0.952
#> ERR315424 2 0.2603 0.9339 0.044 0.956
#> ERR315382 2 0.5519 0.8531 0.128 0.872
#> ERR315325 2 0.5519 0.8530 0.128 0.872
#> ERR315369 1 0.0000 0.9689 1.000 0.000
#> ERR315485 1 0.0000 0.9689 1.000 0.000
#> ERR315420 2 0.0000 0.9609 0.000 1.000
#> ERR315459 2 0.0000 0.9609 0.000 1.000
#> ERR315353 2 0.0000 0.9609 0.000 1.000
#> ERR315487 2 0.0000 0.9609 0.000 1.000
#> ERR315378 2 0.0000 0.9609 0.000 1.000
#> ERR315431 2 0.0000 0.9609 0.000 1.000
#> ERR315335 2 0.0000 0.9609 0.000 1.000
#> ERR315452 2 0.0000 0.9609 0.000 1.000
#> ERR315471 1 0.0000 0.9689 1.000 0.000
#> ERR315390 1 0.0000 0.9689 1.000 0.000
#> ERR315329 1 0.0000 0.9689 1.000 0.000
#> ERR315393 1 0.0000 0.9689 1.000 0.000
#> ERR315488 1 0.0000 0.9689 1.000 0.000
#> ERR315351 2 0.0672 0.9573 0.008 0.992
#> ERR315350 2 0.0672 0.9573 0.008 0.992
#> ERR315381 1 0.1414 0.9577 0.980 0.020
#> ERR315388 1 0.2236 0.9441 0.964 0.036
#> ERR315418 2 0.0000 0.9609 0.000 1.000
#> ERR315449 2 0.0000 0.9609 0.000 1.000
#> ERR315490 2 0.0000 0.9609 0.000 1.000
#> ERR315495 2 0.0000 0.9609 0.000 1.000
#> ERR315361 2 0.0000 0.9609 0.000 1.000
#> ERR315419 1 0.0000 0.9689 1.000 0.000
#> ERR315344 1 0.0376 0.9678 0.996 0.004
#> ERR315414 2 0.0000 0.9609 0.000 1.000
#> ERR315352 2 0.0376 0.9592 0.004 0.996
#> ERR315410 2 0.0000 0.9609 0.000 1.000
#> ERR315349 2 0.0000 0.9609 0.000 1.000
#> ERR315474 2 0.0000 0.9609 0.000 1.000
#> ERR315470 2 0.0000 0.9609 0.000 1.000
#> ERR315428 2 0.0000 0.9609 0.000 1.000
#> ERR315363 2 0.0000 0.9609 0.000 1.000
#> ERR315469 1 0.0000 0.9689 1.000 0.000
#> ERR315425 1 0.0000 0.9689 1.000 0.000
#> ERR315476 2 0.1184 0.9530 0.016 0.984
#> ERR315478 2 0.0376 0.9592 0.004 0.996
#> ERR315362 2 0.0000 0.9609 0.000 1.000
#> ERR315411 2 0.0000 0.9609 0.000 1.000
#> ERR315416 1 0.0000 0.9689 1.000 0.000
#> ERR315405 1 0.0000 0.9689 1.000 0.000
#> ERR315408 1 0.1184 0.9604 0.984 0.016
#> ERR315364 1 0.0672 0.9656 0.992 0.008
#> ERR315359 2 0.0000 0.9609 0.000 1.000
#> ERR315330 2 0.0000 0.9609 0.000 1.000
#> ERR315384 2 0.0000 0.9609 0.000 1.000
#> ERR315413 2 0.0000 0.9609 0.000 1.000
#> ERR315332 2 0.0000 0.9609 0.000 1.000
#> ERR315334 2 0.0000 0.9609 0.000 1.000
#> ERR315447 2 0.0000 0.9609 0.000 1.000
#> ERR315453 2 0.0000 0.9609 0.000 1.000
#> ERR315442 1 0.0376 0.9678 0.996 0.004
#> ERR315457 1 0.0376 0.9678 0.996 0.004
#> ERR315392 2 0.0000 0.9609 0.000 1.000
#> ERR315450 2 0.0000 0.9609 0.000 1.000
#> ERR315462 2 0.8763 0.6042 0.296 0.704
#> ERR315328 2 0.0000 0.9609 0.000 1.000
#> ERR315389 2 0.0000 0.9609 0.000 1.000
#> ERR315435 2 0.0000 0.9609 0.000 1.000
#> ERR315482 2 0.0000 0.9609 0.000 1.000
#> ERR315380 2 0.0000 0.9609 0.000 1.000
#> ERR315377 1 0.9993 -0.0119 0.516 0.484
#> ERR315374 2 0.9993 0.1113 0.484 0.516
#> ERR315466 2 0.4431 0.8912 0.092 0.908
#> ERR315479 2 0.0000 0.9609 0.000 1.000
#> ERR315473 1 0.0376 0.9678 0.996 0.004
#> ERR315391 2 0.0000 0.9609 0.000 1.000
#> ERR315417 2 0.0000 0.9609 0.000 1.000
#> ERR315385 2 0.0000 0.9609 0.000 1.000
#> ERR315386 2 0.0376 0.9592 0.004 0.996
#> ERR315438 2 0.0000 0.9609 0.000 1.000
#> ERR315367 2 0.0000 0.9609 0.000 1.000
#> ERR315331 2 0.0000 0.9609 0.000 1.000
#> ERR315347 2 0.0000 0.9609 0.000 1.000
#> ERR315396 1 0.0000 0.9689 1.000 0.000
#> ERR315486 1 0.0000 0.9689 1.000 0.000
#> ERR315403 2 0.6148 0.8195 0.152 0.848
#> ERR315357 2 0.3431 0.9146 0.064 0.936
#> ERR315463 2 0.1843 0.9439 0.028 0.972
#> ERR315451 2 0.3431 0.9155 0.064 0.936
#> ERR315445 1 0.0376 0.9678 0.996 0.004
#> ERR315461 1 0.0376 0.9678 0.996 0.004
#> ERR315397 2 0.0000 0.9609 0.000 1.000
#> ERR315491 2 0.0000 0.9609 0.000 1.000
#> ERR315483 2 0.0000 0.9609 0.000 1.000
#> ERR315400 1 0.0000 0.9689 1.000 0.000
#> ERR315440 1 0.0000 0.9689 1.000 0.000
#> ERR315493 1 0.0000 0.9689 1.000 0.000
#> ERR315441 1 0.0000 0.9689 1.000 0.000
#> ERR315455 2 0.0000 0.9609 0.000 1.000
#> ERR315421 2 0.0000 0.9609 0.000 1.000
#> ERR315370 2 0.0000 0.9609 0.000 1.000
#> ERR315355 2 0.0000 0.9609 0.000 1.000
#> ERR315446 2 0.1184 0.9528 0.016 0.984
#> ERR315375 2 0.4431 0.8911 0.092 0.908
#> ERR315467 2 0.0000 0.9609 0.000 1.000
#> ERR315484 2 0.4161 0.8985 0.084 0.916
#> ERR315406 1 0.0000 0.9689 1.000 0.000
#> ERR315404 1 0.0000 0.9689 1.000 0.000
#> ERR315407 2 0.0000 0.9609 0.000 1.000
#> ERR315340 2 0.0000 0.9609 0.000 1.000
#> ERR315356 2 0.0000 0.9609 0.000 1.000
#> ERR315430 2 0.0000 0.9609 0.000 1.000
#> ERR315422 2 0.0000 0.9609 0.000 1.000
#> ERR315358 2 0.0000 0.9609 0.000 1.000
#> ERR315448 1 0.0376 0.9678 0.996 0.004
#> ERR315401 2 0.9775 0.3411 0.412 0.588
#> ERR315464 2 0.9795 0.3297 0.416 0.584
#> ERR315481 1 0.0000 0.9689 1.000 0.000
#> ERR315454 1 0.0000 0.9689 1.000 0.000
#> ERR315365 2 0.0000 0.9609 0.000 1.000
#> ERR315354 2 0.0000 0.9609 0.000 1.000
#> ERR315439 2 0.0672 0.9573 0.008 0.992
#> ERR315444 2 0.0376 0.9592 0.004 0.996
#> ERR315341 2 0.0000 0.9609 0.000 1.000
#> ERR315412 2 0.0000 0.9609 0.000 1.000
#> ERR315337 2 0.0000 0.9609 0.000 1.000
#> ERR315429 2 0.0376 0.9591 0.004 0.996
#> ERR315436 2 0.1633 0.9477 0.024 0.976
#> ERR315379 2 0.1184 0.9529 0.016 0.984
#> ERR315443 2 0.0000 0.9609 0.000 1.000
#> ERR315415 2 0.2423 0.9362 0.040 0.960
#> ERR315456 2 0.1633 0.9476 0.024 0.976
#> ERR315336 2 0.9286 0.5078 0.344 0.656
#> ERR315399 2 0.9170 0.5338 0.332 0.668
#> ERR315477 2 0.0000 0.9609 0.000 1.000
#> ERR315346 2 0.4431 0.8909 0.092 0.908
#> ERR315383 2 0.0000 0.9609 0.000 1.000
#> ERR315494 2 0.0000 0.9609 0.000 1.000
#> ERR315492 2 0.1633 0.9476 0.024 0.976
#> ERR315432 2 0.0000 0.9609 0.000 1.000
#> ERR315338 1 0.0376 0.9678 0.996 0.004
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR315348 3 0.1647 0.8013 0.004 0.036 0.960
#> ERR315339 3 0.5619 0.6921 0.244 0.012 0.744
#> ERR315376 3 0.5659 0.6881 0.248 0.012 0.740
