Date: 2019-12-25 22:25:22 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 8394 rows and 194 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] 8394 194
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:hclust | 2 | 1.000 | 1.000 | 1.000 | ** | |
| SD:skmeans | 2 | 1.000 | 0.995 | 0.998 | ** | |
| SD:pam | 2 | 1.000 | 1.000 | 1.000 | ** | |
| SD:mclust | 2 | 1.000 | 0.991 | 0.995 | ** | |
| SD:NMF | 2 | 1.000 | 0.998 | 0.999 | ** | |
| CV:kmeans | 2 | 1.000 | 0.992 | 0.993 | ** | |
| CV:mclust | 2 | 1.000 | 1.000 | 1.000 | ** | |
| MAD:hclust | 2 | 1.000 | 0.986 | 0.995 | ** | |
| MAD:kmeans | 2 | 1.000 | 0.994 | 0.995 | ** | |
| MAD:skmeans | 2 | 1.000 | 0.963 | 0.985 | ** | |
| MAD:pam | 2 | 1.000 | 0.987 | 0.994 | ** | |
| MAD:mclust | 2 | 1.000 | 1.000 | 1.000 | ** | |
| MAD:NMF | 2 | 1.000 | 0.976 | 0.986 | ** | |
| ATC:hclust | 2 | 1.000 | 1.000 | 1.000 | ** | |
| ATC:skmeans | 2 | 1.000 | 0.999 | 1.000 | ** | |
| ATC:pam | 2 | 1.000 | 1.000 | 1.000 | ** | |
| ATC:mclust | 2 | 1.000 | 0.990 | 0.995 | ** | |
| ATC:NMF | 3 | 0.966 | 0.948 | 0.977 | ** | 2 |
| ATC:kmeans | 3 | 0.963 | 0.977 | 0.987 | ** | 2 |
| SD:kmeans | 3 | 0.939 | 0.956 | 0.973 | * | 2 |
| CV:skmeans | 3 | 0.379 | 0.584 | 0.757 | ||
| CV:pam | 3 | 0.362 | 0.590 | 0.809 | ||
| CV:NMF | 4 | 0.333 | 0.554 | 0.675 | ||
| CV:hclust | 3 | 0.255 | 0.598 | 0.796 |
**: 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 1.000 0.998 0.999 0.220 0.782 0.782
#> CV:NMF 2 0.545 0.893 0.918 0.305 0.767 0.767
#> MAD:NMF 2 1.000 0.976 0.986 0.232 0.767 0.767
#> ATC:NMF 2 1.000 1.000 1.000 0.219 0.782 0.782
#> SD:skmeans 2 1.000 0.995 0.998 0.315 0.683 0.683
#> CV:skmeans 2 0.854 0.904 0.960 0.415 0.579 0.579
#> MAD:skmeans 2 1.000 0.963 0.985 0.367 0.636 0.636
#> ATC:skmeans 2 1.000 0.999 1.000 0.305 0.696 0.696
#> SD:mclust 2 1.000 0.991 0.995 0.337 0.659 0.659
#> CV:mclust 2 1.000 1.000 1.000 0.219 0.782 0.782
#> MAD:mclust 2 1.000 1.000 1.000 0.219 0.782 0.782
#> ATC:mclust 2 1.000 0.990 0.995 0.310 0.696 0.696
#> SD:kmeans 2 1.000 0.993 0.997 0.230 0.767 0.767
#> CV:kmeans 2 1.000 0.992 0.993 0.232 0.767 0.767
#> MAD:kmeans 2 1.000 0.994 0.995 0.227 0.767 0.767
#> ATC:kmeans 2 1.000 1.000 1.000 0.219 0.782 0.782
#> SD:pam 2 1.000 1.000 1.000 0.219 0.782 0.782
#> CV:pam 2 0.740 0.848 0.938 0.340 0.671 0.671
#> MAD:pam 2 1.000 0.987 0.994 0.243 0.767 0.767
#> ATC:pam 2 1.000 1.000 1.000 0.219 0.782 0.782
#> SD:hclust 2 1.000 1.000 1.000 0.219 0.782 0.782
#> CV:hclust 2 0.661 0.883 0.919 0.327 0.723 0.723
#> MAD:hclust 2 1.000 0.986 0.995 0.241 0.767 0.767
#> ATC:hclust 2 1.000 1.000 1.000 0.219 0.782 0.782
get_stats(res_list, k = 3)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 3 0.664 0.846 0.915 0.5775 0.931 0.911
#> CV:NMF 3 0.193 0.542 0.668 0.8315 0.713 0.626
#> MAD:NMF 3 0.335 0.780 0.858 0.7004 0.962 0.950
#> ATC:NMF 3 0.966 0.948 0.977 0.2544 0.947 0.933
#> SD:skmeans 3 0.483 0.830 0.875 0.8769 0.730 0.604
#> CV:skmeans 3 0.379 0.584 0.757 0.5543 0.695 0.508
#> MAD:skmeans 3 0.401 0.663 0.802 0.6574 0.740 0.598
#> ATC:skmeans 3 0.567 0.851 0.904 0.4495 0.916 0.880
#> SD:mclust 3 0.748 0.912 0.943 0.1759 0.977 0.965
#> CV:mclust 3 0.296 0.529 0.702 1.3895 0.618 0.512
#> MAD:mclust 3 0.748 0.912 0.938 1.0142 0.813 0.761
#> ATC:mclust 3 1.000 0.935 0.972 0.1499 0.967 0.952
#> SD:kmeans 3 0.939 0.956 0.973 0.4682 0.912 0.885
#> CV:kmeans 3 0.266 0.887 0.823 0.8854 1.000 1.000
#> MAD:kmeans 3 0.507 0.778 0.884 0.7241 0.928 0.906
#> ATC:kmeans 3 0.963 0.977 0.987 0.4272 0.899 0.871
#> SD:pam 3 1.000 0.993 0.997 0.1065 0.982 0.977
#> CV:pam 3 0.362 0.590 0.809 0.4870 0.827 0.745
#> MAD:pam 3 0.869 0.902 0.954 0.2442 0.982 0.977
#> ATC:pam 3 1.000 1.000 1.000 0.0820 0.982 0.977
#> SD:hclust 3 1.000 0.999 1.000 0.0844 0.982 0.977
#> CV:hclust 3 0.255 0.598 0.796 0.4993 0.963 0.949
#> MAD:hclust 3 0.992 0.975 0.971 0.1828 0.982 0.977
#> ATC:hclust 3 1.000 1.000 1.000 0.0820 0.982 0.977
get_stats(res_list, k = 4)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 4 0.390 0.724 0.819 0.2755 0.964 0.950
#> CV:NMF 4 0.333 0.554 0.675 0.2321 0.748 0.500
#> MAD:NMF 4 0.279 0.586 0.740 0.3085 0.916 0.885
#> ATC:NMF 4 0.823 0.895 0.933 0.2435 0.966 0.953
#> SD:skmeans 4 0.479 0.645 0.780 0.1871 0.920 0.809
#> CV:skmeans 4 0.397 0.522 0.703 0.1446 0.835 0.576
#> MAD:skmeans 4 0.402 0.560 0.728 0.1632 0.864 0.678
#> ATC:skmeans 4 0.376 0.588 0.783 0.3085 0.943 0.908
#> SD:mclust 4 0.525 0.797 0.836 0.4880 0.761 0.624
#> CV:mclust 4 0.364 0.624 0.759 0.2238 0.774 0.547
#> MAD:mclust 4 0.472 0.801 0.847 0.4192 0.792 0.651
#> ATC:mclust 4 0.669 0.865 0.925 0.1801 0.980 0.970
#> SD:kmeans 4 0.405 0.858 0.854 0.3895 1.000 1.000
#> CV:kmeans 4 0.263 0.831 0.732 0.2296 1.000 1.000
#> MAD:kmeans 4 0.273 0.749 0.823 0.2244 0.931 0.901
#> ATC:kmeans 4 0.695 0.906 0.915 0.2696 1.000 1.000
#> SD:pam 4 1.000 0.998 0.999 0.0579 0.982 0.977
#> CV:pam 4 0.327 0.510 0.770 0.0905 0.949 0.904
#> MAD:pam 4 0.657 0.887 0.921 0.1564 0.997 0.997
#> ATC:pam 4 1.000 1.000 1.000 0.0749 0.982 0.977
#> SD:hclust 4 0.998 0.959 0.979 0.0794 1.000 1.000
#> CV:hclust 4 0.268 0.576 0.742 0.1577 0.896 0.851
#> MAD:hclust 4 0.814 0.833 0.936 0.1698 0.982 0.977
#> ATC:hclust 4 1.000 0.978 0.992 0.0342 0.999 0.998
get_stats(res_list, k = 5)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 5 0.299 0.664 0.730 0.30899 0.650 0.507
#> CV:NMF 5 0.408 0.489 0.638 0.09623 0.964 0.876
#> MAD:NMF 5 0.280 0.496 0.674 0.20484 0.675 0.523
#> ATC:NMF 5 0.582 0.860 0.892 0.14996 0.982 0.975
#> SD:skmeans 5 0.498 0.507 0.705 0.08062 0.921 0.775
#> CV:skmeans 5 0.440 0.415 0.615 0.07281 0.924 0.722
#> MAD:skmeans 5 0.443 0.461 0.663 0.08783 0.928 0.775
#> ATC:skmeans 5 0.383 0.450 0.684 0.13532 0.897 0.818
#> SD:mclust 5 0.462 0.670 0.778 0.15314 0.945 0.863
#> CV:mclust 5 0.426 0.593 0.686 0.13795 0.822 0.532
#> MAD:mclust 5 0.541 0.749 0.806 0.09810 0.962 0.905
#> ATC:mclust 5 0.531 0.759 0.858 0.26279 0.902 0.849
#> SD:kmeans 5 0.356 0.425 0.781 0.16415 0.983 0.976
#> CV:kmeans 5 0.262 0.439 0.655 0.12738 0.932 0.911
#> MAD:kmeans 5 0.271 0.730 0.773 0.12020 0.982 0.972
#> ATC:kmeans 5 0.361 0.831 0.850 0.16995 0.998 0.997
#> SD:pam 5 1.000 0.998 0.998 0.06856 0.982 0.977
#> CV:pam 5 0.319 0.512 0.761 0.02069 0.997 0.995
#> MAD:pam 5 0.638 0.858 0.914 0.07520 0.965 0.954
#> ATC:pam 5 0.982 0.996 0.997 0.06881 0.982 0.977
#> SD:hclust 5 0.960 0.968 0.973 0.02071 0.964 0.953
#> CV:hclust 5 0.291 0.552 0.696 0.09469 0.984 0.973
#> MAD:hclust 5 0.708 0.853 0.904 0.20810 0.888 0.847
#> ATC:hclust 5 1.000 0.960 0.987 0.00708 0.999 0.998
get_stats(res_list, k = 6)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 6 0.357 0.548 0.729 0.15111 0.891 0.754
#> CV:NMF 6 0.463 0.346 0.564 0.06145 0.835 0.477
#> MAD:NMF 6 0.334 0.432 0.595 0.11258 0.694 0.408
#> ATC:NMF 6 0.417 0.779 0.855 0.12753 0.965 0.948
#> SD:skmeans 6 0.535 0.450 0.652 0.04984 0.934 0.779
#> CV:skmeans 6 0.484 0.369 0.565 0.04482 0.921 0.667
#> MAD:skmeans 6 0.498 0.399 0.600 0.05306 0.899 0.650
#> ATC:skmeans 6 0.405 0.443 0.657 0.07847 0.907 0.812
#> SD:mclust 6 0.486 0.653 0.753 0.05922 0.988 0.966
#> CV:mclust 6 0.476 0.525 0.688 0.06970 0.937 0.735
#> MAD:mclust 6 0.561 0.529 0.734 0.06898 0.986 0.962
#> ATC:mclust 6 0.436 0.604 0.799 0.14438 0.916 0.848
#> SD:kmeans 6 0.349 0.490 0.744 0.05768 1.000 1.000
#> CV:kmeans 6 0.262 0.447 0.628 0.06362 0.965 0.952
#> MAD:kmeans 6 0.276 0.698 0.735 0.07091 0.982 0.973
#> ATC:kmeans 6 0.352 0.705 0.813 0.07199 0.982 0.973
#> SD:pam 6 1.000 0.988 0.993 0.09079 0.983 0.976
#> CV:pam 6 0.323 0.504 0.759 0.01493 0.986 0.973
#> MAD:pam 6 0.627 0.823 0.908 0.04487 0.983 0.976
#> ATC:pam 6 1.000 1.000 1.000 0.06359 0.983 0.976
#> SD:hclust 6 0.958 0.934 0.967 0.01697 0.999 0.998
#> CV:hclust 6 0.322 0.511 0.649 0.07271 0.950 0.914
#> MAD:hclust 6 0.650 0.872 0.904 0.07897 0.999 0.998
#> ATC:hclust 6 1.000 0.955 0.985 0.00659 0.999 0.999
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 = 839, method = "euler")
top_rows_overlap(res_list, top_n = 1678, method = "euler")
top_rows_overlap(res_list, top_n = 2518, method = "euler")
top_rows_overlap(res_list, top_n = 3358, method = "euler")
top_rows_overlap(res_list, top_n = 4197, method = "euler")
Also visualize the correspondance of rankings between different top-row methods:
top_rows_overlap(res_list, top_n = 839, method = "correspondance")
top_rows_overlap(res_list, top_n = 1678, method = "correspondance")
top_rows_overlap(res_list, top_n = 2518, method = "correspondance")
top_rows_overlap(res_list, top_n = 3358, method = "correspondance")
top_rows_overlap(res_list, top_n = 4197, method = "correspondance")
Heatmaps of the top rows:
top_rows_heatmap(res_list, top_n = 839)
top_rows_heatmap(res_list, top_n = 1678)
top_rows_heatmap(res_list, top_n = 2518)
top_rows_heatmap(res_list, top_n = 3358)
top_rows_heatmap(res_list, top_n = 4197)
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 1.000 1.000 0.2187 0.782 0.782
#> 3 3 1.000 0.999 1.000 0.0844 0.982 0.977
#> 4 4 0.998 0.959 0.979 0.0794 1.000 1.000
#> 5 5 0.960 0.968 0.973 0.0207 0.964 0.953
#> 6 6 0.958 0.934 0.967 0.0170 0.999 0.998
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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.0747 0.984 0.984 0 0.016
#> ERR467498 1 0.0747 0.984 0.984 0 0.016
#> ERR658998 1 0.0000 1.000 1.000 0 0.000
#> ERR659094 1 0.0000 1.000 1.000 0 0.000
#> ERR658999 1 0.0000 1.000 1.000 0 0.000
#> ERR659095 1 0.0000 1.000 1.000 0 0.000
#> ERR659000 1 0.0000 1.000 1.000 0 0.000
#> ERR659096 1 0.0000 1.000 1.000 0 0.000
#> ERR659001 1 0.0000 1.000 1.000 0 0.000
#> ERR659097 1 0.0000 1.000 1.000 0 0.000
#> ERR659002 1 0.0000 1.000 1.000 0 0.000
#> ERR659098 1 0.0000 1.000 1.000 0 0.000
#> ERR659003 1 0.0000 1.000 1.000 0 0.000
#> ERR659099 1 0.0000 1.000 1.000 0 0.000
#> ERR659004 1 0.0000 1.000 1.000 0 0.000
#> ERR659100 1 0.0000 1.000 1.000 0 0.000
#> ERR659005 1 0.0000 1.000 1.000 0 0.000
#> ERR659101 1 0.0000 1.000 1.000 0 0.000
#> ERR659006 1 0.0000 1.000 1.000 0 0.000
#> ERR659102 1 0.0000 1.000 1.000 0 0.000
#> ERR659007 1 0.0000 1.000 1.000 0 0.000
#> ERR659103 1 0.0000 1.000 1.000 0 0.000
#> ERR659008 2 0.0000 1.000 0.000 1 0.000
#> ERR659104 2 0.0000 1.000 0.000 1 0.000
#> ERR659009 1 0.0000 1.000 1.000 0 0.000
#> ERR659105 1 0.0000 1.000 1.000 0 0.000
#> ERR659010 1 0.0000 1.000 1.000 0 0.000
#> ERR659106 1 0.0000 1.000 1.000 0 0.000
#> ERR659011 1 0.0000 1.000 1.000 0 0.000
#> ERR659107 1 0.0000 1.000 1.000 0 0.000
#> ERR659012 1 0.0000 1.000 1.000 0 0.000
#> ERR659108 1 0.0000 1.000 1.000 0 0.000
#> ERR659013 1 0.0000 1.000 1.000 0 0.000
#> ERR659109 1 0.0000 1.000 1.000 0 0.000
#> ERR659014 2 0.0000 1.000 0.000 1 0.000
#> ERR659110 2 0.0000 1.000 0.000 1 0.000
#> ERR659015 1 0.0000 1.000 1.000 0 0.000
#> ERR659111 1 0.0000 1.000 1.000 0 0.000
#> ERR659016 1 0.0000 1.000 1.000 0 0.000
#> ERR659112 1 0.0000 1.000 1.000 0 0.000
#> ERR659017 2 0.0000 1.000 0.000 1 0.000
#> ERR659113 2 0.0000 1.000 0.000 1 0.000
#> ERR659018 1 0.0000 1.000 1.000 0 0.000
#> ERR659114 1 0.0000 1.000 1.000 0 0.000
#> ERR659019 1 0.0000 1.000 1.000 0 0.000
#> ERR659115 1 0.0000 1.000 1.000 0 0.000
#> ERR659020 1 0.0000 1.000 1.000 0 0.000
#> ERR659116 1 0.0000 1.000 1.000 0 0.000
#> ERR659021 1 0.0000 1.000 1.000 0 0.000
#> ERR659117 1 0.0000 1.000 1.000 0 0.000
#> ERR659022 1 0.0000 1.000 1.000 0 0.000
#> ERR659118 1 0.0000 1.000 1.000 0 0.000
#> ERR659023 1 0.0000 1.000 1.000 0 0.000
#> ERR659119 1 0.0000 1.000 1.000 0 0.000
#> ERR659024 1 0.0000 1.000 1.000 0 0.000
#> ERR659120 1 0.0000 1.000 1.000 0 0.000
#> ERR659025 1 0.0000 1.000 1.000 0 0.000
#> ERR659121 1 0.0000 1.000 1.000 0 0.000
#> ERR659026 1 0.0000 1.000 1.000 0 0.000
#> ERR659122 1 0.0000 1.000 1.000 0 0.000
#> ERR659027 1 0.0000 1.000 1.000 0 0.000
#> ERR659123 1 0.0000 1.000 1.000 0 0.000
#> ERR659028 1 0.0000 1.000 1.000 0 0.000
#> ERR659124 1 0.0000 1.000 1.000 0 0.000
#> ERR659029 1 0.0000 1.000 1.000 0 0.000
#> ERR659125 1 0.0000 1.000 1.000 0 0.000
#> ERR659030 1 0.0000 1.000 1.000 0 0.000
#> ERR659126 1 0.0000 1.000 1.000 0 0.000
#> ERR659031 1 0.0000 1.000 1.000 0 0.000
#> ERR659127 1 0.0000 1.000 1.000 0 0.000
#> ERR659032 1 0.0000 1.000 1.000 0 0.000
#> ERR659128 1 0.0000 1.000 1.000 0 0.000
#> ERR659033 1 0.0000 1.000 1.000 0 0.000
#> ERR659129 1 0.0000 1.000 1.000 0 0.000
#> ERR659034 2 0.0000 1.000 0.000 1 0.000
#> ERR659130 2 0.0000 1.000 0.000 1 0.000
#> ERR659035 1 0.0000 1.000 1.000 0 0.000
#> ERR659131 1 0.0000 1.000 1.000 0 0.000
#> ERR659036 1 0.0000 1.000 1.000 0 0.000
#> ERR659132 1 0.0000 1.000 1.000 0 0.000
#> ERR659037 1 0.0000 1.000 1.000 0 0.000
#> ERR659133 1 0.0000 1.000 1.000 0 0.000
#> ERR659038 1 0.0000 1.000 1.000 0 0.000
#> ERR659134 1 0.0000 1.000 1.000 0 0.000
#> ERR659039 1 0.0000 1.000 1.000 0 0.000
#> ERR659135 1 0.0000 1.000 1.000 0 0.000
#> ERR659040 1 0.0000 1.000 1.000 0 0.000
#> ERR659136 1 0.0000 1.000 1.000 0 0.000
#> ERR659041 1 0.0000 1.000 1.000 0 0.000
#> ERR659137 1 0.0000 1.000 1.000 0 0.000
#> ERR659042 1 0.0000 1.000 1.000 0 0.000
#> ERR659138 1 0.0000 1.000 1.000 0 0.000
#> ERR659043 1 0.0000 1.000 1.000 0 0.000
#> ERR659139 1 0.0000 1.000 1.000 0 0.000
#> ERR659044 2 0.0000 1.000 0.000 1 0.000
#> ERR659140 2 0.0000 1.000 0.000 1 0.000
#> ERR659045 1 0.0000 1.000 1.000 0 0.000
#> ERR659141 1 0.0000 1.000 1.000 0 0.000
#> ERR659046 1 0.0000 1.000 1.000 0 0.000
#> ERR659142 1 0.0000 1.000 1.000 0 0.000
#> ERR659047 1 0.0000 1.000 1.000 0 0.000
#> ERR659143 1 0.0000 1.000 1.000 0 0.000
#> ERR659048 1 0.0000 1.000 1.000 0 0.000
#> ERR659144 1 0.0000 1.000 1.000 0 0.000