#> ERR315343 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315342 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315468 2 0.5968 0.1890 0.000 0.636 0.364
#> ERR315434 3 0.3454 0.8227 0.008 0.104 0.888
#> ERR315489 3 0.2959 0.8219 0.000 0.100 0.900
#> ERR315371 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315433 2 0.1163 0.9176 0.000 0.972 0.028
#> ERR315368 2 0.1031 0.9197 0.000 0.976 0.024
#> ERR315465 1 0.0237 0.9187 0.996 0.000 0.004
#> ERR315437 1 0.0237 0.9187 0.996 0.000 0.004
#> ERR315327 3 0.2982 0.7952 0.024 0.056 0.920
#> ERR315394 3 0.3009 0.7944 0.028 0.052 0.920
#> ERR315427 2 0.2878 0.8807 0.000 0.904 0.096
#> ERR315360 2 0.3192 0.8670 0.000 0.888 0.112
#> ERR315426 1 0.2448 0.8841 0.924 0.000 0.076
#> ERR315387 1 0.1860 0.8984 0.948 0.000 0.052
#> ERR315475 1 0.3267 0.8462 0.884 0.000 0.116
#> ERR315395 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315333 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315460 3 0.7265 0.7716 0.160 0.128 0.712
#> ERR315372 3 0.7165 0.7658 0.172 0.112 0.716
#> ERR315472 3 0.6292 0.7641 0.044 0.216 0.740
#> ERR315398 3 0.6292 0.7536 0.044 0.216 0.740
#> ERR315409 3 0.3340 0.7801 0.120 0.000 0.880
#> ERR315423 3 0.3482 0.7768 0.128 0.000 0.872
#> ERR315402 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315458 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315366 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315345 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315326 3 0.5111 0.8138 0.036 0.144 0.820
#> ERR315424 3 0.5222 0.8131 0.040 0.144 0.816
#> ERR315382 3 0.5371 0.8134 0.048 0.140 0.812
#> ERR315325 3 0.5393 0.8124 0.044 0.148 0.808
#> ERR315369 3 0.4399 0.7433 0.188 0.000 0.812
#> ERR315485 3 0.4399 0.7433 0.188 0.000 0.812
#> ERR315420 3 0.3752 0.8166 0.000 0.144 0.856
#> ERR315459 3 0.3752 0.8166 0.000 0.144 0.856
#> ERR315353 3 0.5363 0.7516 0.000 0.276 0.724
#> ERR315487 3 0.5431 0.7440 0.000 0.284 0.716
#> ERR315378 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315431 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315335 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315452 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315471 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315390 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315329 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315393 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315488 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315351 2 0.1015 0.9267 0.008 0.980 0.012
#> ERR315350 2 0.1015 0.9267 0.008 0.980 0.012
#> ERR315381 3 0.3752 0.7702 0.144 0.000 0.856
#> ERR315388 3 0.3686 0.7722 0.140 0.000 0.860
#> ERR315418 3 0.3879 0.8166 0.000 0.152 0.848
#> ERR315449 3 0.3941 0.8157 0.000 0.156 0.844
#> ERR315490 2 0.0892 0.9235 0.000 0.980 0.020
#> ERR315495 2 0.1031 0.9211 0.000 0.976 0.024
#> ERR315361 2 0.0424 0.9289 0.000 0.992 0.008
#> ERR315419 3 0.4002 0.7614 0.160 0.000 0.840
#> ERR315344 3 0.3752 0.7702 0.144 0.000 0.856
#> ERR315414 3 0.2261 0.7994 0.000 0.068 0.932
#> ERR315352 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315410 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315349 3 0.4974 0.7721 0.000 0.236 0.764
#> ERR315474 3 0.5098 0.7635 0.000 0.248 0.752
#> ERR315470 3 0.5098 0.7626 0.000 0.248 0.752
#> ERR315428 2 0.0237 0.9300 0.000 0.996 0.004
#> ERR315363 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315469 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315425 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315476 3 0.6388 0.7188 0.024 0.284 0.692
#> ERR315478 3 0.6051 0.7085 0.012 0.292 0.696
#> ERR315362 2 0.4002 0.8209 0.000 0.840 0.160
#> ERR315411 2 0.4121 0.8130 0.000 0.832 0.168
#> ERR315416 1 0.6244 0.1553 0.560 0.000 0.440
#> ERR315405 1 0.6252 0.1384 0.556 0.000 0.444
#> ERR315408 3 0.3482 0.7768 0.128 0.000 0.872
#> ERR315364 3 0.3482 0.7768 0.128 0.000 0.872
#> ERR315359 3 0.6295 0.3922 0.000 0.472 0.528
#> ERR315330 3 0.6291 0.4031 0.000 0.468 0.532
#> ERR315384 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315413 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315332 3 0.6140 0.5454 0.000 0.404 0.596
#> ERR315334 3 0.3752 0.7772 0.000 0.144 0.856
#> ERR315447 3 0.4002 0.7701 0.000 0.160 0.840
#> ERR315453 3 0.3619 0.7797 0.000 0.136 0.864
#> ERR315442 3 0.3686 0.7721 0.140 0.000 0.860
#> ERR315457 3 0.3482 0.7768 0.128 0.000 0.872
#> ERR315392 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315450 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315462 3 0.1170 0.7942 0.016 0.008 0.976
#> ERR315328 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315389 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315435 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315482 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315380 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315377 1 0.2982 0.8699 0.920 0.056 0.024
#> ERR315374 1 0.3461 0.8494 0.900 0.076 0.024
#> ERR315466 3 0.1753 0.8108 0.000 0.048 0.952
#> ERR315479 3 0.2066 0.8145 0.000 0.060 0.940
#> ERR315473 1 0.2066 0.8904 0.940 0.000 0.060
#> ERR315391 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315417 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315385 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315386 2 0.2711 0.8588 0.000 0.912 0.088
#> ERR315438 2 0.1289 0.9128 0.000 0.968 0.032
#> ERR315367 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315331 2 0.0592 0.9291 0.000 0.988 0.012
#> ERR315347 3 0.5465 0.7134 0.000 0.288 0.712
#> ERR315396 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315486 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315403 3 0.3148 0.7924 0.036 0.048 0.916
#> ERR315357 3 0.3148 0.7924 0.036 0.048 0.916
#> ERR315463 3 0.1529 0.8017 0.000 0.040 0.960
#> ERR315451 3 0.1289 0.8010 0.000 0.032 0.968
#> ERR315445 3 0.3482 0.7768 0.128 0.000 0.872
#> ERR315461 3 0.3412 0.7781 0.124 0.000 0.876
#> ERR315397 2 0.2448 0.8905 0.000 0.924 0.076
#> ERR315491 2 0.2537 0.8876 0.000 0.920 0.080
#> ERR315483 2 0.2448 0.8905 0.000 0.924 0.076
#> ERR315400 3 0.1860 0.7843 0.052 0.000 0.948
#> ERR315440 1 0.1964 0.8901 0.944 0.000 0.056
#> ERR315493 1 0.1964 0.8901 0.944 0.000 0.056
#> ERR315441 1 0.1860 0.8924 0.948 0.000 0.052
#> ERR315455 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315421 2 0.4702 0.6698 0.000 0.788 0.212
#> ERR315370 2 0.4235 0.7405 0.000 0.824 0.176
#> ERR315355 2 0.2066 0.8980 0.000 0.940 0.060
#> ERR315446 2 0.0424 0.9287 0.008 0.992 0.000
#> ERR315375 3 0.6915 0.7980 0.124 0.140 0.736
#> ERR315467 3 0.1411 0.8020 0.000 0.036 0.964
#> ERR315484 3 0.1751 0.7994 0.012 0.028 0.960
#> ERR315406 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315404 1 0.0000 0.9197 1.000 0.000 0.000
#> ERR315407 3 0.5327 0.7501 0.000 0.272 0.728
#> ERR315340 3 0.5178 0.7643 0.000 0.256 0.744
#> ERR315356 2 0.0747 0.9287 0.000 0.984 0.016
#> ERR315430 2 0.0747 0.9287 0.000 0.984 0.016
#> ERR315422 2 0.3038 0.8668 0.000 0.896 0.104
#> ERR315358 2 0.3116 0.8630 0.000 0.892 0.108
#> ERR315448 1 0.6192 0.2120 0.580 0.000 0.420
#> ERR315401 3 0.6208 0.7510 0.192 0.052 0.756
#> ERR315464 3 0.6306 0.7437 0.200 0.052 0.748
#> ERR315481 1 0.1860 0.8958 0.948 0.000 0.052
#> ERR315454 1 0.2165 0.8881 0.936 0.000 0.064
#> ERR315365 2 0.6168 -0.0078 0.000 0.588 0.412
#> ERR315354 2 0.6225 -0.0998 0.000 0.568 0.432
#> ERR315439 3 0.5785 0.6740 0.000 0.332 0.668
#> ERR315444 3 0.5873 0.6979 0.004 0.312 0.684
#> ERR315341 3 0.6280 0.4511 0.000 0.460 0.540
#> ERR315412 2 0.3482 0.8076 0.000 0.872 0.128
#> ERR315337 2 0.3686 0.7893 0.000 0.860 0.140
#> ERR315429 3 0.1860 0.8124 0.000 0.052 0.948
#> ERR315436 3 0.1964 0.8136 0.000 0.056 0.944
#> ERR315379 3 0.2584 0.8179 0.008 0.064 0.928
#> ERR315443 3 0.5591 0.5936 0.000 0.304 0.696
#> ERR315415 2 0.1529 0.9117 0.040 0.960 0.000
#> ERR315456 2 0.1163 0.9201 0.028 0.972 0.000
#> ERR315336 3 0.6501 0.6123 0.316 0.020 0.664
#> ERR315399 3 0.6651 0.6056 0.320 0.024 0.656
#> ERR315477 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315346 3 0.7422 0.6304 0.048 0.344 0.608
#> ERR315383 3 0.5835 0.6779 0.000 0.340 0.660
#> ERR315494 3 0.6095 0.5805 0.000 0.392 0.608
#> ERR315492 2 0.1163 0.9197 0.028 0.972 0.000
#> ERR315432 2 0.0000 0.9303 0.000 1.000 0.000
#> ERR315338 1 0.4235 0.7495 0.824 0.000 0.176
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR315348 3 0.0336 0.8089 0.000 0.000 0.992 0.008
#> ERR315339 4 0.0657 0.8062 0.000 0.004 0.012 0.984
#> ERR315376 4 0.0657 0.8062 0.000 0.004 0.012 0.984
#> ERR315343 2 0.0469 0.8926 0.000 0.988 0.012 0.000
#> ERR315342 2 0.0469 0.8926 0.000 0.988 0.012 0.000
#> ERR315468 2 0.3672 0.8468 0.000 0.824 0.012 0.164
#> ERR315434 3 0.3873 0.5723 0.000 0.000 0.772 0.228
#> ERR315489 3 0.3726 0.5984 0.000 0.000 0.788 0.212
#> ERR315371 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315433 4 0.4985 -0.0830 0.000 0.468 0.000 0.532
#> ERR315368 4 0.4996 -0.1380 0.000 0.484 0.000 0.516
#> ERR315465 1 0.0469 0.9281 0.988 0.000 0.012 0.000
#> ERR315437 1 0.0469 0.9281 0.988 0.000 0.012 0.000
#> ERR315327 3 0.0524 0.8109 0.000 0.008 0.988 0.004
#> ERR315394 3 0.0524 0.8109 0.000 0.008 0.988 0.004
#> ERR315427 2 0.4673 0.5518 0.008 0.700 0.292 0.000
#> ERR315360 2 0.4781 0.4590 0.004 0.660 0.336 0.000
#> ERR315426 1 0.2714 0.8647 0.884 0.000 0.112 0.004
#> ERR315387 1 0.1388 0.9198 0.960 0.000 0.028 0.012
#> ERR315475 1 0.3463 0.8581 0.864 0.000 0.096 0.040
#> ERR315395 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315333 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315460 4 0.3177 0.7661 0.068 0.016 0.024 0.892
#> ERR315372 4 0.3029 0.7692 0.068 0.008 0.028 0.896
#> ERR315472 3 0.4392 0.7623 0.016 0.120 0.824 0.040
#> ERR315398 3 0.4226 0.7595 0.020 0.120 0.832 0.028
#> ERR315409 3 0.4981 -0.0985 0.000 0.000 0.536 0.464
#> ERR315423 4 0.4998 0.2262 0.000 0.000 0.488 0.512
#> ERR315402 2 0.3355 0.8479 0.000 0.836 0.004 0.160
#> ERR315458 2 0.3355 0.8479 0.000 0.836 0.004 0.160
#> ERR315366 1 0.0817 0.9244 0.976 0.000 0.024 0.000
#> ERR315345 1 0.0592 0.9266 0.984 0.000 0.016 0.000
#> ERR315326 4 0.2814 0.7794 0.000 0.000 0.132 0.868
#> ERR315424 4 0.2647 0.7847 0.000 0.000 0.120 0.880
#> ERR315382 4 0.0921 0.8089 0.000 0.000 0.028 0.972
#> ERR315325 4 0.0921 0.8089 0.000 0.000 0.028 0.972
#> ERR315369 4 0.3688 0.7372 0.000 0.000 0.208 0.792
#> ERR315485 4 0.3610 0.7431 0.000 0.000 0.200 0.800
#> ERR315420 4 0.1389 0.8080 0.000 0.000 0.048 0.952
#> ERR315459 4 0.1474 0.8077 0.000 0.000 0.052 0.948
#> ERR315353 3 0.6201 0.5409 0.000 0.300 0.620 0.080
#> ERR315487 3 0.5312 0.6165 0.000 0.268 0.692 0.040
#> ERR315378 2 0.0524 0.8923 0.000 0.988 0.008 0.004
#> ERR315431 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315335 2 0.0921 0.8968 0.000 0.972 0.000 0.028
#> ERR315452 2 0.0817 0.8968 0.000 0.976 0.000 0.024
#> ERR315471 1 0.0188 0.9294 0.996 0.000 0.004 0.000
#> ERR315390 1 0.0188 0.9294 0.996 0.000 0.004 0.000
#> ERR315329 1 0.0188 0.9294 0.996 0.000 0.004 0.000
#> ERR315393 1 0.0188 0.9286 0.996 0.000 0.000 0.004
#> ERR315488 1 0.0188 0.9286 0.996 0.000 0.000 0.004
#> ERR315351 2 0.3689 0.8775 0.004 0.860 0.048 0.088
#> ERR315350 2 0.3623 0.8786 0.004 0.864 0.048 0.084
#> ERR315381 4 0.4454 0.6364 0.000 0.000 0.308 0.692
#> ERR315388 4 0.4193 0.6867 0.000 0.000 0.268 0.732
#> ERR315418 4 0.1118 0.8089 0.000 0.000 0.036 0.964
#> ERR315449 4 0.1022 0.8088 0.000 0.000 0.032 0.968
#> ERR315490 2 0.2111 0.8881 0.000 0.932 0.044 0.024