#> ERR659049 1 0.0000 1.000 1.000 0 0.000
#> ERR659145 1 0.0000 1.000 1.000 0 0.000
#> ERR659050 1 0.0000 1.000 1.000 0 0.000
#> ERR659146 1 0.0000 1.000 1.000 0 0.000
#> ERR659051 1 0.0747 0.984 0.984 0 0.016
#> ERR659147 1 0.0747 0.984 0.984 0 0.016
#> ERR659052 1 0.0000 1.000 1.000 0 0.000
#> ERR659148 1 0.0000 1.000 1.000 0 0.000
#> ERR659053 1 0.0000 1.000 1.000 0 0.000
#> ERR659149 1 0.0000 1.000 1.000 0 0.000
#> ERR659054 2 0.0000 1.000 0.000 1 0.000
#> ERR659150 2 0.0000 1.000 0.000 1 0.000
#> ERR659055 1 0.0000 1.000 1.000 0 0.000
#> ERR659151 1 0.0000 1.000 1.000 0 0.000
#> ERR659056 1 0.0000 1.000 1.000 0 0.000
#> ERR659152 1 0.0000 1.000 1.000 0 0.000
#> ERR659057 1 0.0000 1.000 1.000 0 0.000
#> ERR659153 1 0.0000 1.000 1.000 0 0.000
#> ERR659058 1 0.0000 1.000 1.000 0 0.000
#> ERR659154 1 0.0000 1.000 1.000 0 0.000
#> ERR659059 1 0.0000 1.000 1.000 0 0.000
#> ERR659155 1 0.0000 1.000 1.000 0 0.000
#> ERR659060 1 0.0000 1.000 1.000 0 0.000
#> ERR659156 1 0.0000 1.000 1.000 0 0.000
#> ERR659061 1 0.0000 1.000 1.000 0 0.000
#> ERR659157 1 0.0000 1.000 1.000 0 0.000
#> ERR659062 1 0.0000 1.000 1.000 0 0.000
#> ERR659158 1 0.0000 1.000 1.000 0 0.000
#> ERR659063 1 0.0000 1.000 1.000 0 0.000
#> ERR659159 1 0.0000 1.000 1.000 0 0.000
#> ERR659064 1 0.0000 1.000 1.000 0 0.000
#> ERR659160 1 0.0000 1.000 1.000 0 0.000
#> ERR659065 2 0.0000 1.000 0.000 1 0.000
#> ERR659161 2 0.0000 1.000 0.000 1 0.000
#> ERR659066 1 0.0000 1.000 1.000 0 0.000
#> ERR659162 1 0.0000 1.000 1.000 0 0.000
#> ERR659067 1 0.0000 1.000 1.000 0 0.000
#> ERR659163 1 0.0000 1.000 1.000 0 0.000
#> ERR659068 2 0.0000 1.000 0.000 1 0.000
#> ERR659164 2 0.0000 1.000 0.000 1 0.000
#> ERR659069 1 0.0000 1.000 1.000 0 0.000
#> ERR659165 1 0.0000 1.000 1.000 0 0.000
#> ERR659070 1 0.0000 1.000 1.000 0 0.000
#> ERR659166 1 0.0000 1.000 1.000 0 0.000
#> ERR659071 1 0.0000 1.000 1.000 0 0.000
#> ERR659167 1 0.0000 1.000 1.000 0 0.000
#> ERR659072 1 0.0000 1.000 1.000 0 0.000
#> ERR659168 1 0.0000 1.000 1.000 0 0.000
#> ERR659073 1 0.0000 1.000 1.000 0 0.000
#> ERR659169 1 0.0000 1.000 1.000 0 0.000
#> ERR659074 2 0.0000 1.000 0.000 1 0.000
#> ERR659170 2 0.0000 1.000 0.000 1 0.000
#> ERR659075 3 0.0000 1.000 0.000 0 1.000
#> ERR659171 3 0.0000 1.000 0.000 0 1.000
#> ERR659076 2 0.0000 1.000 0.000 1 0.000
#> ERR659172 2 0.0000 1.000 0.000 1 0.000
#> ERR659077 1 0.0000 1.000 1.000 0 0.000
#> ERR659173 1 0.0000 1.000 1.000 0 0.000
#> ERR659078 1 0.0000 1.000 1.000 0 0.000
#> ERR659174 1 0.0000 1.000 1.000 0 0.000
#> ERR659079 1 0.0000 1.000 1.000 0 0.000
#> ERR659175 1 0.0000 1.000 1.000 0 0.000
#> ERR659080 1 0.0000 1.000 1.000 0 0.000
#> ERR659176 1 0.0000 1.000 1.000 0 0.000
#> ERR659081 1 0.0000 1.000 1.000 0 0.000
#> ERR659177 1 0.0000 1.000 1.000 0 0.000
#> ERR659082 1 0.0000 1.000 1.000 0 0.000
#> ERR659178 1 0.0000 1.000 1.000 0 0.000
#> ERR659083 2 0.0000 1.000 0.000 1 0.000
#> ERR659179 2 0.0000 1.000 0.000 1 0.000
#> ERR659084 2 0.0000 1.000 0.000 1 0.000
#> ERR659180 2 0.0000 1.000 0.000 1 0.000
#> ERR659085 1 0.0000 1.000 1.000 0 0.000
#> ERR659181 1 0.0000 1.000 1.000 0 0.000
#> ERR659086 1 0.0000 1.000 1.000 0 0.000
#> ERR659182 1 0.0000 1.000 1.000 0 0.000
#> ERR659087 1 0.0000 1.000 1.000 0 0.000
#> ERR659183 1 0.0000 1.000 1.000 0 0.000
#> ERR659088 1 0.0000 1.000 1.000 0 0.000
#> ERR659184 1 0.0000 1.000 1.000 0 0.000
#> ERR659089 1 0.0000 1.000 1.000 0 0.000
#> ERR659185 1 0.0000 1.000 1.000 0 0.000
#> ERR659090 1 0.0000 1.000 1.000 0 0.000
#> ERR659186 1 0.0000 1.000 1.000 0 0.000
#> ERR659091 1 0.0000 1.000 1.000 0 0.000
#> ERR659187 1 0.0000 1.000 1.000 0 0.000
#> ERR659092 1 0.0000 1.000 1.000 0 0.000
#> ERR659188 1 0.0000 1.000 1.000 0 0.000
#> ERR659093 1 0.0000 1.000 1.000 0 0.000
#> ERR659189 1 0.0000 1.000 1.000 0 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.4999 0.0968 0.508 0.000 0.492 NA
#> ERR467498 1 0.4999 0.0968 0.508 0.000 0.492 NA
#> ERR658998 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659094 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR658999 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659095 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659000 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659096 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659001 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659097 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659002 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659098 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659003 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659099 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659004 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659100 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659005 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659101 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659006 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659102 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659007 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659103 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659008 2 0.0921 0.9337 0.000 0.972 0.000 NA
#> ERR659104 2 0.0469 0.9328 0.000 0.988 0.000 NA
#> ERR659009 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659105 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659010 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659106 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659011 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659107 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659012 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659108 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659013 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659109 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659014 2 0.1022 0.9332 0.000 0.968 0.000 NA
#> ERR659110 2 0.2760 0.9087 0.000 0.872 0.000 NA
#> ERR659015 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659111 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659016 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659112 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659017 2 0.1389 0.9328 0.000 0.952 0.000 NA
#> ERR659113 2 0.1557 0.9301 0.000 0.944 0.000 NA
#> ERR659018 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659114 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659019 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659115 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659020 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659116 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659021 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659117 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659022 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659118 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659023 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659119 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659024 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659120 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659025 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659121 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659026 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659122 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659027 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659123 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659028 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659124 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659029 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659125 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659030 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659126 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659031 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659127 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659032 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659128 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659033 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659129 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659034 2 0.1302 0.9336 0.000 0.956 0.000 NA
#> ERR659130 2 0.1211 0.9333 0.000 0.960 0.000 NA
#> ERR659035 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659131 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659036 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659132 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659037 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659133 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659038 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659134 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659039 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659135 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659040 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659136 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659041 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659137 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659042 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659138 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659043 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659139 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659044 2 0.0592 0.9329 0.000 0.984 0.000 NA
#> ERR659140 2 0.1302 0.9327 0.000 0.956 0.000 NA
#> ERR659045 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659141 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659046 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659142 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659047 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659143 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659048 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659144 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659049 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659145 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659050 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659146 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659051 1 0.5000 0.0696 0.500 0.000 0.500 NA
#> ERR659147 1 0.5000 0.0696 0.500 0.000 0.500 NA
#> ERR659052 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659148 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659053 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659149 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659054 2 0.4406 0.7182 0.000 0.700 0.000 NA
#> ERR659150 2 0.3266 0.8790 0.000 0.832 0.000 NA
#> ERR659055 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659151 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659056 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659152 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659057 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659153 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659058 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659154 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659059 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659155 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659060 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659156 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659061 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659157 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659062 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659158 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659063 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659159 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659064 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659160 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659065 2 0.3486 0.8638 0.000 0.812 0.000 NA
#> ERR659161 2 0.3688 0.8471 0.000 0.792 0.000 NA
#> ERR659066 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659162 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659067 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659163 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659068 2 0.1867 0.9301 0.000 0.928 0.000 NA
#> ERR659164 2 0.0707 0.9340 0.000 0.980 0.000 NA
#> ERR659069 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659165 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659070 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659166 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659071 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659167 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659072 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659168 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659073 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659169 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659074 2 0.0469 0.9338 0.000 0.988 0.000 NA
#> ERR659170 2 0.0336 0.9333 0.000 0.992 0.000 NA
#> ERR659075 3 0.4996 1.0000 0.000 0.000 0.516 NA
#> ERR659171 3 0.4996 1.0000 0.000 0.000 0.516 NA
#> ERR659076 2 0.3975 0.7954 0.000 0.760 0.000 NA
#> ERR659172 2 0.2647 0.9054 0.000 0.880 0.000 NA
#> ERR659077 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659173 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659078 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659174 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659079 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659175 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659080 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659176 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659081 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659177 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659082 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659178 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659083 2 0.1302 0.9333 0.000 0.956 0.000 NA