#> ERR315495 2 0.2174 0.8836 0.000 0.928 0.052 0.020
#> ERR315361 2 0.1733 0.8939 0.000 0.948 0.028 0.024
#> ERR315419 4 0.3649 0.7420 0.000 0.000 0.204 0.796
#> ERR315344 4 0.3907 0.7209 0.000 0.000 0.232 0.768
#> ERR315414 3 0.0524 0.8109 0.000 0.008 0.988 0.004
#> ERR315352 2 0.2796 0.8840 0.004 0.892 0.008 0.096
#> ERR315410 2 0.0376 0.8950 0.000 0.992 0.004 0.004
#> ERR315349 4 0.2179 0.8049 0.000 0.012 0.064 0.924
#> ERR315474 4 0.2179 0.8049 0.000 0.012 0.064 0.924
#> ERR315470 4 0.2021 0.8070 0.000 0.012 0.056 0.932
#> ERR315428 2 0.2480 0.8868 0.000 0.904 0.008 0.088
#> ERR315363 2 0.2480 0.8868 0.000 0.904 0.008 0.088
#> ERR315469 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315425 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315476 3 0.2847 0.7938 0.016 0.084 0.896 0.004
#> ERR315478 3 0.2342 0.7958 0.008 0.080 0.912 0.000
#> ERR315362 3 0.5039 0.3743 0.004 0.404 0.592 0.000
#> ERR315411 3 0.4920 0.4619 0.004 0.368 0.628 0.000
#> ERR315416 4 0.4690 0.5997 0.276 0.000 0.012 0.712
#> ERR315405 4 0.4776 0.6049 0.272 0.000 0.016 0.712
#> ERR315408 4 0.4164 0.6912 0.000 0.000 0.264 0.736
#> ERR315364 4 0.4134 0.6952 0.000 0.000 0.260 0.740
#> ERR315359 4 0.2149 0.7563 0.000 0.088 0.000 0.912
#> ERR315330 4 0.1474 0.7826 0.000 0.052 0.000 0.948
#> ERR315384 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315413 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315332 4 0.5203 0.5358 0.000 0.348 0.016 0.636
#> ERR315334 3 0.0992 0.8086 0.008 0.012 0.976 0.004
#> ERR315447 3 0.0967 0.8091 0.004 0.016 0.976 0.004
#> ERR315453 3 0.0992 0.8086 0.008 0.012 0.976 0.004
#> ERR315442 4 0.4072 0.7035 0.000 0.000 0.252 0.748
#> ERR315457 4 0.4072 0.7035 0.000 0.000 0.252 0.748
#> ERR315392 2 0.0657 0.8962 0.000 0.984 0.004 0.012
#> ERR315450 2 0.0524 0.8955 0.000 0.988 0.004 0.008
#> ERR315462 3 0.0469 0.8077 0.000 0.000 0.988 0.012
#> ERR315328 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315389 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315435 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315482 2 0.2654 0.8799 0.000 0.888 0.004 0.108
#> ERR315380 2 0.2654 0.8799 0.000 0.888 0.004 0.108
#> ERR315377 1 0.5402 -0.0449 0.516 0.012 0.472 0.000
#> ERR315374 3 0.5508 0.1235 0.476 0.016 0.508 0.000
#> ERR315466 4 0.0469 0.8056 0.000 0.000 0.012 0.988
#> ERR315479 4 0.0469 0.8056 0.000 0.000 0.012 0.988
#> ERR315473 1 0.2799 0.8410 0.884 0.000 0.008 0.108
#> ERR315391 2 0.2597 0.8877 0.004 0.904 0.008 0.084
#> ERR315417 2 0.0657 0.8950 0.000 0.984 0.012 0.004
#> ERR315385 2 0.0376 0.8950 0.000 0.992 0.004 0.004
#> ERR315386 2 0.4331 0.6896 0.000 0.712 0.000 0.288
#> ERR315438 2 0.3444 0.8289 0.000 0.816 0.000 0.184
#> ERR315367 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315331 2 0.0376 0.8932 0.000 0.992 0.004 0.004
#> ERR315347 3 0.2334 0.7927 0.000 0.088 0.908 0.004
#> ERR315396 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315486 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315403 3 0.0336 0.8089 0.000 0.000 0.992 0.008
#> ERR315357 3 0.0524 0.8100 0.000 0.004 0.988 0.008
#> ERR315463 3 0.0524 0.8103 0.000 0.004 0.988 0.008
#> ERR315451 3 0.0524 0.8103 0.000 0.004 0.988 0.008
#> ERR315445 4 0.4222 0.6821 0.000 0.000 0.272 0.728
#> ERR315461 4 0.4277 0.6722 0.000 0.000 0.280 0.720
#> ERR315397 2 0.4534 0.8218 0.000 0.800 0.132 0.068
#> ERR315491 2 0.4534 0.8218 0.000 0.800 0.132 0.068
#> ERR315483 2 0.4534 0.8218 0.000 0.800 0.132 0.068
#> ERR315400 3 0.0592 0.8055 0.000 0.000 0.984 0.016
#> ERR315440 1 0.2469 0.8621 0.892 0.000 0.108 0.000
#> ERR315493 1 0.2647 0.8513 0.880 0.000 0.120 0.000
#> ERR315441 1 0.2281 0.8722 0.904 0.000 0.096 0.000
#> ERR315455 2 0.0000 0.8942 0.000 1.000 0.000 0.000
#> ERR315421 2 0.3257 0.7828 0.000 0.844 0.152 0.004
#> ERR315370 2 0.3024 0.7887 0.000 0.852 0.148 0.000
#> ERR315355 2 0.2149 0.8458 0.000 0.912 0.088 0.000
#> ERR315446 2 0.2941 0.8836 0.008 0.888 0.008 0.096
#> ERR315375 4 0.6702 0.6938 0.108 0.064 0.128 0.700
#> ERR315467 3 0.0336 0.8089 0.000 0.000 0.992 0.008
#> ERR315484 3 0.0336 0.8089 0.000 0.000 0.992 0.008
#> ERR315406 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315404 1 0.0000 0.9296 1.000 0.000 0.000 0.000
#> ERR315407 4 0.0524 0.8023 0.000 0.008 0.004 0.988
#> ERR315340 4 0.0376 0.8031 0.000 0.004 0.004 0.992
#> ERR315356 2 0.0524 0.8931 0.000 0.988 0.004 0.008
#> ERR315430 2 0.0657 0.8927 0.000 0.984 0.004 0.012
#> ERR315422 2 0.5030 0.7615 0.000 0.752 0.188 0.060
#> ERR315358 2 0.5147 0.7460 0.000 0.740 0.200 0.060
#> ERR315448 4 0.4744 0.5888 0.284 0.000 0.012 0.704
#> ERR315401 4 0.0657 0.8051 0.000 0.004 0.012 0.984
#> ERR315464 4 0.0712 0.8047 0.004 0.004 0.008 0.984
#> ERR315481 1 0.1545 0.9070 0.952 0.000 0.008 0.040
#> ERR315454 1 0.2473 0.8711 0.908 0.000 0.012 0.080
#> ERR315365 2 0.6031 0.4462 0.000 0.564 0.048 0.388
#> ERR315354 4 0.5409 -0.1762 0.000 0.492 0.012 0.496
#> ERR315439 4 0.5132 0.6973 0.000 0.184 0.068 0.748
#> ERR315444 4 0.4374 0.7590 0.000 0.120 0.068 0.812
#> ERR315341 4 0.5398 0.2159 0.000 0.404 0.016 0.580
#> ERR315412 2 0.4716 0.8050 0.000 0.764 0.040 0.196
#> ERR315337 2 0.4877 0.7944 0.000 0.752 0.044 0.204
#> ERR315429 4 0.0592 0.8052 0.000 0.000 0.016 0.984
#> ERR315436 4 0.0707 0.8058 0.000 0.000 0.020 0.980
#> ERR315379 4 0.1867 0.8039 0.000 0.000 0.072 0.928
#> ERR315443 3 0.3810 0.7074 0.000 0.188 0.804 0.008
#> ERR315415 2 0.3429 0.8777 0.028 0.868 0.004 0.100
#> ERR315456 2 0.3004 0.8820 0.008 0.884 0.008 0.100
#> ERR315336 3 0.5420 0.4236 0.352 0.000 0.624 0.024
#> ERR315399 3 0.5386 0.3946 0.368 0.000 0.612 0.020
#> ERR315477 2 0.1867 0.8909 0.000 0.928 0.000 0.072
#> ERR315346 4 0.0921 0.7947 0.000 0.028 0.000 0.972
#> ERR315383 3 0.6130 0.3525 0.000 0.400 0.548 0.052
#> ERR315494 3 0.5511 0.4730 0.000 0.332 0.636 0.032
#> ERR315492 2 0.3004 0.8820 0.008 0.884 0.008 0.100
#> ERR315432 2 0.0188 0.8930 0.000 0.996 0.004 0.000
#> ERR315338 1 0.4836 0.4671 0.672 0.000 0.008 0.320
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR315348 4 0.1124 0.7998 0.004 0.000 0.000 0.960 0.036
#> ERR315339 5 0.1341 0.7797 0.000 0.056 0.000 0.000 0.944
#> ERR315376 5 0.1410 0.7799 0.000 0.060 0.000 0.000 0.940
#> ERR315343 3 0.0579 0.9021 0.000 0.008 0.984 0.008 0.000
#> ERR315342 3 0.1121 0.8856 0.000 0.044 0.956 0.000 0.000
#> ERR315468 2 0.3809 0.8060 0.000 0.824 0.044 0.016 0.116
#> ERR315434 4 0.4535 0.6926 0.044 0.004 0.012 0.760 0.180
#> ERR315489 4 0.3929 0.7192 0.032 0.004 0.004 0.796 0.164
#> ERR315371 1 0.0960 0.8629 0.972 0.016 0.000 0.004 0.008
#> ERR315433 2 0.2798 0.7921 0.000 0.852 0.008 0.000 0.140
#> ERR315368 2 0.2798 0.7921 0.000 0.852 0.008 0.000 0.140
#> ERR315465 1 0.2304 0.8486 0.908 0.000 0.000 0.044 0.048
#> ERR315437 1 0.2304 0.8486 0.908 0.000 0.000 0.044 0.048
#> ERR315327 4 0.1952 0.7841 0.000 0.084 0.004 0.912 0.000
#> ERR315394 4 0.1952 0.7841 0.000 0.084 0.004 0.912 0.000
#> ERR315427 2 0.5284 0.4417 0.020 0.620 0.032 0.328 0.000
#> ERR315360 2 0.5005 0.4287 0.020 0.624 0.016 0.340 0.000
#> ERR315426 1 0.4294 0.7618 0.768 0.000 0.000 0.152 0.080
#> ERR315387 1 0.3812 0.7941 0.812 0.000 0.000 0.092 0.096
#> ERR315475 1 0.4498 0.7508 0.756 0.000 0.000 0.132 0.112
#> ERR315395 1 0.0566 0.8618 0.984 0.012 0.000 0.000 0.004
#> ERR315333 1 0.0566 0.8618 0.984 0.012 0.000 0.000 0.004
#> ERR315460 2 0.3201 0.7870 0.016 0.844 0.000 0.008 0.132
#> ERR315372 2 0.3129 0.7717 0.008 0.832 0.000 0.004 0.156
#> ERR315472 4 0.4062 0.7608 0.020 0.136 0.000 0.804 0.040
#> ERR315398 4 0.4073 0.7553 0.020 0.144 0.000 0.800 0.036
#> ERR315409 4 0.5053 0.4596 0.052 0.000 0.000 0.624 0.324
#> ERR315423 4 0.5204 0.2956 0.048 0.000 0.000 0.560 0.392
#> ERR315402 2 0.2448 0.8173 0.000 0.892 0.020 0.000 0.088
#> ERR315458 2 0.2390 0.8185 0.000 0.896 0.020 0.000 0.084
#> ERR315366 1 0.2889 0.8324 0.872 0.000 0.000 0.084 0.044
#> ERR315345 1 0.2962 0.8303 0.868 0.000 0.000 0.084 0.048
#> ERR315326 5 0.2079 0.7509 0.020 0.000 0.000 0.064 0.916
#> ERR315424 5 0.1943 0.7538 0.020 0.000 0.000 0.056 0.924
#> ERR315382 5 0.1544 0.7780 0.000 0.068 0.000 0.000 0.932
#> ERR315325 5 0.1478 0.7782 0.000 0.064 0.000 0.000 0.936
#> ERR315369 5 0.3714 0.7016 0.056 0.000 0.000 0.132 0.812
#> ERR315485 5 0.3688 0.7057 0.060 0.000 0.000 0.124 0.816
#> ERR315420 5 0.1671 0.7771 0.000 0.076 0.000 0.000 0.924
#> ERR315459 5 0.1671 0.7771 0.000 0.076 0.000 0.000 0.924
#> ERR315353 4 0.5962 0.5976 0.012 0.000 0.220 0.624 0.144
#> ERR315487 4 0.5647 0.6558 0.020 0.000 0.184 0.676 0.120
#> ERR315378 3 0.0963 0.8909 0.000 0.036 0.964 0.000 0.000
#> ERR315431 3 0.0451 0.9008 0.000 0.004 0.988 0.000 0.008
#> ERR315335 3 0.4680 -0.0126 0.000 0.448 0.540 0.004 0.008
#> ERR315452 2 0.4596 0.1367 0.000 0.500 0.492 0.004 0.004
#> ERR315471 1 0.3160 0.7506 0.808 0.188 0.000 0.000 0.004
#> ERR315390 1 0.3123 0.7537 0.812 0.184 0.000 0.000 0.004
#> ERR315329 1 0.3300 0.7319 0.792 0.204 0.000 0.000 0.004
#> ERR315393 1 0.1626 0.8635 0.940 0.016 0.000 0.000 0.044
#> ERR315488 1 0.1901 0.8626 0.928 0.012 0.000 0.004 0.056
#> ERR315351 2 0.1597 0.8161 0.020 0.948 0.008 0.024 0.000
#> ERR315350 2 0.1710 0.8152 0.020 0.944 0.012 0.024 0.000
#> ERR315381 5 0.4615 0.5734 0.048 0.000 0.000 0.252 0.700
#> ERR315388 5 0.4333 0.6308 0.048 0.000 0.000 0.212 0.740
#> ERR315418 5 0.1671 0.7766 0.000 0.076 0.000 0.000 0.924
#> ERR315449 5 0.1671 0.7766 0.000 0.076 0.000 0.000 0.924
#> ERR315490 2 0.3636 0.7779 0.004 0.832 0.080 0.084 0.000
#> ERR315495 2 0.3636 0.7779 0.004 0.832 0.080 0.084 0.000
#> ERR315361 2 0.3802 0.7744 0.004 0.820 0.096 0.080 0.000
#> ERR315419 5 0.3489 0.7032 0.036 0.000 0.000 0.144 0.820
#> ERR315344 5 0.3695 0.6887 0.036 0.000 0.000 0.164 0.800
#> ERR315414 4 0.1952 0.7841 0.000 0.084 0.004 0.912 0.000
#> ERR315352 2 0.1412 0.8201 0.036 0.952 0.008 0.000 0.004
#> ERR315410 3 0.4597 0.0942 0.000 0.424 0.564 0.012 0.000
#> ERR315349 5 0.1478 0.7804 0.000 0.064 0.000 0.000 0.936
#> ERR315474 5 0.1732 0.7775 0.000 0.080 0.000 0.000 0.920
#> ERR315470 5 0.1671 0.7783 0.000 0.076 0.000 0.000 0.924
#> ERR315428 2 0.1949 0.8242 0.000 0.932 0.040 0.016 0.012
#> ERR315363 2 0.2026 0.8237 0.000 0.928 0.044 0.016 0.012
#> ERR315469 1 0.0510 0.8603 0.984 0.016 0.000 0.000 0.000
#> ERR315425 1 0.0510 0.8603 0.984 0.016 0.000 0.000 0.000
#> ERR315476 4 0.2534 0.8005 0.020 0.008 0.040 0.912 0.020
#> ERR315478 4 0.2372 0.8019 0.016 0.012 0.036 0.920 0.016
#> ERR315362 4 0.3476 0.7517 0.000 0.076 0.088 0.836 0.000
#> ERR315411 4 0.3704 0.7413 0.000 0.092 0.088 0.820 0.000
#> ERR315416 5 0.3093 0.6817 0.168 0.000 0.000 0.008 0.824
#> ERR315405 5 0.3318 0.6670 0.180 0.000 0.000 0.012 0.808
#> ERR315408 5 0.4254 0.6273 0.040 0.000 0.000 0.220 0.740
#> ERR315364 5 0.4096 0.6521 0.040 0.000 0.000 0.200 0.760
#> ERR315359 2 0.3895 0.5615 0.000 0.680 0.000 0.000 0.320
#> ERR315330 2 0.4060 0.4787 0.000 0.640 0.000 0.000 0.360
#> ERR315384 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315413 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315332 5 0.4937 0.3367 0.000 0.004 0.392 0.024 0.580
#> ERR315334 4 0.1410 0.7964 0.000 0.060 0.000 0.940 0.000
#> ERR315447 4 0.1671 0.7939 0.000 0.076 0.000 0.924 0.000
#> ERR315453 4 0.1121 0.7988 0.000 0.044 0.000 0.956 0.000
#> ERR315442 5 0.3769 0.6775 0.032 0.000 0.000 0.180 0.788
#> ERR315457 5 0.3399 0.6945 0.020 0.000 0.000 0.168 0.812
#> ERR315392 2 0.4248 0.6754 0.000 0.728 0.240 0.032 0.000
#> ERR315450 2 0.4119 0.7023 0.000 0.752 0.212 0.036 0.000
#> ERR315462 4 0.2006 0.7896 0.012 0.000 0.000 0.916 0.072