#> ERR659179 2 0.1474 0.9350 0.000 0.948 0.000 NA
#> ERR659084 2 0.2647 0.9050 0.000 0.880 0.000 NA
#> ERR659180 2 0.2081 0.9234 0.000 0.916 0.000 NA
#> ERR659085 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659181 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659086 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659182 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659087 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659183 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659088 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659184 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659089 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659185 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659090 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659186 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659091 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659187 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659092 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659188 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659093 1 0.0000 0.9881 1.000 0.000 0.000 NA
#> ERR659189 1 0.0000 0.9881 1.000 0.000 0.000 NA
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 4 0.4621 0.988 0.412 0.000 0.004 0.576 0.008
#> ERR467498 4 0.4621 0.988 0.412 0.000 0.004 0.576 0.008
#> ERR658998 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659094 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR658999 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659095 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659000 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659096 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659001 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659097 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659002 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659098 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659003 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659099 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659004 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659100 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659005 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659101 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659006 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659102 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659007 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659008 2 0.1310 0.855 0.000 0.956 0.024 0.020 0.000
#> ERR659104 2 0.1117 0.855 0.000 0.964 0.016 0.020 0.000
#> ERR659009 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659105 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659010 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659106 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659011 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659107 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659012 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659108 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659013 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659109 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659014 2 0.1386 0.855 0.000 0.952 0.016 0.032 0.000
#> ERR659110 2 0.4402 0.732 0.000 0.740 0.204 0.056 0.000
#> ERR659015 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659111 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659016 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659112 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659017 2 0.1907 0.854 0.000 0.928 0.028 0.044 0.000
#> ERR659113 2 0.2843 0.832 0.000 0.876 0.076 0.048 0.000
#> ERR659018 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659114 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659019 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659115 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659020 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659116 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659021 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659117 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659022 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659118 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659023 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659119 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659024 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659120 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659025 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659121 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659026 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659122 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659027 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659123 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659028 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659124 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659029 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659125 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659030 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659126 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659031 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659127 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659032 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659128 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659033 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659129 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659034 2 0.1493 0.854 0.000 0.948 0.028 0.024 0.000
#> ERR659130 2 0.1741 0.855 0.000 0.936 0.024 0.040 0.000
#> ERR659035 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659131 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659036 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659132 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659037 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659133 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659038 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659134 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659039 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659135 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659040 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659136 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659041 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659137 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659042 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659138 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659043 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659139 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659044 2 0.1310 0.855 0.000 0.956 0.020 0.024 0.000
#> ERR659140 2 0.1918 0.851 0.000 0.928 0.036 0.036 0.000
#> ERR659045 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659141 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659046 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659142 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659047 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659143 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659048 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659144 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659049 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659145 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659050 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659146 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659051 4 0.4455 0.988 0.404 0.000 0.000 0.588 0.008
#> ERR659147 4 0.4455 0.988 0.404 0.000 0.000 0.588 0.008
#> ERR659052 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659148 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659053 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659149 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659054 3 0.2929 0.000 0.000 0.180 0.820 0.000 0.000
#> ERR659150 2 0.5867 0.466 0.000 0.604 0.180 0.216 0.000
#> ERR659055 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659151 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659056 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659152 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659057 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659153 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659058 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659154 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659059 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659155 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659060 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659156 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659061 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659157 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659062 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659158 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659063 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659159 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659064 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659160 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659065 2 0.5387 0.637 0.000 0.688 0.136 0.168 0.008
#> ERR659161 2 0.5749 0.599 0.000 0.648 0.176 0.168 0.008
#> ERR659066 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659162 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659067 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659163 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659068 2 0.2144 0.849 0.000 0.912 0.020 0.068 0.000
#> ERR659164 2 0.1012 0.856 0.000 0.968 0.012 0.020 0.000
#> ERR659069 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659165 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659070 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659166 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659071 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659167 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659072 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659168 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659073 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659169 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659074 2 0.0566 0.856 0.000 0.984 0.012 0.004 0.000
#> ERR659170 2 0.0671 0.855 0.000 0.980 0.016 0.004 0.000
#> ERR659075 5 0.0290 1.000 0.000 0.000 0.000 0.008 0.992
#> ERR659171 5 0.0290 1.000 0.000 0.000 0.000 0.008 0.992
#> ERR659076 2 0.5958 0.250 0.000 0.568 0.288 0.144 0.000
#> ERR659172 2 0.4343 0.746 0.000 0.768 0.136 0.096 0.000
#> ERR659077 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659173 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659078 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659174 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659079 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659175 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659080 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659176 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659081 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659177 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659082 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659178 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659083 2 0.2153 0.852 0.000 0.916 0.044 0.040 0.000
#> ERR659179 2 0.1907 0.857 0.000 0.928 0.028 0.044 0.000
#> ERR659084 2 0.3877 0.721 0.000 0.764 0.212 0.024 0.000
#> ERR659180 2 0.3464 0.810 0.000 0.836 0.068 0.096 0.000
#> ERR659085 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659181 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659086 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659182 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659087 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659183 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659088 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659184 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659089 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659185 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659090 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659186 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659091 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659187 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659092 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659188 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659093 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000
#> ERR659189 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
#> ERR467487 4 0.3515 0.959 0.324 0.000 0.000 0.676 0.000 0.000
#> ERR467498 4 0.3515 0.959 0.324 0.000 0.000 0.676 0.000 0.000
#> ERR658998 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659094 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR658999 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659095 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659000 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659096 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659001 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659097 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659002 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659098 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659003 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659099 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659004 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659100 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659005 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659101 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659006 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659102 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659007 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659008 2 0.1269 0.736 0.000 0.956 0.020 0.012 0.000 0.012
#> ERR659104 2 0.0922 0.735 0.000 0.968 0.024 0.004 0.000 0.004
#> ERR659009 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659105 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659010 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659106 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659011 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659107 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659012 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659108 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659013 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659109 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659014 2 0.1755 0.727 0.000 0.932 0.032 0.028 0.000 0.008
#> ERR659110 2 0.5167 0.357 0.000 0.668 0.140 0.020 0.000 0.172
#> ERR659015 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659111 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659016 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659112 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659017 2 0.2085 0.723 0.000 0.912 0.056 0.024 0.000 0.008
#> ERR659113 2 0.3263 0.645 0.000 0.836 0.112 0.024 0.000 0.028
#> ERR659018 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659114 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659019 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659115 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659020 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659116 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659021 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659117 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659022 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659118 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659023 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659119 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659024 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659120 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659025 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659121 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659026 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659122 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659027 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659123 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659028 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659124 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659029 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659125 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659030 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659126 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659031 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659127 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659032 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659128 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659033 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659129 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659034 2 0.1680 0.735 0.000 0.940 0.024 0.012 0.004 0.020
#> ERR659130 2 0.1887 0.727 0.000 0.924 0.048 0.016 0.000 0.012
#> ERR659035 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659131 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659036 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659132 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659037 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659133 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659038 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659134 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659039 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659135 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659040 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659136 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659041 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659137 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659042 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659138 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659043 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659139 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659044 2 0.1116 0.734 0.000 0.960 0.028 0.004 0.000 0.008
#> ERR659140 2 0.1917 0.730 0.000 0.928 0.036 0.016 0.004 0.016
#> ERR659045 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659141 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659046 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659142 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659047 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659143 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659048 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659144 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659049 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659145 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659050 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659146 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659051 4 0.5421 0.958 0.316 0.000 0.124 0.556 0.000 0.004
#> ERR659147 4 0.5421 0.958 0.316 0.000 0.124 0.556 0.000 0.004
#> ERR659052 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659148 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659053 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659149 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659054 6 0.1267 0.000 0.000 0.060 0.000 0.000 0.000 0.940
#> ERR659150 3 0.5619 0.000 0.000 0.392 0.508 0.036 0.000 0.064
#> ERR659055 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659151 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659056 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659152 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659057 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659153 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659058 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659154 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659059 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659155 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659060 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659156 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659061 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659157 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659062 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659158 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659063 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659159 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659064 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659160 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659065 2 0.5887 -0.405 0.000 0.504 0.372 0.092 0.004 0.028
#> ERR659161 2 0.5577 -0.397 0.000 0.484 0.416 0.012 0.004 0.084
#> ERR659066 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659162 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659067 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659163 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659068 2 0.2736 0.700 0.000 0.880 0.052 0.048 0.000 0.020
#> ERR659164 2 0.1269 0.732 0.000 0.956 0.020 0.012 0.000 0.012
#> ERR659069 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659165 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659070 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659166 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659071 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659167 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659072 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659168 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659073 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659169 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659074 2 0.0820 0.736 0.000 0.972 0.012 0.000 0.000 0.016
#> ERR659170 2 0.0767 0.735 0.000 0.976 0.008 0.004 0.000 0.012
#> ERR659075 5 0.0458 1.000 0.000 0.000 0.000 0.016 0.984 0.000
#> ERR659171 5 0.0458 1.000 0.000 0.000 0.000 0.016 0.984 0.000
#> ERR659076 2 0.7315 -0.277 0.000 0.444 0.208 0.224 0.008 0.116
#> ERR659172 2 0.4929 0.234 0.000 0.644 0.280 0.024 0.000 0.052
#> ERR659077 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659173 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659078 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659174 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659079 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659175 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659080 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659176 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659081 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659177 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659082 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659178 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659083 2 0.2637 0.719 0.000 0.892 0.040 0.036 0.004 0.028
#> ERR659179 2 0.2183 0.731 0.000 0.912 0.040 0.028 0.000 0.020
#> ERR659084 2 0.4869 0.385 0.000 0.688 0.044 0.028 0.008 0.232
#> ERR659180 2 0.4200 0.586 0.000 0.772 0.112 0.100 0.008 0.008
#> ERR659085 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659181 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659086 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659182 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659087 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659183 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659088 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659184 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659089 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659185 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659090 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659186 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659091 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659187 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659092 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659188 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659093 1 0.0000 1.000 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659189 1 0.0000 1.000 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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 1.000 0.993 0.997 0.2295 0.767 0.767
#> 3 3 0.939 0.956 0.973 0.4682 0.912 0.885
#> 4 4 0.405 0.858 0.854 0.3895 1.000 1.000
#> 5 5 0.356 0.425 0.781 0.1642 0.983 0.976
#> 6 6 0.349 0.490 0.744 0.0577 1.000 1.000
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
#> 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
#> ERR467487 1 0.000 1.000 1.000 0.000
#> ERR467498 1 0.000 1.000 1.000 0.000
#> ERR658998 1 0.000 1.000 1.000 0.000
#> ERR659094 1 0.000 1.000 1.000 0.000
#> ERR658999 1 0.000 1.000 1.000 0.000
#> ERR659095 1 0.000 1.000 1.000 0.000
#> ERR659000 1 0.000 1.000 1.000 0.000
#> ERR659096 1 0.000 1.000 1.000 0.000
#> ERR659001 1 0.000 1.000 1.000 0.000
#> ERR659097 1 0.000 1.000 1.000 0.000
#> ERR659002 1 0.000 1.000 1.000 0.000
#> ERR659098 1 0.000 1.000 1.000 0.000
#> ERR659003 1 0.000 1.000 1.000 0.000
#> ERR659099 1 0.000 1.000 1.000 0.000
#> ERR659004 1 0.000 1.000 1.000 0.000
#> ERR659100 1 0.000 1.000 1.000 0.000
#> ERR659005 1 0.000 1.000 1.000 0.000
#> ERR659101 1 0.000 1.000 1.000 0.000
#> ERR659006 1 0.000 1.000 1.000 0.000
#> ERR659102 1 0.000 1.000 1.000 0.000
#> ERR659007 1 0.000 1.000 1.000 0.000
#> ERR659103 1 0.000 1.000 1.000 0.000
#> ERR659008 2 0.000 0.976 0.000 1.000
#> ERR659104 2 0.000 0.976 0.000 1.000
#> ERR659009 1 0.000 1.000 1.000 0.000
#> ERR659105 1 0.000 1.000 1.000 0.000
#> ERR659010 1 0.000 1.000 1.000 0.000
#> ERR659106 1 0.000 1.000 1.000 0.000
#> ERR659011 1 0.000 1.000 1.000 0.000
#> ERR659107 1 0.000 1.000 1.000 0.000
#> ERR659012 1 0.000 1.000 1.000 0.000
#> ERR659108 1 0.000 1.000 1.000 0.000
#> ERR659013 1 0.000 1.000 1.000 0.000
#> ERR659109 1 0.000 1.000 1.000 0.000
#> ERR659014 2 0.000 0.976 0.000 1.000
#> ERR659110 2 0.000 0.976 0.000 1.000
#> ERR659015 1 0.000 1.000 1.000 0.000
#> ERR659111 1 0.000 1.000 1.000 0.000
#> ERR659016 1 0.000 1.000 1.000 0.000
#> ERR659112 1 0.000 1.000 1.000 0.000
#> ERR659017 2 0.000 0.976 0.000 1.000
#> ERR659113 2 0.000 0.976 0.000 1.000
#> ERR659018 1 0.000 1.000 1.000 0.000
#> ERR659114 1 0.000 1.000 1.000 0.000
#> ERR659019 1 0.000 1.000 1.000 0.000
#> ERR659115 1 0.000 1.000 1.000 0.000
#> ERR659020 1 0.000 1.000 1.000 0.000
#> ERR659116 1 0.000 1.000 1.000 0.000
#> ERR659021 1 0.000 1.000 1.000 0.000