#> ERR315328 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315389 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315435 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315482 2 0.2325 0.8208 0.000 0.904 0.028 0.000 0.068
#> ERR315380 2 0.2278 0.8224 0.000 0.908 0.032 0.000 0.060
#> ERR315377 1 0.4630 0.1803 0.572 0.000 0.004 0.416 0.008
#> ERR315374 4 0.4562 0.0640 0.496 0.000 0.000 0.496 0.008
#> ERR315466 5 0.2516 0.7390 0.000 0.140 0.000 0.000 0.860
#> ERR315479 5 0.2424 0.7453 0.000 0.132 0.000 0.000 0.868
#> ERR315473 1 0.3355 0.7949 0.804 0.012 0.000 0.000 0.184
#> ERR315391 2 0.1569 0.8198 0.012 0.948 0.032 0.008 0.000
#> ERR315417 2 0.4990 0.4038 0.000 0.580 0.384 0.036 0.000
#> ERR315385 2 0.4815 0.2344 0.000 0.524 0.456 0.020 0.000
#> ERR315386 2 0.5098 0.5674 0.004 0.644 0.052 0.000 0.300
#> ERR315438 2 0.5003 0.6687 0.004 0.692 0.072 0.000 0.232
#> ERR315367 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315331 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315347 4 0.4030 0.4428 0.000 0.352 0.000 0.648 0.000
#> ERR315396 1 0.0404 0.8616 0.988 0.012 0.000 0.000 0.000
#> ERR315486 1 0.0404 0.8616 0.988 0.012 0.000 0.000 0.000
#> ERR315403 4 0.1597 0.7965 0.012 0.000 0.000 0.940 0.048
#> ERR315357 4 0.1484 0.7974 0.008 0.000 0.000 0.944 0.048
#> ERR315463 4 0.2177 0.7892 0.000 0.080 0.004 0.908 0.008
#> ERR315451 4 0.2052 0.7877 0.000 0.080 0.004 0.912 0.004
#> ERR315445 5 0.4342 0.6110 0.040 0.000 0.000 0.232 0.728
#> ERR315461 5 0.4573 0.5715 0.044 0.000 0.000 0.256 0.700
#> ERR315397 2 0.2349 0.8007 0.004 0.900 0.012 0.084 0.000
#> ERR315491 2 0.2130 0.8046 0.000 0.908 0.012 0.080 0.000
#> ERR315483 2 0.2289 0.8030 0.004 0.904 0.012 0.080 0.000
#> ERR315400 4 0.2144 0.7888 0.020 0.000 0.000 0.912 0.068
#> ERR315440 1 0.3055 0.8276 0.864 0.064 0.000 0.072 0.000
#> ERR315493 1 0.3421 0.8128 0.840 0.080 0.000 0.080 0.000
#> ERR315441 1 0.2989 0.8298 0.868 0.060 0.000 0.072 0.000
#> ERR315455 3 0.1121 0.8846 0.000 0.044 0.956 0.000 0.000
#> ERR315421 3 0.3508 0.7495 0.004 0.004 0.832 0.132 0.028
#> ERR315370 3 0.3189 0.7817 0.004 0.004 0.852 0.120 0.020
#> ERR315355 3 0.2392 0.8188 0.004 0.004 0.888 0.104 0.000
#> ERR315446 2 0.1331 0.8205 0.040 0.952 0.000 0.000 0.008
#> ERR315375 5 0.4815 0.7171 0.096 0.024 0.008 0.096 0.776
#> ERR315467 4 0.1341 0.7995 0.000 0.000 0.000 0.944 0.056
#> ERR315484 4 0.1357 0.7978 0.004 0.000 0.000 0.948 0.048
#> ERR315406 1 0.0404 0.8616 0.988 0.012 0.000 0.000 0.000
#> ERR315404 1 0.0404 0.8616 0.988 0.012 0.000 0.000 0.000
#> ERR315407 5 0.4302 0.0135 0.000 0.480 0.000 0.000 0.520
#> ERR315340 5 0.4235 0.2190 0.000 0.424 0.000 0.000 0.576
#> ERR315356 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315430 3 0.0162 0.9055 0.000 0.004 0.996 0.000 0.000
#> ERR315422 2 0.2731 0.7888 0.004 0.876 0.016 0.104 0.000
#> ERR315358 2 0.2629 0.7888 0.004 0.880 0.012 0.104 0.000
#> ERR315448 5 0.4272 0.6447 0.196 0.052 0.000 0.000 0.752
#> ERR315401 5 0.4917 0.3426 0.004 0.384 0.000 0.024 0.588
#> ERR315464 5 0.4835 0.3435 0.004 0.384 0.000 0.020 0.592
#> ERR315481 1 0.3037 0.8310 0.860 0.000 0.000 0.040 0.100
#> ERR315454 1 0.3242 0.8223 0.844 0.000 0.000 0.040 0.116
#> ERR315365 2 0.3077 0.8185 0.000 0.864 0.028 0.008 0.100
#> ERR315354 2 0.3012 0.8011 0.000 0.852 0.024 0.000 0.124
#> ERR315439 5 0.3169 0.7367 0.000 0.140 0.016 0.004 0.840
#> ERR315444 5 0.2302 0.7781 0.000 0.080 0.008 0.008 0.904
#> ERR315341 2 0.4165 0.5654 0.000 0.672 0.008 0.000 0.320
#> ERR315412 2 0.2295 0.8196 0.000 0.900 0.008 0.004 0.088
#> ERR315337 2 0.2228 0.8183 0.000 0.900 0.004 0.004 0.092
#> ERR315429 5 0.3398 0.6592 0.000 0.216 0.000 0.004 0.780
#> ERR315436 5 0.3551 0.6575 0.000 0.220 0.000 0.008 0.772
#> ERR315379 5 0.1493 0.7715 0.000 0.024 0.000 0.028 0.948
#> ERR315443 4 0.2605 0.7493 0.000 0.148 0.000 0.852 0.000
#> ERR315415 2 0.1670 0.8185 0.052 0.936 0.000 0.000 0.012
#> ERR315456 2 0.1597 0.8191 0.048 0.940 0.000 0.000 0.012
#> ERR315336 4 0.5940 0.3362 0.348 0.000 0.004 0.544 0.104
#> ERR315399 4 0.5909 0.3321 0.352 0.000 0.004 0.544 0.100
#> ERR315477 2 0.3013 0.7762 0.000 0.832 0.160 0.000 0.008
#> ERR315346 5 0.4359 0.2372 0.004 0.412 0.000 0.000 0.584
#> ERR315383 4 0.4414 0.7441 0.000 0.108 0.076 0.792 0.024
#> ERR315494 4 0.4397 0.5646 0.000 0.264 0.024 0.708 0.004
#> ERR315492 2 0.1597 0.8191 0.048 0.940 0.000 0.000 0.012
#> ERR315432 3 0.0880 0.8935 0.000 0.032 0.968 0.000 0.000
#> ERR315338 1 0.5316 0.4363 0.588 0.064 0.000 0.000 0.348
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR315348 4 0.2399 0.6632 0.024 0.024 0.032 0.908 0.000 0.012
#> ERR315339 3 0.2800 0.6548 0.112 0.004 0.860 0.008 0.000 0.016
#> ERR315376 3 0.2551 0.6579 0.108 0.004 0.872 0.004 0.000 0.012
#> ERR315343 5 0.5348 0.4706 0.012 0.320 0.004 0.048 0.600 0.016
#> ERR315342 5 0.4985 0.3156 0.012 0.404 0.000 0.020 0.548 0.016
#> ERR315468 2 0.4606 0.6745 0.000 0.716 0.200 0.016 0.004 0.064
#> ERR315434 4 0.6368 0.5732 0.144 0.008 0.120 0.636 0.056 0.036
#> ERR315489 4 0.5827 0.5902 0.140 0.008 0.112 0.676 0.032 0.032
#> ERR315371 1 0.1901 0.5981 0.912 0.008 0.000 0.004 0.000 0.076
#> ERR315433 2 0.4989 0.6835 0.048 0.708 0.156 0.000 0.000 0.088
#> ERR315368 2 0.5068 0.6812 0.048 0.700 0.160 0.000 0.000 0.092
#> ERR315465 1 0.3482 0.5687 0.824 0.000 0.020 0.048 0.000 0.108
#> ERR315437 1 0.3605 0.5694 0.816 0.000 0.020 0.056 0.000 0.108
#> ERR315327 4 0.3991 0.5829 0.068 0.048 0.000 0.800 0.000 0.084
#> ERR315394 4 0.3991 0.5829 0.068 0.048 0.000 0.800 0.000 0.084
#> ERR315427 2 0.4806 0.5520 0.056 0.740 0.004 0.144 0.004 0.052
#> ERR315360 2 0.4644 0.5511 0.056 0.744 0.004 0.148 0.000 0.048
#> ERR315426 1 0.3370 0.6412 0.840 0.000 0.028 0.076 0.000 0.056
#> ERR315387 1 0.3303 0.6501 0.848 0.000 0.044 0.060 0.000 0.048