#> ERR659117 1 0.000 1.000 1.000 0.000
#> ERR659022 1 0.000 1.000 1.000 0.000
#> ERR659118 1 0.000 1.000 1.000 0.000
#> ERR659023 1 0.000 1.000 1.000 0.000
#> ERR659119 1 0.000 1.000 1.000 0.000
#> ERR659024 1 0.000 1.000 1.000 0.000
#> ERR659120 1 0.000 1.000 1.000 0.000
#> ERR659025 1 0.000 1.000 1.000 0.000
#> ERR659121 1 0.000 1.000 1.000 0.000
#> ERR659026 1 0.000 1.000 1.000 0.000
#> ERR659122 1 0.000 1.000 1.000 0.000
#> ERR659027 1 0.000 1.000 1.000 0.000
#> ERR659123 1 0.000 1.000 1.000 0.000
#> ERR659028 1 0.000 1.000 1.000 0.000
#> ERR659124 1 0.000 1.000 1.000 0.000
#> ERR659029 1 0.000 1.000 1.000 0.000
#> ERR659125 1 0.000 1.000 1.000 0.000
#> ERR659030 1 0.000 1.000 1.000 0.000
#> ERR659126 1 0.000 1.000 1.000 0.000
#> ERR659031 1 0.000 1.000 1.000 0.000
#> ERR659127 1 0.000 1.000 1.000 0.000
#> ERR659032 1 0.000 1.000 1.000 0.000
#> ERR659128 1 0.000 1.000 1.000 0.000
#> ERR659033 1 0.000 1.000 1.000 0.000
#> ERR659129 1 0.000 1.000 1.000 0.000
#> ERR659034 2 0.000 0.976 0.000 1.000
#> ERR659130 2 0.000 0.976 0.000 1.000
#> ERR659035 1 0.000 1.000 1.000 0.000
#> ERR659131 1 0.000 1.000 1.000 0.000
#> ERR659036 1 0.000 1.000 1.000 0.000
#> ERR659132 1 0.000 1.000 1.000 0.000
#> ERR659037 1 0.000 1.000 1.000 0.000
#> ERR659133 1 0.000 1.000 1.000 0.000
#> ERR659038 1 0.000 1.000 1.000 0.000
#> ERR659134 1 0.000 1.000 1.000 0.000
#> ERR659039 1 0.000 1.000 1.000 0.000
#> ERR659135 1 0.000 1.000 1.000 0.000
#> ERR659040 1 0.000 1.000 1.000 0.000
#> ERR659136 1 0.000 1.000 1.000 0.000
#> ERR659041 1 0.000 1.000 1.000 0.000
#> ERR659137 1 0.000 1.000 1.000 0.000
#> ERR659042 1 0.000 1.000 1.000 0.000
#> ERR659138 1 0.000 1.000 1.000 0.000
#> ERR659043 1 0.000 1.000 1.000 0.000
#> ERR659139 1 0.000 1.000 1.000 0.000
#> ERR659044 2 0.000 0.976 0.000 1.000
#> ERR659140 2 0.000 0.976 0.000 1.000
#> ERR659045 1 0.000 1.000 1.000 0.000
#> ERR659141 1 0.000 1.000 1.000 0.000
#> ERR659046 1 0.000 1.000 1.000 0.000
#> ERR659142 1 0.000 1.000 1.000 0.000
#> ERR659047 1 0.000 1.000 1.000 0.000
#> ERR659143 1 0.000 1.000 1.000 0.000
#> ERR659048 1 0.000 1.000 1.000 0.000
#> ERR659144 1 0.000 1.000 1.000 0.000
#> ERR659049 1 0.000 1.000 1.000 0.000
#> ERR659145 1 0.000 1.000 1.000 0.000
#> ERR659050 1 0.000 1.000 1.000 0.000
#> ERR659146 1 0.000 1.000 1.000 0.000
#> ERR659051 1 0.000 1.000 1.000 0.000
#> ERR659147 1 0.000 1.000 1.000 0.000
#> ERR659052 1 0.000 1.000 1.000 0.000
#> ERR659148 1 0.000 1.000 1.000 0.000
#> ERR659053 1 0.000 1.000 1.000 0.000
#> ERR659149 1 0.000 1.000 1.000 0.000
#> ERR659054 2 0.000 0.976 0.000 1.000
#> ERR659150 2 0.000 0.976 0.000 1.000
#> ERR659055 1 0.000 1.000 1.000 0.000
#> ERR659151 1 0.000 1.000 1.000 0.000
#> ERR659056 1 0.000 1.000 1.000 0.000
#> ERR659152 1 0.000 1.000 1.000 0.000
#> ERR659057 1 0.000 1.000 1.000 0.000
#> ERR659153 1 0.000 1.000 1.000 0.000
#> ERR659058 1 0.000 1.000 1.000 0.000
#> ERR659154 1 0.000 1.000 1.000 0.000
#> ERR659059 1 0.000 1.000 1.000 0.000
#> ERR659155 1 0.000 1.000 1.000 0.000
#> ERR659060 1 0.000 1.000 1.000 0.000
#> ERR659156 1 0.000 1.000 1.000 0.000
#> ERR659061 1 0.000 1.000 1.000 0.000
#> ERR659157 1 0.000 1.000 1.000 0.000
#> ERR659062 1 0.000 1.000 1.000 0.000
#> ERR659158 1 0.000 1.000 1.000 0.000
#> ERR659063 1 0.000 1.000 1.000 0.000
#> ERR659159 1 0.000 1.000 1.000 0.000
#> ERR659064 1 0.000 1.000 1.000 0.000
#> ERR659160 1 0.000 1.000 1.000 0.000
#> ERR659065 2 0.000 0.976 0.000 1.000
#> ERR659161 2 0.000 0.976 0.000 1.000
#> ERR659066 1 0.000 1.000 1.000 0.000
#> ERR659162 1 0.000 1.000 1.000 0.000
#> ERR659067 1 0.000 1.000 1.000 0.000
#> ERR659163 1 0.000 1.000 1.000 0.000
#> ERR659068 2 0.000 0.976 0.000 1.000
#> ERR659164 2 0.000 0.976 0.000 1.000
#> ERR659069 1 0.000 1.000 1.000 0.000
#> ERR659165 1 0.000 1.000 1.000 0.000
#> ERR659070 1 0.000 1.000 1.000 0.000
#> ERR659166 1 0.000 1.000 1.000 0.000
#> ERR659071 1 0.000 1.000 1.000 0.000
#> ERR659167 1 0.000 1.000 1.000 0.000
#> ERR659072 1 0.000 1.000 1.000 0.000
#> ERR659168 1 0.000 1.000 1.000 0.000
#> ERR659073 1 0.000 1.000 1.000 0.000
#> ERR659169 1 0.000 1.000 1.000 0.000
#> ERR659074 2 0.000 0.976 0.000 1.000
#> ERR659170 2 0.000 0.976 0.000 1.000
#> ERR659075 2 0.876 0.596 0.296 0.704
#> ERR659171 2 0.876 0.596 0.296 0.704
#> ERR659076 2 0.000 0.976 0.000 1.000
#> ERR659172 2 0.000 0.976 0.000 1.000
#> ERR659077 1 0.000 1.000 1.000 0.000
#> ERR659173 1 0.000 1.000 1.000 0.000
#> ERR659078 1 0.000 1.000 1.000 0.000
#> ERR659174 1 0.000 1.000 1.000 0.000
#> ERR659079 1 0.000 1.000 1.000 0.000
#> ERR659175 1 0.000 1.000 1.000 0.000
#> ERR659080 1 0.000 1.000 1.000 0.000
#> ERR659176 1 0.000 1.000 1.000 0.000
#> ERR659081 1 0.000 1.000 1.000 0.000
#> ERR659177 1 0.000 1.000 1.000 0.000
#> ERR659082 1 0.000 1.000 1.000 0.000
#> ERR659178 1 0.000 1.000 1.000 0.000
#> ERR659083 2 0.000 0.976 0.000 1.000
#> ERR659179 2 0.000 0.976 0.000 1.000
#> ERR659084 2 0.000 0.976 0.000 1.000
#> ERR659180 2 0.000 0.976 0.000 1.000
#> ERR659085 1 0.000 1.000 1.000 0.000
#> ERR659181 1 0.000 1.000 1.000 0.000
#> ERR659086 1 0.000 1.000 1.000 0.000
#> ERR659182 1 0.000 1.000 1.000 0.000
#> ERR659087 1 0.000 1.000 1.000 0.000
#> ERR659183 1 0.000 1.000 1.000 0.000
#> ERR659088 1 0.000 1.000 1.000 0.000
#> ERR659184 1 0.000 1.000 1.000 0.000
#> ERR659089 1 0.000 1.000 1.000 0.000
#> ERR659185 1 0.000 1.000 1.000 0.000
#> ERR659090 1 0.000 1.000 1.000 0.000
#> ERR659186 1 0.000 1.000 1.000 0.000
#> ERR659091 1 0.000 1.000 1.000 0.000
#> ERR659187 1 0.000 1.000 1.000 0.000
#> ERR659092 1 0.000 1.000 1.000 0.000
#> ERR659188 1 0.000 1.000 1.000 0.000
#> ERR659093 1 0.000 1.000 1.000 0.000
#> ERR659189 1 0.000 1.000 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 3 0.3038 0.949 0.104 0.00 0.896
#> ERR467498 3 0.3038 0.949 0.104 0.00 0.896
#> ERR658998 1 0.0592 0.972 0.988 0.00 0.012
#> ERR659094 1 0.0592 0.972 0.988 0.00 0.012
#> ERR658999 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659095 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659000 1 0.4555 0.731 0.800 0.00 0.200
#> ERR659096 1 0.4555 0.731 0.800 0.00 0.200
#> ERR659001 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659097 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659002 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659098 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659003 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659099 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659004 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659100 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659005 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659101 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659006 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659102 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659007 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659103 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659008 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659009 1 0.1643 0.956 0.956 0.00 0.044
#> ERR659105 1 0.1643 0.956 0.956 0.00 0.044
#> ERR659010 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659106 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659011 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659107 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659012 1 0.1529 0.958 0.960 0.00 0.040
#> ERR659108 1 0.1529 0.958 0.960 0.00 0.040
#> ERR659013 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659109 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659014 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659015 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659111 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659016 1 0.4931 0.677 0.768 0.00 0.232
#> ERR659112 1 0.4931 0.677 0.768 0.00 0.232
#> ERR659017 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659018 1 0.0747 0.970 0.984 0.00 0.016
#> ERR659114 1 0.0747 0.970 0.984 0.00 0.016
#> ERR659019 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659115 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659020 1 0.0892 0.968 0.980 0.00 0.020
#> ERR659116 1 0.0892 0.968 0.980 0.00 0.020
#> ERR659021 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659117 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659022 1 0.0237 0.972 0.996 0.00 0.004
#> ERR659118 1 0.0237 0.972 0.996 0.00 0.004
#> ERR659023 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659119 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659024 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659120 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659025 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659121 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659026 1 0.0892 0.969 0.980 0.00 0.020
#> ERR659122 1 0.0892 0.969 0.980 0.00 0.020
#> ERR659027 1 0.5968 0.362 0.636 0.00 0.364
#> ERR659123 1 0.5968 0.362 0.636 0.00 0.364
#> ERR659028 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659124 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659029 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659125 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659030 1 0.0592 0.971 0.988 0.00 0.012
#> ERR659126 1 0.0592 0.971 0.988 0.00 0.012
#> ERR659031 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659127 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659032 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659128 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659033 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659129 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659034 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659035 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659131 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659036 1 0.0424 0.973 0.992 0.00 0.008
#> ERR659132 1 0.0424 0.973 0.992 0.00 0.008
#> ERR659037 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659133 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659038 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659134 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659039 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659135 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659040 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659136 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659041 1 0.4121 0.783 0.832 0.00 0.168
#> ERR659137 1 0.4121 0.783 0.832 0.00 0.168
#> ERR659042 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659138 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659043 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659139 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659044 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659045 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659141 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659046 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659142 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659047 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659143 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659048 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659144 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659049 1 0.0592 0.972 0.988 0.00 0.012
#> ERR659145 1 0.0592 0.972 0.988 0.00 0.012
#> ERR659050 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659146 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659051 3 0.3038 0.949 0.104 0.00 0.896
#> ERR659147 3 0.3038 0.949 0.104 0.00 0.896
#> ERR659052 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659148 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659053 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659149 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659054 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659055 1 0.1163 0.965 0.972 0.00 0.028
#> ERR659151 1 0.1163 0.965 0.972 0.00 0.028
#> ERR659056 3 0.3038 0.949 0.104 0.00 0.896
#> ERR659152 3 0.3038 0.949 0.104 0.00 0.896
#> ERR659057 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659153 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659058 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659154 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659059 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659155 1 0.0000 0.973 1.000 0.00 0.000
#> ERR659060 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659156 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659061 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659157 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659062 1 0.0747 0.971 0.984 0.00 0.016
#> ERR659158 1 0.0747 0.971 0.984 0.00 0.016
#> ERR659063 1 0.0424 0.973 0.992 0.00 0.008
#> ERR659159 1 0.0424 0.973 0.992 0.00 0.008
#> ERR659064 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659160 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659065 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659066 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659162 1 0.1289 0.963 0.968 0.00 0.032
#> ERR659067 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659163 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659068 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659069 1 0.1529 0.959 0.960 0.00 0.040
#> ERR659165 1 0.1529 0.959 0.960 0.00 0.040
#> ERR659070 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659166 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659071 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659167 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659072 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659168 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659073 1 0.1163 0.965 0.972 0.00 0.028
#> ERR659169 1 0.1163 0.965 0.972 0.00 0.028
#> ERR659074 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659075 3 0.2116 0.799 0.012 0.04 0.948
#> ERR659171 3 0.2116 0.799 0.012 0.04 0.948
#> ERR659076 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659077 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659173 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659078 1 0.0424 0.973 0.992 0.00 0.008
#> ERR659174 1 0.0424 0.973 0.992 0.00 0.008
#> ERR659079 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659175 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659080 3 0.3192 0.943 0.112 0.00 0.888
#> ERR659176 3 0.3192 0.943 0.112 0.00 0.888
#> ERR659081 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659177 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659082 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659178 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659083 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.00 0.000
#> ERR659085 1 0.0747 0.969 0.984 0.00 0.016
#> ERR659181 1 0.0747 0.969 0.984 0.00 0.016
#> ERR659086 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659182 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659087 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659183 1 0.1411 0.961 0.964 0.00 0.036
#> ERR659088 3 0.3686 0.902 0.140 0.00 0.860
#> ERR659184 3 0.3686 0.902 0.140 0.00 0.860
#> ERR659089 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659185 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659090 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659186 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659091 1 0.0592 0.971 0.988 0.00 0.012
#> ERR659187 1 0.0592 0.971 0.988 0.00 0.012
#> ERR659092 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659188 1 0.0424 0.972 0.992 0.00 0.008
#> ERR659093 1 0.0237 0.973 0.996 0.00 0.004
#> ERR659189 1 0.0237 0.973 0.996 0.00 0.004
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.2142 0.905 0.016 0.000 0.928 NA
#> ERR467498 3 0.2142 0.905 0.016 0.000 0.928 NA
#> ERR658998 1 0.2973 0.870 0.856 0.000 0.000 NA
#> ERR659094 1 0.2973 0.870 0.856 0.000 0.000 NA
#> ERR658999 1 0.3791 0.813 0.796 0.000 0.004 NA
#> ERR659095 1 0.3791 0.813 0.796 0.000 0.004 NA
#> ERR659000 1 0.6911 0.531 0.560 0.000 0.136 NA
#> ERR659096 1 0.6911 0.531 0.560 0.000 0.136 NA
#> ERR659001 1 0.2973 0.853 0.856 0.000 0.000 NA
#> ERR659097 1 0.2973 0.853 0.856 0.000 0.000 NA
#> ERR659002 1 0.2593 0.881 0.892 0.000 0.004 NA
#> ERR659098 1 0.2593 0.881 0.892 0.000 0.004 NA
#> ERR659003 1 0.2530 0.880 0.888 0.000 0.000 NA
#> ERR659099 1 0.2530 0.880 0.888 0.000 0.000 NA
#> ERR659004 1 0.5306 0.704 0.632 0.000 0.020 NA
#> ERR659100 1 0.5306 0.704 0.632 0.000 0.020 NA
#> ERR659005 1 0.2408 0.876 0.896 0.000 0.000 NA
#> ERR659101 1 0.2408 0.876 0.896 0.000 0.000 NA
#> ERR659006 1 0.4072 0.797 0.748 0.000 0.000 NA
#> ERR659102 1 0.4072 0.797 0.748 0.000 0.000 NA
#> ERR659007 1 0.1302 0.876 0.956 0.000 0.000 NA
#> ERR659103 1 0.1302 0.876 0.956 0.000 0.000 NA
#> ERR659008 2 0.0188 0.986 0.000 0.996 0.000 NA
#> ERR659104 2 0.0188 0.986 0.000 0.996 0.000 NA
#> ERR659009 1 0.4500 0.762 0.684 0.000 0.000 NA
#> ERR659105 1 0.4500 0.762 0.684 0.000 0.000 NA
#> ERR659010 1 0.3837 0.809 0.776 0.000 0.000 NA
#> ERR659106 1 0.3837 0.809 0.776 0.000 0.000 NA
#> ERR659011 1 0.4018 0.806 0.772 0.000 0.004 NA
#> ERR659107 1 0.4018 0.806 0.772 0.000 0.004 NA
#> ERR659012 1 0.4372 0.787 0.728 0.000 0.004 NA
#> ERR659108 1 0.4372 0.787 0.728 0.000 0.004 NA
#> ERR659013 1 0.4319 0.821 0.760 0.000 0.012 NA
#> ERR659109 1 0.4319 0.821 0.760 0.000 0.012 NA
#> ERR659014 2 0.0188 0.986 0.000 0.996 0.000 NA
#> ERR659110 2 0.1211 0.978 0.000 0.960 0.000 NA
#> ERR659015 1 0.1557 0.879 0.944 0.000 0.000 NA
#> ERR659111 1 0.1557 0.879 0.944 0.000 0.000 NA
#> ERR659016 1 0.6790 0.575 0.604 0.000 0.168 NA
#> ERR659112 1 0.6790 0.575 0.604 0.000 0.168 NA
#> ERR659017 2 0.0000 0.986 0.000 1.000 0.000 NA
#> ERR659113 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659018 1 0.2334 0.876 0.908 0.000 0.004 NA
#> ERR659114 1 0.2334 0.876 0.908 0.000 0.004 NA
#> ERR659019 1 0.3870 0.815 0.788 0.000 0.004 NA
#> ERR659115 1 0.3870 0.815 0.788 0.000 0.004 NA
#> ERR659020 1 0.1902 0.872 0.932 0.000 0.004 NA
#> ERR659116 1 0.1902 0.872 0.932 0.000 0.004 NA
#> ERR659021 1 0.1940 0.878 0.924 0.000 0.000 NA
#> ERR659117 1 0.1940 0.878 0.924 0.000 0.000 NA
#> ERR659022 1 0.2053 0.880 0.924 0.000 0.004 NA
#> ERR659118 1 0.2053 0.880 0.924 0.000 0.004 NA
#> ERR659023 1 0.2011 0.880 0.920 0.000 0.000 NA
#> ERR659119 1 0.2011 0.880 0.920 0.000 0.000 NA
#> ERR659024 1 0.2345 0.882 0.900 0.000 0.000 NA
#> ERR659120 1 0.2345 0.882 0.900 0.000 0.000 NA
#> ERR659025 1 0.3448 0.846 0.828 0.000 0.004 NA
#> ERR659121 1 0.3448 0.846 0.828 0.000 0.004 NA
#> ERR659026 1 0.3356 0.868 0.824 0.000 0.000 NA
#> ERR659122 1 0.3356 0.868 0.824 0.000 0.000 NA
#> ERR659027 1 0.7059 0.468 0.568 0.000 0.248 NA
#> ERR659123 1 0.7059 0.468 0.568 0.000 0.248 NA
#> ERR659028 1 0.2647 0.872 0.880 0.000 0.000 NA
#> ERR659124 1 0.2647 0.872 0.880 0.000 0.000 NA
#> ERR659029 1 0.3074 0.869 0.848 0.000 0.000 NA
#> ERR659125 1 0.3074 0.869 0.848 0.000 0.000 NA
#> ERR659030 1 0.2011 0.880 0.920 0.000 0.000 NA
#> ERR659126 1 0.2011 0.880 0.920 0.000 0.000 NA
#> ERR659031 1 0.3306 0.875 0.840 0.000 0.004 NA
#> ERR659127 1 0.3306 0.875 0.840 0.000 0.004 NA
#> ERR659032 1 0.2647 0.876 0.880 0.000 0.000 NA
#> ERR659128 1 0.2647 0.876 0.880 0.000 0.000 NA
#> ERR659033 1 0.2011 0.880 0.920 0.000 0.000 NA
#> ERR659129 1 0.2011 0.880 0.920 0.000 0.000 NA
#> ERR659034 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659130 2 0.0188 0.986 0.000 0.996 0.000 NA
#> ERR659035 1 0.3105 0.874 0.856 0.000 0.004 NA
#> ERR659131 1 0.3105 0.874 0.856 0.000 0.004 NA
#> ERR659036 1 0.4253 0.828 0.776 0.000 0.016 NA
#> ERR659132 1 0.4253 0.828 0.776 0.000 0.016 NA
#> ERR659037 1 0.2647 0.879 0.880 0.000 0.000 NA
#> ERR659133 1 0.2647 0.879 0.880 0.000 0.000 NA
#> ERR659038 1 0.4155 0.803 0.756 0.000 0.004 NA
#> ERR659134 1 0.4155 0.803 0.756 0.000 0.004 NA
#> ERR659039 1 0.3908 0.812 0.784 0.000 0.004 NA
#> ERR659135 1 0.3908 0.812 0.784 0.000 0.004 NA
#> ERR659040 1 0.3208 0.866 0.848 0.000 0.004 NA
#> ERR659136 1 0.3208 0.866 0.848 0.000 0.004 NA
#> ERR659041 1 0.6835 0.583 0.576 0.000 0.136 NA
#> ERR659137 1 0.6835 0.583 0.576 0.000 0.136 NA
#> ERR659042 1 0.4562 0.814 0.764 0.000 0.028 NA
#> ERR659138 1 0.4562 0.814 0.764 0.000 0.028 NA
#> ERR659043 1 0.3908 0.832 0.784 0.000 0.004 NA
#> ERR659139 1 0.3908 0.832 0.784 0.000 0.004 NA
#> ERR659044 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659140 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659045 1 0.3710 0.829 0.804 0.000 0.004 NA
#> ERR659141 1 0.3710 0.829 0.804 0.000 0.004 NA
#> ERR659046 1 0.1792 0.880 0.932 0.000 0.000 NA
#> ERR659142 1 0.1792 0.880 0.932 0.000 0.000 NA
#> ERR659047 1 0.2011 0.882 0.920 0.000 0.000 NA
#> ERR659143 1 0.2011 0.882 0.920 0.000 0.000 NA
#> ERR659048 1 0.2704 0.871 0.876 0.000 0.000 NA
#> ERR659144 1 0.2704 0.871 0.876 0.000 0.000 NA
#> ERR659049 1 0.4122 0.836 0.760 0.000 0.004 NA
#> ERR659145 1 0.4122 0.836 0.760 0.000 0.004 NA
#> ERR659050 1 0.2647 0.873 0.880 0.000 0.000 NA
#> ERR659146 1 0.2647 0.873 0.880 0.000 0.000 NA
#> ERR659051 3 0.3160 0.906 0.020 0.000 0.872 NA
#> ERR659147 3 0.3160 0.906 0.020 0.000 0.872 NA
#> ERR659052 1 0.3873 0.823 0.772 0.000 0.000 NA
#> ERR659148 1 0.3873 0.823 0.772 0.000 0.000 NA
#> ERR659053 1 0.2081 0.876 0.916 0.000 0.000 NA
#> ERR659149 1 0.2081 0.876 0.916 0.000 0.000 NA
#> ERR659054 2 0.1474 0.970 0.000 0.948 0.000 NA
#> ERR659150 2 0.1389 0.970 0.000 0.952 0.000 NA
#> ERR659055 1 0.2888 0.857 0.872 0.000 0.004 NA
#> ERR659151 1 0.2888 0.857 0.872 0.000 0.004 NA
#> ERR659056 3 0.1833 0.909 0.024 0.000 0.944 NA
#> ERR659152 3 0.1833 0.909 0.024 0.000 0.944 NA
#> ERR659057 1 0.1792 0.881 0.932 0.000 0.000 NA
#> ERR659153 1 0.1792 0.881 0.932 0.000 0.000 NA
#> ERR659058 1 0.3870 0.821 0.788 0.000 0.004 NA
#> ERR659154 1 0.3870 0.821 0.788 0.000 0.004 NA
#> ERR659059 1 0.1716 0.878 0.936 0.000 0.000 NA
#> ERR659155 1 0.1716 0.878 0.936 0.000 0.000 NA
#> ERR659060 1 0.3257 0.858 0.844 0.000 0.004 NA
#> ERR659156 1 0.3257 0.858 0.844 0.000 0.004 NA
#> ERR659061 1 0.3105 0.872 0.856 0.000 0.004 NA
#> ERR659157 1 0.3105 0.872 0.856 0.000 0.004 NA
#> ERR659062 1 0.2814 0.879 0.868 0.000 0.000 NA
#> ERR659158 1 0.2814 0.879 0.868 0.000 0.000 NA
#> ERR659063 1 0.2530 0.881 0.896 0.000 0.004 NA
#> ERR659159 1 0.2530 0.881 0.896 0.000 0.004 NA
#> ERR659064 1 0.1940 0.879 0.924 0.000 0.000 NA
#> ERR659160 1 0.1940 0.879 0.924 0.000 0.000 NA
#> ERR659065 2 0.1474 0.969 0.000 0.948 0.000 NA
#> ERR659161 2 0.1474 0.970 0.000 0.948 0.000 NA
#> ERR659066 1 0.3873 0.816 0.772 0.000 0.000 NA
#> ERR659162 1 0.3873 0.816 0.772 0.000 0.000 NA
#> ERR659067 1 0.3751 0.818 0.800 0.000 0.004 NA
#> ERR659163 1 0.3751 0.818 0.800 0.000 0.004 NA
#> ERR659068 2 0.0188 0.986 0.000 0.996 0.000 NA
#> ERR659164 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659069 1 0.3908 0.815 0.784 0.000 0.004 NA
#> ERR659165 1 0.3908 0.815 0.784 0.000 0.004 NA
#> ERR659070 1 0.2999 0.863 0.864 0.000 0.004 NA
#> ERR659166 1 0.2999 0.863 0.864 0.000 0.004 NA
#> ERR659071 1 0.2530 0.874 0.888 0.000 0.000 NA
#> ERR659167 1 0.2530 0.874 0.888 0.000 0.000 NA
#> ERR659072 1 0.3945 0.812 0.780 0.000 0.004 NA
#> ERR659168 1 0.3945 0.812 0.780 0.000 0.004 NA
#> ERR659073 1 0.3873 0.843 0.772 0.000 0.000 NA
#> ERR659169 1 0.3873 0.843 0.772 0.000 0.000 NA
#> ERR659074 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659170 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659075 3 0.2281 0.864 0.000 0.000 0.904 NA
#> ERR659171 3 0.2281 0.864 0.000 0.000 0.904 NA
#> ERR659076 2 0.1211 0.975 0.000 0.960 0.000 NA
#> ERR659172 2 0.1118 0.977 0.000 0.964 0.000 NA
#> ERR659077 1 0.3105 0.871 0.856 0.000 0.004 NA
#> ERR659173 1 0.3105 0.871 0.856 0.000 0.004 NA
#> ERR659078 1 0.2530 0.882 0.888 0.000 0.000 NA
#> ERR659174 1 0.2530 0.882 0.888 0.000 0.000 NA
#> ERR659079 1 0.2999 0.869 0.864 0.000 0.004 NA
#> ERR659175 1 0.2999 0.869 0.864 0.000 0.004 NA
#> ERR659080 3 0.3758 0.887 0.048 0.000 0.848 NA
#> ERR659176 3 0.3758 0.887 0.048 0.000 0.848 NA
#> ERR659081 1 0.1792 0.879 0.932 0.000 0.000 NA
#> ERR659177 1 0.1792 0.879 0.932 0.000 0.000 NA
#> ERR659082 1 0.2345 0.877 0.900 0.000 0.000 NA
#> ERR659178 1 0.2345 0.877 0.900 0.000 0.000 NA
#> ERR659083 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659179 2 0.0336 0.986 0.000 0.992 0.000 NA
#> ERR659084 2 0.0707 0.983 0.000 0.980 0.000 NA
#> ERR659180 2 0.0188 0.986 0.000 0.996 0.000 NA
#> ERR659085 1 0.2654 0.877 0.888 0.000 0.004 NA
#> ERR659181 1 0.2654 0.877 0.888 0.000 0.004 NA
#> ERR659086 1 0.2466 0.884 0.900 0.000 0.004 NA
#> ERR659182 1 0.2466 0.884 0.900 0.000 0.004 NA
#> ERR659087 1 0.4331 0.782 0.712 0.000 0.000 NA
#> ERR659183 1 0.4331 0.782 0.712 0.000 0.000 NA
#> ERR659088 3 0.4549 0.820 0.096 0.000 0.804 NA
#> ERR659184 3 0.4549 0.820 0.096 0.000 0.804 NA
#> ERR659089 1 0.3448 0.871 0.828 0.000 0.004 NA
#> ERR659185 1 0.3448 0.871 0.828 0.000 0.004 NA
#> ERR659090 1 0.1902 0.881 0.932 0.000 0.004 NA
#> ERR659186 1 0.1902 0.881 0.932 0.000 0.004 NA
#> ERR659091 1 0.2081 0.876 0.916 0.000 0.000 NA
#> ERR659187 1 0.2081 0.876 0.916 0.000 0.000 NA
#> ERR659092 1 0.2973 0.868 0.856 0.000 0.000 NA
#> ERR659188 1 0.2973 0.868 0.856 0.000 0.000 NA
#> ERR659093 1 0.1902 0.879 0.932 0.000 0.004 NA
#> ERR659189 1 0.1902 0.879 0.932 0.000 0.004 NA
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 5 0.2983 0.8927 0.000 0.000 NA 0.040 0.864
#> ERR467498 5 0.2983 0.8927 0.000 0.000 NA 0.040 0.864
#> ERR658998 1 0.4411 0.5013 0.764 0.000 NA 0.116 0.000
#> ERR659094 1 0.4411 0.5013 0.764 0.000 NA 0.116 0.000
#> ERR658999 1 0.4310 -0.3920 0.604 0.000 NA 0.392 0.000
#> ERR659095 1 0.4310 -0.3920 0.604 0.000 NA 0.392 0.000
#> ERR659000 1 0.7170 -0.0134 0.472 0.000 NA 0.080 0.100
#> ERR659096 1 0.7170 -0.0134 0.472 0.000 NA 0.080 0.100
#> ERR659001 1 0.3456 0.3879 0.800 0.000 NA 0.184 0.000
#> ERR659097 1 0.3456 0.3879 0.800 0.000 NA 0.184 0.000
#> ERR659002 1 0.3644 0.5884 0.824 0.000 NA 0.080 0.000
#> ERR659098 1 0.3644 0.5884 0.824 0.000 NA 0.080 0.000
#> ERR659003 1 0.2992 0.5785 0.868 0.000 NA 0.068 0.000
#> ERR659099 1 0.2992 0.5785 0.868 0.000 NA 0.068 0.000
#> ERR659004 4 0.6134 1.0000 0.440 0.000 NA 0.472 0.032
#> ERR659100 4 0.6134 1.0000 0.440 0.000 NA 0.472 0.032
#> ERR659005 1 0.2769 0.5854 0.876 0.000 NA 0.032 0.000
#> ERR659101 1 0.2769 0.5854 0.876 0.000 NA 0.032 0.000
#> ERR659006 1 0.5096 -0.6796 0.520 0.000 NA 0.444 0.000
#> ERR659102 1 0.5096 -0.6796 0.520 0.000 NA 0.444 0.000
#> ERR659007 1 0.0912 0.5853 0.972 0.000 NA 0.016 0.000
#> ERR659103 1 0.0912 0.5853 0.972 0.000 NA 0.016 0.000
#> ERR659008 2 0.0000 0.9762 0.000 1.000 NA 0.000 0.000
#> ERR659104 2 0.0162 0.9760 0.000 0.996 NA 0.000 0.000
#> ERR659009 1 0.5341 -0.6192 0.504 0.000 NA 0.444 0.000
#> ERR659105 1 0.5341 -0.6192 0.504 0.000 NA 0.444 0.000
#> ERR659010 1 0.4527 -0.3815 0.596 0.000 NA 0.392 0.000
#> ERR659106 1 0.4527 -0.3815 0.596 0.000 NA 0.392 0.000
#> ERR659011 1 0.4707 -0.4520 0.588 0.000 NA 0.392 0.000
#> ERR659107 1 0.4707 -0.4520 0.588 0.000 NA 0.392 0.000
#> ERR659012 1 0.5157 -0.6291 0.520 0.000 NA 0.440 0.000
#> ERR659108 1 0.5157 -0.6291 0.520 0.000 NA 0.440 0.000
#> ERR659013 1 0.5611 0.3154 0.656 0.000 NA 0.092 0.016