#> ERR315475 1 0.3716 0.6436 0.820 0.000 0.056 0.076 0.000 0.048
#> ERR315395 6 0.3774 0.8629 0.408 0.000 0.000 0.000 0.000 0.592
#> ERR315333 6 0.3774 0.8629 0.408 0.000 0.000 0.000 0.000 0.592
#> ERR315460 2 0.5179 0.6431 0.080 0.740 0.068 0.044 0.000 0.068
#> ERR315372 2 0.5164 0.6449 0.084 0.740 0.068 0.040 0.000 0.068
#> ERR315472 4 0.7244 0.5976 0.148 0.192 0.048 0.524 0.000 0.088
#> ERR315398 4 0.7049 0.6001 0.144 0.200 0.036 0.536 0.000 0.084
#> ERR315409 4 0.5435 0.3723 0.096 0.000 0.260 0.616 0.000 0.028
#> ERR315423 4 0.5592 0.3286 0.096 0.000 0.280 0.592 0.000 0.032
#> ERR315402 2 0.4312 0.7002 0.040 0.772 0.100 0.000 0.000 0.088
#> ERR315458 2 0.4406 0.7002 0.040 0.772 0.096 0.000 0.004 0.088
#> ERR315366 1 0.4193 0.4438 0.748 0.000 0.008 0.076 0.000 0.168
#> ERR315345 1 0.4355 0.4313 0.736 0.000 0.012 0.076 0.000 0.176
#> ERR315326 3 0.3313 0.6274 0.148 0.000 0.812 0.036 0.000 0.004
#> ERR315424 3 0.3168 0.6311 0.148 0.000 0.820 0.028 0.000 0.004
#> ERR315382 3 0.0520 0.6851 0.008 0.008 0.984 0.000 0.000 0.000
#> ERR315325 3 0.0551 0.6858 0.004 0.008 0.984 0.004 0.000 0.000
#> ERR315369 3 0.4988 0.5798 0.100 0.000 0.692 0.180 0.000 0.028
#> ERR315485 3 0.4865 0.5885 0.104 0.000 0.704 0.168 0.000 0.024
#> ERR315420 3 0.1334 0.6837 0.000 0.032 0.948 0.020 0.000 0.000
#> ERR315459 3 0.1257 0.6839 0.000 0.028 0.952 0.020 0.000 0.000
#> ERR315353 4 0.7118 0.4195 0.080 0.008 0.124 0.484 0.288 0.016
#> ERR315487 4 0.6888 0.4973 0.088 0.008 0.104 0.536 0.248 0.016
#> ERR315378 5 0.5212 0.3781 0.020 0.372 0.004 0.020 0.568 0.016
#> ERR315431 5 0.5407 0.6092 0.008 0.200 0.068 0.032 0.680 0.012
#> ERR315335 2 0.5901 0.2010 0.012 0.480 0.048 0.004 0.420 0.036
#> ERR315452 2 0.5123 0.2379 0.008 0.524 0.016 0.000 0.420 0.032
#> ERR315471 1 0.3432 0.5702 0.836 0.084 0.016 0.004 0.000 0.060
#> ERR315390 1 0.3532 0.5635 0.828 0.092 0.016 0.004 0.000 0.060
#> ERR315329 1 0.3720 0.5402 0.812 0.108 0.016 0.004 0.000 0.060
#> ERR315393 1 0.1716 0.6502 0.932 0.000 0.036 0.004 0.000 0.028
#> ERR315488 1 0.1644 0.6501 0.932 0.000 0.040 0.000 0.000 0.028
#> ERR315351 2 0.5616 0.5125 0.148 0.556 0.008 0.000 0.000 0.288
#> ERR315350 2 0.5586 0.5178 0.148 0.564 0.008 0.000 0.000 0.280
#> ERR315381 3 0.5687 0.3760 0.100 0.000 0.540 0.336 0.000 0.024
#> ERR315388 3 0.5598 0.4418 0.104 0.000 0.576 0.296 0.000 0.024
#> ERR315418 3 0.0458 0.6843 0.000 0.016 0.984 0.000 0.000 0.000
#> ERR315449 3 0.0458 0.6843 0.000 0.016 0.984 0.000 0.000 0.000
#> ERR315490 2 0.2272 0.6803 0.024 0.912 0.000 0.040 0.008 0.016
#> ERR315495 2 0.2272 0.6803 0.024 0.912 0.000 0.040 0.008 0.016
#> ERR315361 2 0.2373 0.6799 0.024 0.908 0.000 0.040 0.012 0.016
#> ERR315419 3 0.4914 0.5808 0.088 0.000 0.696 0.188 0.000 0.028
#> ERR315344 3 0.5071 0.5636 0.092 0.000 0.676 0.204 0.000 0.028
#> ERR315414 4 0.3878 0.5855 0.060 0.048 0.000 0.808 0.000 0.084
#> ERR315352 2 0.5878 0.5181 0.152 0.544 0.020 0.000 0.000 0.284
#> ERR315410 2 0.4049 0.2127 0.000 0.580 0.000 0.004 0.412 0.004
#> ERR315349 3 0.1873 0.6764 0.048 0.020 0.924 0.000 0.000 0.008
#> ERR315474 3 0.2256 0.6752 0.048 0.032 0.908 0.004 0.000 0.008
#> ERR315470 3 0.1873 0.6752 0.048 0.020 0.924 0.000 0.000 0.008
#> ERR315428 2 0.1757 0.7088 0.000 0.916 0.076 0.000 0.000 0.008
#> ERR315363 2 0.2002 0.7092 0.000 0.908 0.076 0.004 0.000 0.012
#> ERR315469 6 0.3765 0.8638 0.404 0.000 0.000 0.000 0.000 0.596
#> ERR315425 6 0.3765 0.8638 0.404 0.000 0.000 0.000 0.000 0.596
#> ERR315476 4 0.5942 0.6417 0.104 0.136 0.000 0.664 0.032 0.064
#> ERR315478 4 0.5862 0.6417 0.108 0.156 0.000 0.660 0.028 0.048
#> ERR315362 4 0.6913 0.5275 0.096 0.284 0.000 0.508 0.080 0.032
#> ERR315411 4 0.6907 0.5061 0.100 0.308 0.000 0.492 0.064 0.036
#> ERR315416 1 0.4579 0.0636 0.492 0.000 0.480 0.016 0.000 0.012
#> ERR315405 1 0.4647 0.1194 0.508 0.000 0.460 0.020 0.000 0.012
#> ERR315408 3 0.5588 0.4406 0.100 0.000 0.572 0.304 0.000 0.024
#> ERR315364 3 0.5512 0.4664 0.100 0.000 0.592 0.284 0.000 0.024
#> ERR315359 2 0.5471 0.4809 0.028 0.548 0.356 0.000 0.000 0.068
#> ERR315330 2 0.5535 0.4172 0.028 0.516 0.388 0.000 0.000 0.068
#> ERR315384 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315413 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315332 3 0.5912 0.1246 0.008 0.016 0.468 0.068 0.428 0.012
#> ERR315334 4 0.6567 0.5242 0.188 0.280 0.000 0.480 0.000 0.052
#> ERR315447 4 0.6501 0.4844 0.168 0.316 0.000 0.468 0.000 0.048
#> ERR315453 4 0.6465 0.5435 0.196 0.240 0.000 0.512 0.000 0.052
#> ERR315442 3 0.5332 0.5194 0.092 0.000 0.632 0.248 0.000 0.028
#> ERR315457 3 0.5201 0.5390 0.088 0.000 0.652 0.232 0.000 0.028
#> ERR315392 2 0.4680 0.5536 0.004 0.704 0.032 0.004 0.228 0.028
#> ERR315450 2 0.4396 0.5728 0.008 0.732 0.028 0.008 0.212 0.012
#> ERR315462 4 0.2878 0.6406 0.028 0.004 0.076 0.872 0.000 0.020
#> ERR315328 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315389 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315435 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315482 2 0.3478 0.7096 0.012 0.828 0.100 0.000 0.004 0.056
#> ERR315380 2 0.3354 0.7105 0.012 0.836 0.100 0.000 0.004 0.048
#> ERR315377 6 0.6451 0.4848 0.312 0.012 0.000 0.264 0.004 0.408
#> ERR315374 6 0.6484 0.4381 0.292 0.012 0.000 0.296 0.004 0.396
#> ERR315466 3 0.2226 0.6624 0.008 0.060 0.904 0.000 0.000 0.028
#> ERR315479 3 0.2350 0.6618 0.008 0.064 0.900 0.004 0.000 0.024
#> ERR315473 1 0.3054 0.6313 0.840 0.000 0.116 0.004 0.000 0.040
#> ERR315391 2 0.5937 0.5212 0.144 0.552 0.020 0.000 0.004 0.280
#> ERR315417 2 0.4758 0.4369 0.004 0.636 0.020 0.004 0.316 0.020
#> ERR315385 2 0.4714 0.3374 0.000 0.592 0.016 0.004 0.368 0.020
#> ERR315386 2 0.5481 0.5155 0.040 0.592 0.324 0.004 0.016 0.024
#> ERR315438 2 0.5108 0.5872 0.036 0.644 0.280 0.000 0.016 0.024