#> ERR659109 1 0.5611 0.3154 0.656 0.000 NA 0.092 0.016
#> ERR659014 2 0.0510 0.9761 0.000 0.984 NA 0.000 0.000
#> ERR659110 2 0.1877 0.9538 0.000 0.924 NA 0.012 0.000
#> ERR659015 1 0.2770 0.5949 0.880 0.000 NA 0.044 0.000
#> ERR659111 1 0.2770 0.5949 0.880 0.000 NA 0.044 0.000
#> ERR659016 1 0.7189 0.0625 0.548 0.000 NA 0.096 0.132
#> ERR659112 1 0.7189 0.0625 0.548 0.000 NA 0.096 0.132
#> ERR659017 2 0.0290 0.9763 0.000 0.992 NA 0.000 0.000
#> ERR659113 2 0.0324 0.9765 0.000 0.992 NA 0.004 0.000
#> ERR659018 1 0.3099 0.5212 0.848 0.000 NA 0.124 0.000
#> ERR659114 1 0.3099 0.5212 0.848 0.000 NA 0.124 0.000
#> ERR659019 1 0.4354 -0.3134 0.624 0.000 NA 0.368 0.000
#> ERR659115 1 0.4354 -0.3134 0.624 0.000 NA 0.368 0.000
#> ERR659020 1 0.2625 0.5446 0.876 0.000 NA 0.108 0.000
#> ERR659116 1 0.2625 0.5446 0.876 0.000 NA 0.108 0.000
#> ERR659021 1 0.2580 0.5924 0.892 0.000 NA 0.044 0.000
#> ERR659117 1 0.2580 0.5924 0.892 0.000 NA 0.044 0.000
#> ERR659022 1 0.3033 0.5834 0.864 0.000 NA 0.052 0.000
#> ERR659118 1 0.3033 0.5834 0.864 0.000 NA 0.052 0.000
#> ERR659023 1 0.2722 0.5958 0.872 0.000 NA 0.020 0.000
#> ERR659119 1 0.2722 0.5958 0.872 0.000 NA 0.020 0.000
#> ERR659024 1 0.2761 0.5880 0.872 0.000 NA 0.024 0.000
#> ERR659120 1 0.2761 0.5880 0.872 0.000 NA 0.024 0.000
#> ERR659025 1 0.4221 0.5120 0.780 0.000 NA 0.052 0.008
#> ERR659121 1 0.4221 0.5120 0.780 0.000 NA 0.052 0.008
#> ERR659026 1 0.5128 0.1152 0.656 0.000 NA 0.268 0.000
#> ERR659122 1 0.5128 0.1152 0.656 0.000 NA 0.268 0.000
#> ERR659027 1 0.7813 -0.1464 0.436 0.000 NA 0.096 0.280
#> ERR659123 1 0.7813 -0.1464 0.436 0.000 NA 0.096 0.280
#> ERR659028 1 0.4075 0.5353 0.780 0.000 NA 0.060 0.000
#> ERR659124 1 0.4075 0.5353 0.780 0.000 NA 0.060 0.000
#> ERR659029 1 0.3681 0.5575 0.808 0.000 NA 0.044 0.000
#> ERR659125 1 0.3681 0.5575 0.808 0.000 NA 0.044 0.000
#> ERR659030 1 0.2654 0.5791 0.888 0.000 NA 0.064 0.000
#> ERR659126 1 0.2654 0.5791 0.888 0.000 NA 0.064 0.000
#> ERR659031 1 0.4155 0.5217 0.780 0.000 NA 0.144 0.000
#> ERR659127 1 0.4155 0.5217 0.780 0.000 NA 0.144 0.000
#> ERR659032 1 0.3608 0.5874 0.824 0.000 NA 0.064 0.000
#> ERR659128 1 0.3608 0.5874 0.824 0.000 NA 0.064 0.000
#> ERR659033 1 0.3226 0.5682 0.852 0.000 NA 0.088 0.000
#> ERR659129 1 0.3226 0.5682 0.852 0.000 NA 0.088 0.000
#> ERR659034 2 0.0000 0.9762 0.000 1.000 NA 0.000 0.000
#> ERR659130 2 0.0162 0.9760 0.000 0.996 NA 0.000 0.000
#> ERR659035 1 0.4025 0.5613 0.792 0.000 NA 0.076 0.000
#> ERR659131 1 0.4025 0.5613 0.792 0.000 NA 0.076 0.000
#> ERR659036 1 0.5505 0.4132 0.704 0.000 NA 0.092 0.036
#> ERR659132 1 0.5505 0.4132 0.704 0.000 NA 0.092 0.036
#> ERR659037 1 0.3840 0.5511 0.808 0.000 NA 0.116 0.000
#> ERR659133 1 0.3840 0.5511 0.808 0.000 NA 0.116 0.000
#> ERR659038 1 0.4658 -0.4737 0.576 0.000 NA 0.408 0.000
#> ERR659134 1 0.4658 -0.4737 0.576 0.000 NA 0.408 0.000
#> ERR659039 1 0.4101 -0.3248 0.628 0.000 NA 0.372 0.000
#> ERR659135 1 0.4101 -0.3248 0.628 0.000 NA 0.372 0.000
#> ERR659040 1 0.3769 0.5352 0.788 0.000 NA 0.032 0.000
#> ERR659136 1 0.3769 0.5352 0.788 0.000 NA 0.032 0.000
#> ERR659041 1 0.8019 -0.1750 0.444 0.000 NA 0.188 0.148
#> ERR659137 1 0.8019 -0.1750 0.444 0.000 NA 0.188 0.148
#> ERR659042 1 0.5442 0.3809 0.684 0.000 NA 0.068 0.028
#> ERR659138 1 0.5442 0.3809 0.684 0.000 NA 0.068 0.028
#> ERR659043 1 0.4355 0.4786 0.732 0.000 NA 0.044 0.000
#> ERR659139 1 0.4355 0.4786 0.732 0.000 NA 0.044 0.000
#> ERR659044 2 0.0000 0.9762 0.000 1.000 NA 0.000 0.000
#> ERR659140 2 0.0162 0.9760 0.000 0.996 NA 0.000 0.000
#> ERR659045 1 0.4114 0.1122 0.712 0.000 NA 0.272 0.000
#> ERR659141 1 0.4114 0.1122 0.712 0.000 NA 0.272 0.000
#> ERR659046 1 0.2708 0.5923 0.884 0.000 NA 0.044 0.000
#> ERR659142 1 0.2708 0.5923 0.884 0.000 NA 0.044 0.000
#> ERR659047 1 0.2927 0.5938 0.872 0.000 NA 0.068 0.000
#> ERR659143 1 0.2927 0.5938 0.872 0.000 NA 0.068 0.000
#> ERR659048 1 0.3012 0.5889 0.860 0.000 NA 0.036 0.000
#> ERR659144 1 0.3012 0.5889 0.860 0.000 NA 0.036 0.000
#> ERR659049 1 0.5301 0.3637 0.676 0.000 NA 0.176 0.000
#> ERR659145 1 0.5301 0.3637 0.676 0.000 NA 0.176 0.000
#> ERR659050 1 0.3752 0.5789 0.812 0.000 NA 0.064 0.000
#> ERR659146 1 0.3752 0.5789 0.812 0.000 NA 0.064 0.000
#> ERR659051 5 0.3804 0.8890 0.000 0.000 NA 0.044 0.796
#> ERR659147 5 0.3804 0.8890 0.000 0.000 NA 0.044 0.796
#> ERR659052 1 0.5202 -0.3468 0.596 0.000 NA 0.348 0.000
#> ERR659148 1 0.5202 -0.3468 0.596 0.000 NA 0.348 0.000
#> ERR659053 1 0.3075 0.5873 0.860 0.000 NA 0.048 0.000
#> ERR659149 1 0.3075 0.5873 0.860 0.000 NA 0.048 0.000
#> ERR659054 2 0.2270 0.9430 0.000 0.904 NA 0.020 0.000
#> ERR659150 2 0.2172 0.9458 0.000 0.908 NA 0.016 0.000
#> ERR659055 1 0.3476 0.4228 0.804 0.000 NA 0.176 0.000
#> ERR659151 1 0.3476 0.4228 0.804 0.000 NA 0.176 0.000
#> ERR659056 5 0.1393 0.9028 0.008 0.000 NA 0.012 0.956
#> ERR659152 5 0.1393 0.9028 0.008 0.000 NA 0.012 0.956
#> ERR659057 1 0.2813 0.5756 0.876 0.000 NA 0.084 0.000
#> ERR659153 1 0.2813 0.5756 0.876 0.000 NA 0.084 0.000
#> ERR659058 1 0.4820 -0.2718 0.632 0.000 NA 0.332 0.000
#> ERR659154 1 0.4820 -0.2718 0.632 0.000 NA 0.332 0.000
#> ERR659059 1 0.2569 0.5972 0.892 0.000 NA 0.040 0.000
#> ERR659155 1 0.2569 0.5972 0.892 0.000 NA 0.040 0.000
#> ERR659060 1 0.3840 0.5504 0.808 0.000 NA 0.076 0.000
#> ERR659156 1 0.3840 0.5504 0.808 0.000 NA 0.076 0.000
#> ERR659061 1 0.4072 0.5540 0.792 0.000 NA 0.108 0.000
#> ERR659157 1 0.4072 0.5540 0.792 0.000 NA 0.108 0.000
#> ERR659062 1 0.4394 0.5100 0.764 0.000 NA 0.136 0.000
#> ERR659158 1 0.4394 0.5100 0.764 0.000 NA 0.136 0.000
#> ERR659063 1 0.2871 0.5985 0.872 0.000 NA 0.040 0.000
#> ERR659159 1 0.2871 0.5985 0.872 0.000 NA 0.040 0.000
#> ERR659064 1 0.2645 0.5846 0.888 0.000 NA 0.044 0.000
#> ERR659160 1 0.2645 0.5846 0.888 0.000 NA 0.044 0.000
#> ERR659065 2 0.2270 0.9449 0.000 0.904 NA 0.020 0.000
#> ERR659161 2 0.2144 0.9473 0.000 0.912 NA 0.020 0.000
#> ERR659066 1 0.4425 -0.4342 0.600 0.000 NA 0.392 0.000
#> ERR659162 1 0.4425 -0.4342 0.600 0.000 NA 0.392 0.000
#> ERR659067 1 0.4356 -0.2472 0.648 0.000 NA 0.340 0.000
#> ERR659163 1 0.4356 -0.2472 0.648 0.000 NA 0.340 0.000
#> ERR659068 2 0.0162 0.9760 0.000 0.996 NA 0.000 0.000
#> ERR659164 2 0.0290 0.9765 0.000 0.992 NA 0.000 0.000
#> ERR659069 1 0.4380 -0.3791 0.616 0.000 NA 0.376 0.000
#> ERR659165 1 0.4380 -0.3791 0.616 0.000 NA 0.376 0.000
#> ERR659070 1 0.3639 0.5450 0.812 0.000 NA 0.044 0.000
#> ERR659166 1 0.3639 0.5450 0.812 0.000 NA 0.044 0.000
#> ERR659071 1 0.3657 0.5680 0.820 0.000 NA 0.064 0.000
#> ERR659167 1 0.3657 0.5680 0.820 0.000 NA 0.064 0.000
#> ERR659072 1 0.4582 -0.4695 0.572 0.000 NA 0.416 0.000
#> ERR659168 1 0.4582 -0.4695 0.572 0.000 NA 0.416 0.000
#> ERR659073 1 0.4863 0.2306 0.672 0.000 NA 0.272 0.000
#> ERR659169 1 0.4863 0.2306 0.672 0.000 NA 0.272 0.000
#> ERR659074 2 0.0162 0.9760 0.000 0.996 NA 0.000 0.000
#> ERR659170 2 0.0290 0.9758 0.000 0.992 NA 0.000 0.000
#> ERR659075 5 0.3359 0.8792 0.000 0.000 NA 0.072 0.844
#> ERR659171 5 0.3359 0.8792 0.000 0.000 NA 0.072 0.844
#> ERR659076 2 0.1981 0.9546 0.000 0.920 NA 0.016 0.000
#> ERR659172 2 0.1364 0.9674 0.000 0.952 NA 0.012 0.000
#> ERR659077 1 0.4123 0.5312 0.788 0.000 NA 0.104 0.000
#> ERR659173 1 0.4123 0.5312 0.788 0.000 NA 0.104 0.000
#> ERR659078 1 0.2989 0.5851 0.868 0.000 NA 0.060 0.000
#> ERR659174 1 0.2989 0.5851 0.868 0.000 NA 0.060 0.000
#> ERR659079 1 0.4121 0.5230 0.788 0.000 NA 0.100 0.000
#> ERR659175 1 0.4121 0.5230 0.788 0.000 NA 0.100 0.000
#> ERR659080 5 0.3272 0.8899 0.016 0.000 NA 0.016 0.848
#> ERR659176 5 0.3272 0.8899 0.016 0.000 NA 0.016 0.848
#> ERR659081 1 0.2438 0.5807 0.900 0.000 NA 0.040 0.000
#> ERR659177 1 0.2438 0.5807 0.900 0.000 NA 0.040 0.000
#> ERR659082 1 0.3169 0.5821 0.856 0.000 NA 0.060 0.000
#> ERR659178 1 0.3169 0.5821 0.856 0.000 NA 0.060 0.000
#> ERR659083 2 0.0451 0.9758 0.000 0.988 NA 0.004 0.000
#> ERR659179 2 0.0162 0.9760 0.000 0.996 NA 0.000 0.000
#> ERR659084 2 0.1502 0.9627 0.000 0.940 NA 0.004 0.000
#> ERR659180 2 0.0912 0.9742 0.000 0.972 NA 0.012 0.000
#> ERR659085 1 0.3608 0.5259 0.812 0.000 NA 0.148 0.000
#> ERR659181 1 0.3608 0.5259 0.812 0.000 NA 0.148 0.000
#> ERR659086 1 0.3181 0.5771 0.856 0.000 NA 0.072 0.000
#> ERR659182 1 0.3181 0.5771 0.856 0.000 NA 0.072 0.000
#> ERR659087 1 0.4894 -0.3066 0.612 0.000 NA 0.352 0.000
#> ERR659183 1 0.4894 -0.3066 0.612 0.000 NA 0.352 0.000
#> ERR659088 5 0.4517 0.8370 0.056 0.000 NA 0.064 0.796
#> ERR659184 5 0.4517 0.8370 0.056 0.000 NA 0.064 0.796
#> ERR659089 1 0.4121 0.5045 0.788 0.000 NA 0.112 0.000
#> ERR659185 1 0.4121 0.5045 0.788 0.000 NA 0.112 0.000
#> ERR659090 1 0.2570 0.5969 0.888 0.000 NA 0.028 0.000
#> ERR659186 1 0.2570 0.5969 0.888 0.000 NA 0.028 0.000
#> ERR659091 1 0.3119 0.5736 0.860 0.000 NA 0.068 0.000
#> ERR659187 1 0.3119 0.5736 0.860 0.000 NA 0.068 0.000
#> ERR659092 1 0.3862 0.5360 0.808 0.000 NA 0.088 0.000
#> ERR659188 1 0.3862 0.5360 0.808 0.000 NA 0.088 0.000
#> ERR659093 1 0.2708 0.5943 0.884 0.000 NA 0.044 0.000
#> ERR659189 1 0.2708 0.5943 0.884 0.000 NA 0.044 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.3924 0.8223 0.000 0.000 NA 0.720 0.012 0.016
#> ERR467498 4 0.3924 0.8223 0.000 0.000 NA 0.720 0.012 0.016
#> ERR658998 1 0.5198 0.4772 0.696 0.000 NA 0.000 0.124 0.124
#> ERR659094 1 0.5198 0.4772 0.696 0.000 NA 0.000 0.124 0.124
#> ERR658999 1 0.4366 0.0693 0.596 0.000 NA 0.000 0.380 0.012
#> ERR659095 1 0.4366 0.0693 0.596 0.000 NA 0.000 0.380 0.012
#> ERR659000 1 0.7603 -0.2188 0.380 0.000 NA 0.096 0.056 0.360
#> ERR659096 1 0.7603 -0.2188 0.380 0.000 NA 0.096 0.056 0.360
#> ERR659001 1 0.3906 0.4526 0.744 0.000 NA 0.000 0.216 0.032
#> ERR659097 1 0.3906 0.4526 0.744 0.000 NA 0.000 0.216 0.032
#> ERR659002 1 0.3860 0.6071 0.792 0.000 NA 0.000 0.056 0.132
#> ERR659098 1 0.3860 0.6071 0.792 0.000 NA 0.000 0.056 0.132
#> ERR659003 1 0.2954 0.6070 0.852 0.000 NA 0.000 0.048 0.096
#> ERR659099 1 0.2954 0.6070 0.852 0.000 NA 0.000 0.048 0.096
#> ERR659004 5 0.6940 1.0000 0.332 0.000 NA 0.036 0.452 0.144
#> ERR659100 5 0.6940 1.0000 0.332 0.000 NA 0.036 0.452 0.144
#> ERR659005 1 0.2933 0.6045 0.848 0.000 NA 0.000 0.020 0.120
#> ERR659101 1 0.2933 0.6045 0.848 0.000 NA 0.000 0.020 0.120
#> ERR659006 1 0.5526 -0.4748 0.476 0.000 NA 0.000 0.436 0.044
#> ERR659102 1 0.5526 -0.4748 0.476 0.000 NA 0.000 0.436 0.044
#> ERR659007 1 0.1367 0.6116 0.944 0.000 NA 0.000 0.012 0.044
#> ERR659103 1 0.1367 0.6116 0.944 0.000 NA 0.000 0.012 0.044
#> ERR659008 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659009 1 0.5679 -0.3208 0.492 0.000 NA 0.000 0.404 0.068
#> ERR659105 1 0.5679 -0.3208 0.492 0.000 NA 0.000 0.404 0.068
#> ERR659010 1 0.4661 0.0167 0.584 0.000 NA 0.000 0.376 0.028
#> ERR659106 1 0.4661 0.0167 0.584 0.000 NA 0.000 0.376 0.028
#> ERR659011 1 0.4569 -0.0255 0.572 0.000 NA 0.000 0.396 0.016
#> ERR659107 1 0.4569 -0.0255 0.572 0.000 NA 0.000 0.396 0.016
#> ERR659012 1 0.5016 -0.3390 0.488 0.000 NA 0.000 0.456 0.044
#> ERR659108 1 0.5016 -0.3390 0.488 0.000 NA 0.000 0.456 0.044
#> ERR659013 1 0.6148 0.2409 0.568 0.000 NA 0.012 0.060 0.280
#> ERR659109 1 0.6148 0.2409 0.568 0.000 NA 0.012 0.060 0.280
#> ERR659014 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659110 2 0.1765 0.9394 0.000 0.924 NA 0.000 0.024 0.000
#> ERR659015 1 0.2833 0.6231 0.860 0.000 NA 0.000 0.024 0.104
#> ERR659111 1 0.2833 0.6231 0.860 0.000 NA 0.000 0.024 0.104
#> ERR659016 1 0.7115 -0.1493 0.432 0.000 NA 0.104 0.036 0.356
#> ERR659112 1 0.7115 -0.1493 0.432 0.000 NA 0.104 0.036 0.356
#> ERR659017 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659113 2 0.0405 0.9637 0.000 0.988 NA 0.000 0.004 0.000
#> ERR659018 1 0.3323 0.5665 0.824 0.000 NA 0.000 0.128 0.036
#> ERR659114 1 0.3323 0.5665 0.824 0.000 NA 0.000 0.128 0.036
#> ERR659019 1 0.4523 0.0691 0.592 0.000 NA 0.000 0.376 0.016
#> ERR659115 1 0.4523 0.0691 0.592 0.000 NA 0.000 0.376 0.016
#> ERR659020 1 0.3351 0.5663 0.820 0.000 NA 0.000 0.136 0.028
#> ERR659116 1 0.3351 0.5663 0.820 0.000 NA 0.000 0.136 0.028
#> ERR659021 1 0.2450 0.6108 0.868 0.000 NA 0.000 0.016 0.116
#> ERR659117 1 0.2450 0.6108 0.868 0.000 NA 0.000 0.016 0.116
#> ERR659022 1 0.3148 0.6109 0.840 0.000 NA 0.000 0.020 0.116
#> ERR659118 1 0.3148 0.6109 0.840 0.000 NA 0.000 0.020 0.116
#> ERR659023 1 0.2531 0.6171 0.860 0.000 NA 0.000 0.008 0.128
#> ERR659119 1 0.2531 0.6171 0.860 0.000 NA 0.000 0.008 0.128
#> ERR659024 1 0.3273 0.6047 0.832 0.000 NA 0.000 0.024 0.120
#> ERR659120 1 0.3273 0.6047 0.832 0.000 NA 0.000 0.024 0.120
#> ERR659025 1 0.4398 0.5079 0.716 0.000 NA 0.004 0.024 0.228
#> ERR659121 1 0.4398 0.5079 0.716 0.000 NA 0.004 0.024 0.228
#> ERR659026 1 0.5440 0.3677 0.648 0.000 NA 0.000 0.196 0.120
#> ERR659122 1 0.5440 0.3677 0.648 0.000 NA 0.000 0.196 0.120
#> ERR659027 1 0.7616 -0.2400 0.376 0.000 NA 0.220 0.068 0.300
#> ERR659123 1 0.7616 -0.2400 0.376 0.000 NA 0.220 0.068 0.300
#> ERR659028 1 0.3926 0.5829 0.780 0.000 NA 0.000 0.036 0.156
#> ERR659124 1 0.3926 0.5829 0.780 0.000 NA 0.000 0.036 0.156
#> ERR659029 1 0.3881 0.5822 0.784 0.000 NA 0.000 0.024 0.152
#> ERR659125 1 0.3881 0.5822 0.784 0.000 NA 0.000 0.024 0.152
#> ERR659030 1 0.2928 0.6024 0.856 0.000 NA 0.000 0.084 0.056
#> ERR659126 1 0.2928 0.6024 0.856 0.000 NA 0.000 0.084 0.056
#> ERR659031 1 0.4272 0.5362 0.756 0.000 NA 0.000 0.152 0.072
#> ERR659127 1 0.4272 0.5362 0.756 0.000 NA 0.000 0.152 0.072
#> ERR659032 1 0.3580 0.6092 0.808 0.000 NA 0.000 0.036 0.136
#> ERR659128 1 0.3580 0.6092 0.808 0.000 NA 0.000 0.036 0.136
#> ERR659033 1 0.4286 0.5724 0.764 0.000 NA 0.000 0.088 0.124