#> ERR315367 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315331 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315347 2 0.5467 0.2911 0.052 0.612 0.004 0.284 0.000 0.048
#> ERR315396 6 0.3765 0.8638 0.404 0.000 0.000 0.000 0.000 0.596
#> ERR315486 6 0.3765 0.8638 0.404 0.000 0.000 0.000 0.000 0.596
#> ERR315403 4 0.2704 0.6530 0.100 0.000 0.012 0.868 0.000 0.020
#> ERR315357 4 0.2617 0.6534 0.100 0.000 0.012 0.872 0.000 0.016
#> ERR315463 4 0.3872 0.5851 0.064 0.044 0.000 0.808 0.000 0.084
#> ERR315451 4 0.3872 0.5851 0.064 0.044 0.000 0.808 0.000 0.084
#> ERR315445 3 0.5702 0.3855 0.104 0.000 0.544 0.328 0.000 0.024
#> ERR315461 3 0.5815 0.3363 0.112 0.000 0.520 0.344 0.000 0.024
#> ERR315397 2 0.1364 0.6909 0.012 0.952 0.000 0.020 0.000 0.016
#> ERR315491 2 0.1406 0.6929 0.008 0.952 0.004 0.020 0.000 0.016
#> ERR315483 2 0.1293 0.6929 0.004 0.956 0.004 0.020 0.000 0.016
#> ERR315400 4 0.3713 0.6408 0.108 0.000 0.048 0.812 0.000 0.032
#> ERR315440 1 0.3431 0.5628 0.840 0.052 0.000 0.060 0.000 0.048
#> ERR315493 1 0.3850 0.5414 0.812 0.064 0.000 0.064 0.000 0.060
#> ERR315441 1 0.3494 0.5612 0.836 0.052 0.000 0.060 0.000 0.052
#> ERR315455 5 0.2019 0.7768 0.000 0.088 0.000 0.000 0.900 0.012
#> ERR315421 5 0.5325 0.6059 0.140 0.068 0.000 0.076 0.704 0.012
#> ERR315370 5 0.5623 0.5820 0.164 0.084 0.000 0.068 0.672 0.012
#> ERR315355 5 0.5201 0.6374 0.112 0.092 0.000 0.072 0.716 0.008
#> ERR315446 2 0.6086 0.5106 0.160 0.524 0.028 0.000 0.000 0.288
#> ERR315375 3 0.7124 0.4532 0.136 0.136 0.560 0.108 0.000 0.060
#> ERR315467 4 0.5870 0.5509 0.248 0.052 0.048 0.620 0.000 0.032
#> ERR315484 4 0.3444 0.6602 0.088 0.016 0.044 0.840 0.000 0.012
#> ERR315406 6 0.3774 0.8629 0.408 0.000 0.000 0.000 0.000 0.592
#> ERR315404 6 0.3774 0.8629 0.408 0.000 0.000 0.000 0.000 0.592
#> ERR315407 3 0.5016 0.1114 0.016 0.356 0.584 0.004 0.000 0.040
#> ERR315340 3 0.4750 0.3699 0.028 0.264 0.672 0.004 0.000 0.032
#> ERR315356 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315430 5 0.0000 0.8120 0.000 0.000 0.000 0.000 1.000 0.000
#> ERR315422 2 0.1624 0.6852 0.008 0.936 0.000 0.044 0.000 0.012
#> ERR315358 2 0.1624 0.6852 0.008 0.936 0.000 0.044 0.000 0.012
#> ERR315448 1 0.4319 0.3087 0.576 0.000 0.400 0.000 0.000 0.024
#> ERR315401 3 0.8055 0.2994 0.176 0.180 0.436 0.084 0.000 0.124
#> ERR315464 3 0.8149 0.2772 0.192 0.184 0.416 0.084 0.000 0.124
#> ERR315481 1 0.3064 0.6500 0.860 0.000 0.072 0.032 0.000 0.036
#> ERR315454 1 0.3119 0.6521 0.856 0.000 0.076 0.032 0.000 0.036
#> ERR315365 2 0.4009 0.6867 0.000 0.764 0.180 0.012 0.004 0.040
#> ERR315354 2 0.4025 0.6829 0.000 0.752 0.192 0.004 0.004 0.048
#> ERR315439 3 0.5926 0.3361 0.108 0.276 0.580 0.008 0.004 0.024
#> ERR315444 3 0.6177 0.3505 0.120 0.264 0.572 0.012 0.008 0.024
#> ERR315341 2 0.5536 0.5872 0.112 0.640 0.212 0.004 0.000 0.032
#> ERR315412 2 0.2480 0.7101 0.000 0.872 0.104 0.000 0.000 0.024
#> ERR315337 2 0.2480 0.7101 0.000 0.872 0.104 0.000 0.000 0.024
#> ERR315429 3 0.3582 0.5863 0.008 0.136 0.808 0.004 0.000 0.044
#> ERR315436 3 0.3574 0.6046 0.004 0.132 0.812 0.012 0.000 0.040
#> ERR315379 3 0.3157 0.6616 0.028 0.008 0.844 0.112 0.000 0.008
#> ERR315443 4 0.4265 0.5016 0.000 0.284 0.020 0.680 0.000 0.016
#> ERR315415 2 0.6325 0.4701 0.176 0.476 0.032 0.000 0.000 0.316
#> ERR315456 2 0.6308 0.4921 0.168 0.492 0.036 0.000 0.000 0.304
#> ERR315336 4 0.6011 0.3154 0.352 0.000 0.036 0.512 0.004 0.096
#> ERR315399 4 0.6152 0.2923 0.352 0.000 0.036 0.496 0.004 0.112
#> ERR315477 2 0.4993 0.6633 0.000 0.704 0.048 0.000 0.080 0.168
#> ERR315346 3 0.5132 0.0637 0.044 0.372 0.560 0.000 0.000 0.024
#> ERR315383 4 0.6048 0.4416 0.000 0.244 0.144 0.576 0.012 0.024
#> ERR315494 4 0.5607 0.3168 0.000 0.320 0.104 0.556 0.000 0.020
#> ERR315492 2 0.6269 0.4873 0.168 0.488 0.032 0.000 0.000 0.312
#> ERR315432 5 0.2643 0.7512 0.000 0.128 0.000 0.008 0.856 0.008
#> ERR315338 1 0.3705 0.5706 0.776 0.008 0.180 0.000 0.000 0.036
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
sessionInfo()
#> R version 3.6.0 (2019-04-26)
#> Platform: x86_64-pc-linux-gnu (64-bit)
#> Running under: CentOS Linux 7 (Core)
#>
#> Matrix products: default
#> BLAS: /usr/lib64/libblas.so.3.4.2
#> LAPACK: /usr/lib64/liblapack.so.3.4.2
#>
#> locale:
#> [1] LC_CTYPE=en_GB.UTF-8 LC_NUMERIC=C LC_TIME=en_GB.UTF-8
#> [4] LC_COLLATE=en_GB.UTF-8 LC_MONETARY=en_GB.UTF-8 LC_MESSAGES=en_GB.UTF-8
#> [7] LC_PAPER=en_GB.UTF-8 LC_NAME=C LC_ADDRESS=C
#> [10] LC_TELEPHONE=C LC_MEASUREMENT=en_GB.UTF-8 LC_IDENTIFICATION=C
#>
#> attached base packages:
#> [1] grid stats graphics grDevices utils datasets methods base
#>
#> other attached packages:
#> [1] genefilter_1.66.0 ComplexHeatmap_2.3.1 markdown_1.1 knitr_1.26
#> [5] GetoptLong_0.1.7 cola_1.3.2
#>
#> loaded via a namespace (and not attached):
#> [1] circlize_0.4.8 shape_1.4.4 xfun_0.11 slam_0.1-46
#> [5] lattice_0.20-38 splines_3.6.0 colorspace_1.4-1 vctrs_0.2.0
#> [9] stats4_3.6.0 blob_1.2.0 XML_3.98-1.20 survival_2.44-1.1
#> [13] rlang_0.4.2 pillar_1.4.2 DBI_1.0.0 BiocGenerics_0.30.0
#> [17] bit64_0.9-7 RColorBrewer_1.1-2 matrixStats_0.55.0 stringr_1.4.0
#> [21] GlobalOptions_0.1.1 evaluate_0.14 memoise_1.1.0 Biobase_2.44.0
#> [25] IRanges_2.18.3 parallel_3.6.0 AnnotationDbi_1.46.1 highr_0.8
#> [29] Rcpp_1.0.3 xtable_1.8-4 backports_1.1.5 S4Vectors_0.22.1
#> [33] annotate_1.62.0 skmeans_0.2-11 bit_1.1-14 microbenchmark_1.4-7
#> [37] brew_1.0-6 impute_1.58.0 rjson_0.2.20 png_0.1-7
#> [41] digest_0.6.23 stringi_1.4.3 polyclip_1.10-0 clue_0.3-57
#> [45] tools_3.6.0 bitops_1.0-6 magrittr_1.5 eulerr_6.0.0
#> [49] RCurl_1.95-4.12 RSQLite_2.1.4 tibble_2.1.3 cluster_2.1.0
#> [53] crayon_1.3.4 pkgconfig_2.0.3 zeallot_0.1.0 Matrix_1.2-17
#> [57] xml2_1.2.2 httr_1.4.1 R6_2.4.1 mclust_5.4.5
#> [61] compiler_3.6.0