#> ERR659129 1 0.4286 0.5724 0.764 0.000 NA 0.000 0.088 0.124
#> ERR659034 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659035 1 0.3667 0.6045 0.788 0.000 NA 0.000 0.036 0.164
#> ERR659131 1 0.3667 0.6045 0.788 0.000 NA 0.000 0.036 0.164
#> ERR659036 1 0.5358 0.4197 0.652 0.000 NA 0.020 0.044 0.248
#> ERR659132 1 0.5358 0.4197 0.652 0.000 NA 0.020 0.044 0.248
#> ERR659037 1 0.3633 0.5842 0.796 0.000 NA 0.000 0.064 0.136
#> ERR659133 1 0.3633 0.5842 0.796 0.000 NA 0.000 0.064 0.136
#> ERR659038 1 0.4189 -0.0901 0.552 0.000 NA 0.000 0.436 0.008
#> ERR659134 1 0.4189 -0.0901 0.552 0.000 NA 0.000 0.436 0.008
#> ERR659039 1 0.4356 0.0715 0.600 0.000 NA 0.000 0.376 0.012
#> ERR659135 1 0.4356 0.0715 0.600 0.000 NA 0.000 0.376 0.012
#> ERR659040 1 0.3816 0.5623 0.760 0.000 NA 0.000 0.012 0.200
#> ERR659136 1 0.3816 0.5623 0.760 0.000 NA 0.000 0.012 0.200
#> ERR659041 1 0.7750 -0.2998 0.364 0.000 NA 0.116 0.140 0.340
#> ERR659137 1 0.7750 -0.2998 0.364 0.000 NA 0.116 0.140 0.340
#> ERR659042 1 0.5122 0.3510 0.644 0.000 NA 0.024 0.032 0.280
#> ERR659138 1 0.5122 0.3510 0.644 0.000 NA 0.024 0.032 0.280
#> ERR659043 1 0.4964 0.4548 0.676 0.000 NA 0.000 0.028 0.224
#> ERR659139 1 0.4964 0.4548 0.676 0.000 NA 0.000 0.028 0.224
#> ERR659044 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659045 1 0.4031 0.2740 0.652 0.000 NA 0.000 0.332 0.008
#> ERR659141 1 0.4031 0.2740 0.652 0.000 NA 0.000 0.332 0.008
#> ERR659046 1 0.2687 0.6185 0.872 0.000 NA 0.000 0.024 0.092
#> ERR659142 1 0.2687 0.6185 0.872 0.000 NA 0.000 0.024 0.092
#> ERR659047 1 0.3236 0.6156 0.840 0.000 NA 0.000 0.036 0.104
#> ERR659143 1 0.3236 0.6156 0.840 0.000 NA 0.000 0.036 0.104
#> ERR659048 1 0.3062 0.6110 0.844 0.000 NA 0.000 0.016 0.116
#> ERR659144 1 0.3062 0.6110 0.844 0.000 NA 0.000 0.016 0.116
#> ERR659049 1 0.5821 0.2815 0.604 0.000 NA 0.008 0.168 0.200
#> ERR659145 1 0.5821 0.2815 0.604 0.000 NA 0.008 0.168 0.200
#> ERR659050 1 0.3387 0.6187 0.836 0.000 NA 0.000 0.044 0.092
#> ERR659146 1 0.3387 0.6187 0.836 0.000 NA 0.000 0.044 0.092
#> ERR659051 4 0.5412 0.8150 0.000 0.000 NA 0.580 0.016 0.096
#> ERR659147 4 0.5412 0.8150 0.000 0.000 NA 0.580 0.016 0.096
#> ERR659052 1 0.4979 0.0439 0.584 0.000 NA 0.000 0.356 0.032
#> ERR659148 1 0.4979 0.0439 0.584 0.000 NA 0.000 0.356 0.032
#> ERR659053 1 0.2225 0.6144 0.892 0.000 NA 0.000 0.008 0.092
#> ERR659149 1 0.2225 0.6144 0.892 0.000 NA 0.000 0.008 0.092
#> ERR659054 2 0.3105 0.8933 0.000 0.844 NA 0.000 0.036 0.012
#> ERR659150 2 0.2964 0.8962 0.000 0.848 NA 0.000 0.040 0.004
#> ERR659055 1 0.3786 0.4706 0.748 0.000 NA 0.000 0.220 0.024
#> ERR659151 1 0.3786 0.4706 0.748 0.000 NA 0.000 0.220 0.024
#> ERR659056 4 0.1823 0.8488 0.004 0.000 NA 0.932 0.016 0.036
#> ERR659152 4 0.1823 0.8488 0.004 0.000 NA 0.932 0.016 0.036
#> ERR659057 1 0.3376 0.6034 0.836 0.000 NA 0.000 0.084 0.060
#> ERR659153 1 0.3376 0.6034 0.836 0.000 NA 0.000 0.084 0.060
#> ERR659058 1 0.4603 0.2167 0.628 0.000 NA 0.000 0.324 0.040
#> ERR659154 1 0.4603 0.2167 0.628 0.000 NA 0.000 0.324 0.040
#> ERR659059 1 0.2971 0.6207 0.864 0.000 NA 0.000 0.032 0.076
#> ERR659155 1 0.2971 0.6207 0.864 0.000 NA 0.000 0.032 0.076
#> ERR659060 1 0.4111 0.5389 0.736 0.000 NA 0.000 0.048 0.208
#> ERR659156 1 0.4111 0.5389 0.736 0.000 NA 0.000 0.048 0.208
#> ERR659061 1 0.4073 0.5546 0.760 0.000 NA 0.000 0.072 0.160
#> ERR659157 1 0.4073 0.5546 0.760 0.000 NA 0.000 0.072 0.160
#> ERR659062 1 0.4138 0.5632 0.772 0.000 NA 0.000 0.112 0.100
#> ERR659158 1 0.4138 0.5632 0.772 0.000 NA 0.000 0.112 0.100
#> ERR659063 1 0.3171 0.6214 0.844 0.000 NA 0.000 0.024 0.104
#> ERR659159 1 0.3171 0.6214 0.844 0.000 NA 0.000 0.024 0.104
#> ERR659064 1 0.3080 0.6093 0.848 0.000 NA 0.000 0.040 0.100
#> ERR659160 1 0.3080 0.6093 0.848 0.000 NA 0.000 0.040 0.100
#> ERR659065 2 0.2752 0.9070 0.000 0.864 NA 0.000 0.036 0.004
#> ERR659161 2 0.2772 0.9073 0.000 0.864 NA 0.000 0.040 0.004
#> ERR659066 1 0.5161 -0.0648 0.568 0.000 NA 0.000 0.352 0.068
#> ERR659162 1 0.5161 -0.0648 0.568 0.000 NA 0.000 0.352 0.068
#> ERR659067 1 0.4148 0.2009 0.636 0.000 NA 0.000 0.344 0.016
#> ERR659163 1 0.4148 0.2009 0.636 0.000 NA 0.000 0.344 0.016
#> ERR659068 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659069 1 0.4607 0.0416 0.580 0.000 NA 0.000 0.380 0.036
#> ERR659165 1 0.4607 0.0416 0.580 0.000 NA 0.000 0.380 0.036
#> ERR659070 1 0.3767 0.5507 0.780 0.000 NA 0.000 0.028 0.172
#> ERR659166 1 0.3767 0.5507 0.780 0.000 NA 0.000 0.028 0.172
#> ERR659071 1 0.3930 0.5835 0.780 0.000 NA 0.000 0.020 0.152
#> ERR659167 1 0.3930 0.5835 0.780 0.000 NA 0.000 0.020 0.152
#> ERR659072 1 0.5011 -0.0305 0.564 0.000 NA 0.000 0.376 0.040
#> ERR659168 1 0.5011 -0.0305 0.564 0.000 NA 0.000 0.376 0.040
#> ERR659073 1 0.5587 0.2852 0.616 0.000 NA 0.000 0.224 0.132
#> ERR659169 1 0.5587 0.2852 0.616 0.000 NA 0.000 0.224 0.132
#> ERR659074 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659075 4 0.3147 0.8209 0.000 0.000 NA 0.828 0.016 0.016
#> ERR659171 4 0.3095 0.8209 0.000 0.000 NA 0.828 0.016 0.012
#> ERR659076 2 0.2492 0.9217 0.000 0.888 NA 0.000 0.036 0.008
#> ERR659172 2 0.1578 0.9446 0.000 0.936 NA 0.000 0.012 0.004
#> ERR659077 1 0.4856 0.5133 0.696 0.000 NA 0.000 0.076 0.200
#> ERR659173 1 0.4856 0.5133 0.696 0.000 NA 0.000 0.076 0.200
#> ERR659078 1 0.3500 0.6093 0.820 0.000 NA 0.000 0.064 0.104
#> ERR659174 1 0.3500 0.6093 0.820 0.000 NA 0.000 0.064 0.104
#> ERR659079 1 0.4232 0.5772 0.772 0.000 NA 0.000 0.052 0.132
#> ERR659175 1 0.4232 0.5772 0.772 0.000 NA 0.000 0.052 0.132
#> ERR659080 4 0.5260 0.8278 0.028 0.000 NA 0.704 0.036 0.168
#> ERR659176 4 0.5260 0.8278 0.028 0.000 NA 0.704 0.036 0.168
#> ERR659081 1 0.2790 0.6104 0.868 0.000 NA 0.000 0.032 0.088
#> ERR659177 1 0.2790 0.6104 0.868 0.000 NA 0.000 0.032 0.088
#> ERR659082 1 0.2868 0.6129 0.840 0.000 NA 0.000 0.028 0.132
#> ERR659178 1 0.2868 0.6129 0.840 0.000 NA 0.000 0.028 0.132
#> ERR659083 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9672 0.000 1.000 NA 0.000 0.000 0.000
#> ERR659084 2 0.1549 0.9447 0.000 0.936 NA 0.000 0.020 0.000
#> ERR659180 2 0.0146 0.9662 0.000 0.996 NA 0.000 0.000 0.000
#> ERR659085 1 0.4255 0.5385 0.756 0.000 NA 0.000 0.148 0.080
#> ERR659181 1 0.4255 0.5385 0.756 0.000 NA 0.000 0.148 0.080
#> ERR659086 1 0.3812 0.6025 0.800 0.000 NA 0.000 0.084 0.100
#> ERR659182 1 0.3812 0.6025 0.800 0.000 NA 0.000 0.084 0.100
#> ERR659087 1 0.5526 0.0284 0.572 0.000 NA 0.000 0.320 0.076
#> ERR659183 1 0.5526 0.0284 0.572 0.000 NA 0.000 0.320 0.076
#> ERR659088 4 0.5623 0.7957 0.048 0.000 NA 0.676 0.060 0.180
#> ERR659184 4 0.5623 0.7957 0.048 0.000 NA 0.676 0.060 0.180
#> ERR659089 1 0.5111 0.4552 0.672 0.000 NA 0.000 0.124 0.184
#> ERR659185 1 0.5111 0.4552 0.672 0.000 NA 0.000 0.124 0.184
#> ERR659090 1 0.2828 0.6208 0.868 0.000 NA 0.000 0.040 0.080
#> ERR659186 1 0.2828 0.6208 0.868 0.000 NA 0.000 0.040 0.080
#> ERR659091 1 0.2806 0.6090 0.872 0.000 NA 0.000 0.056 0.060
#> ERR659187 1 0.2806 0.6090 0.872 0.000 NA 0.000 0.056 0.060
#> ERR659092 1 0.4442 0.5500 0.752 0.000 NA 0.000 0.044 0.148
#> ERR659188 1 0.4442 0.5500 0.752 0.000 NA 0.000 0.044 0.148
#> ERR659093 1 0.2527 0.6174 0.880 0.000 NA 0.000 0.032 0.084
#> ERR659189 1 0.2527 0.6174 0.880 0.000 NA 0.000 0.032 0.084
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.995 0.998 0.3147 0.683 0.683
#> 3 3 0.483 0.830 0.875 0.8769 0.730 0.604
#> 4 4 0.479 0.645 0.780 0.1871 0.920 0.809
#> 5 5 0.498 0.507 0.705 0.0806 0.921 0.775
#> 6 6 0.535 0.450 0.652 0.0498 0.934 0.779
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
#> ERR467487 2 0.0000 0.989 0.000 1.000
#> ERR467498 2 0.0000 0.989 0.000 1.000
#> ERR658998 1 0.0000 1.000 1.000 0.000
#> ERR659094 1 0.0000 1.000 1.000 0.000
#> ERR658999 1 0.0000 1.000 1.000 0.000
#> ERR659095 1 0.0000 1.000 1.000 0.000
#> ERR659000 1 0.0376 0.996 0.996 0.004
#> ERR659096 1 0.0376 0.996 0.996 0.004
#> ERR659001 1 0.0000 1.000 1.000 0.000
#> ERR659097 1 0.0000 1.000 1.000 0.000
#> ERR659002 1 0.0000 1.000 1.000 0.000
#> ERR659098 1 0.0000 1.000 1.000 0.000
#> ERR659003 1 0.0000 1.000 1.000 0.000
#> ERR659099 1 0.0000 1.000 1.000 0.000
#> ERR659004 1 0.0000 1.000 1.000 0.000
#> ERR659100 1 0.0000 1.000 1.000 0.000
#> ERR659005 1 0.0000 1.000 1.000 0.000
#> ERR659101 1 0.0000 1.000 1.000 0.000
#> ERR659006 1 0.0000 1.000 1.000 0.000
#> ERR659102 1 0.0000 1.000 1.000 0.000
#> ERR659007 1 0.0000 1.000 1.000 0.000
#> ERR659103 1 0.0000 1.000 1.000 0.000
#> ERR659008 2 0.0000 0.989 0.000 1.000
#> ERR659104 2 0.0000 0.989 0.000 1.000
#> ERR659009 1 0.0000 1.000 1.000 0.000
#> ERR659105 1 0.0000 1.000 1.000 0.000
#> ERR659010 1 0.0000 1.000 1.000 0.000
#> ERR659106 1 0.0000 1.000 1.000 0.000
#> ERR659011 1 0.0000 1.000 1.000 0.000
#> ERR659107 1 0.0000 1.000 1.000 0.000
#> ERR659012 1 0.0000 1.000 1.000 0.000
#> ERR659108 1 0.0000 1.000 1.000 0.000
#> ERR659013 1 0.0000 1.000 1.000 0.000
#> ERR659109 1 0.0000 1.000 1.000 0.000
#> ERR659014 2 0.0000 0.989 0.000 1.000
#> ERR659110 2 0.0000 0.989 0.000 1.000
#> ERR659015 1 0.0000 1.000 1.000 0.000
#> ERR659111 1 0.0000 1.000 1.000 0.000
#> ERR659016 1 0.0376 0.996 0.996 0.004
#> ERR659112 1 0.0376 0.996 0.996 0.004
#> ERR659017 2 0.0000 0.989 0.000 1.000
#> ERR659113 2 0.0000 0.989 0.000 1.000
#> ERR659018 1 0.0000 1.000 1.000 0.000
#> ERR659114 1 0.0000 1.000 1.000 0.000
#> ERR659019 1 0.0000 1.000 1.000 0.000
#> ERR659115 1 0.0000 1.000 1.000 0.000
#> ERR659020 1 0.0000 1.000 1.000 0.000
#> ERR659116 1 0.0000 1.000 1.000 0.000
#> ERR659021 1 0.0000 1.000 1.000 0.000
#> ERR659117 1 0.0000 1.000 1.000 0.000
#> ERR659022 1 0.0000 1.000 1.000 0.000
#> ERR659118 1 0.0000 1.000 1.000 0.000
#> ERR659023 1 0.0000 1.000 1.000 0.000
#> ERR659119 1 0.0000 1.000 1.000 0.000
#> ERR659024 1 0.0000 1.000 1.000 0.000
#> ERR659120 1 0.0000 1.000 1.000 0.000
#> ERR659025 1 0.0000 1.000 1.000 0.000
#> ERR659121 1 0.0000 1.000 1.000 0.000
#> ERR659026 1 0.0000 1.000 1.000 0.000
#> ERR659122 1 0.0000 1.000 1.000 0.000
#> ERR659027 2 0.7453 0.738 0.212 0.788
#> ERR659123 2 0.7453 0.738 0.212 0.788
#> ERR659028 1 0.0000 1.000 1.000 0.000
#> ERR659124 1 0.0000 1.000 1.000 0.000
#> ERR659029 1 0.0000 1.000 1.000 0.000
#> ERR659125 1 0.0000 1.000 1.000 0.000
#> ERR659030 1 0.0000 1.000 1.000 0.000
#> ERR659126 1 0.0000 1.000 1.000 0.000
#> ERR659031 1 0.0000 1.000 1.000 0.000
#> ERR659127 1 0.0000 1.000 1.000 0.000
#> ERR659032 1 0.0000 1.000 1.000 0.000
#> ERR659128 1 0.0000 1.000 1.000 0.000
#> ERR659033 1 0.0000 1.000 1.000 0.000
#> ERR659129 1 0.0000 1.000 1.000 0.000
#> ERR659034 2 0.0000 0.989 0.000 1.000
#> ERR659130 2 0.0000 0.989 0.000 1.000
#> ERR659035 1 0.0000 1.000 1.000 0.000
#> ERR659131 1 0.0000 1.000 1.000 0.000
#> ERR659036 1 0.0000 1.000 1.000 0.000
#> ERR659132 1 0.0000 1.000 1.000 0.000
#> ERR659037 1 0.0000 1.000 1.000 0.000
#> ERR659133 1 0.0000 1.000 1.000 0.000
#> ERR659038 1 0.0000 1.000 1.000 0.000
#> ERR659134 1 0.0000 1.000 1.000 0.000
#> ERR659039 1 0.0000 1.000 1.000 0.000
#> ERR659135 1 0.0000 1.000 1.000 0.000
#> ERR659040 1 0.0000 1.000 1.000 0.000
#> ERR659136 1 0.0000 1.000 1.000 0.000
#> ERR659041 1 0.0000 1.000 1.000 0.000
#> ERR659137 1 0.0000 1.000 1.000 0.000
#> ERR659042 1 0.0000 1.000 1.000 0.000
#> ERR659138 1 0.0000 1.000 1.000 0.000
#> ERR659043 1 0.0000 1.000 1.000 0.000
#> ERR659139 1 0.0000 1.000 1.000 0.000
#> ERR659044 2 0.0000 0.989 0.000 1.000
#> ERR659140 2 0.0000 0.989 0.000 1.000
#> ERR659045 1 0.0000 1.000 1.000 0.000
#> ERR659141 1 0.0000 1.000 1.000 0.000
#> ERR659046 1 0.0000 1.000 1.000 0.000
#> ERR659142 1 0.0000 1.000 1.000 0.000
#> ERR659047 1 0.0000 1.000 1.000 0.000
#> ERR659143 1 0.0000 1.000 1.000 0.000
#> ERR659048 1 0.0000 1.000 1.000 0.000
#> ERR659144 1 0.0000 1.000 1.000 0.000
#> ERR659049 1 0.0000 1.000 1.000 0.000
#> ERR659145 1 0.0000 1.000 1.000 0.000
#> ERR659050 1 0.0000 1.000 1.000 0.000
#> ERR659146 1 0.0000 1.000 1.000 0.000
#> ERR659051 2 0.0000 0.989 0.000 1.000
#> ERR659147 2 0.0000 0.989 0.000 1.000
#> ERR659052 1 0.0000 1.000 1.000 0.000
#> ERR659148 1 0.0000 1.000 1.000 0.000
#> ERR659053 1 0.0000 1.000 1.000 0.000
#> ERR659149 1 0.0000 1.000 1.000 0.000
#> ERR659054 2 0.0000 0.989 0.000 1.000
#> ERR659150 2 0.0000 0.989 0.000 1.000
#> ERR659055 1 0.0000 1.000 1.000 0.000
#> ERR659151 1 0.0000 1.000 1.000 0.000
#> ERR659056 2 0.0000 0.989 0.000 1.000
#> ERR659152 2 0.0000 0.989 0.000 1.000
#> ERR659057 1 0.0000 1.000 1.000 0.000
#> ERR659153 1 0.0000 1.000 1.000 0.000
#> ERR659058 1 0.0000 1.000 1.000 0.000
#> ERR659154 1 0.0000 1.000 1.000 0.000
#> ERR659059 1 0.0000 1.000 1.000 0.000
#> ERR659155 1 0.0000 1.000 1.000 0.000
#> ERR659060 1 0.0000 1.000 1.000 0.000
#> ERR659156 1 0.0000 1.000 1.000 0.000
#> ERR659061 1 0.0000 1.000 1.000 0.000
#> ERR659157 1 0.0000 1.000 1.000 0.000
#> ERR659062 1 0.0000 1.000 1.000 0.000
#> ERR659158 1 0.0000 1.000 1.000 0.000
#> ERR659063 1 0.0000 1.000 1.000 0.000
#> ERR659159 1 0.0000 1.000 1.000 0.000
#> ERR659064 1 0.0000 1.000 1.000 0.000
#> ERR659160 1 0.0000 1.000 1.000 0.000
#> ERR659065 2 0.0000 0.989 0.000 1.000
#> ERR659161 2 0.0000 0.989 0.000 1.000
#> ERR659066 1 0.0000 1.000 1.000 0.000
#> ERR659162 1 0.0000 1.000 1.000 0.000
#> ERR659067 1 0.0000 1.000 1.000 0.000
#> ERR659163 1 0.0000 1.000 1.000 0.000
#> ERR659068 2 0.0000 0.989 0.000 1.000
#> ERR659164 2 0.0000 0.989 0.000 1.000
#> ERR659069 1 0.0000 1.000 1.000 0.000
#> ERR659165 1 0.0000 1.000 1.000 0.000
#> ERR659070 1 0.0000 1.000 1.000 0.000
#> ERR659166 1 0.0000 1.000 1.000 0.000
#> ERR659071 1 0.0000 1.000 1.000 0.000
#> ERR659167 1 0.0000 1.000 1.000 0.000
#> ERR659072 1 0.0000 1.000 1.000 0.000
#> ERR659168 1 0.0000 1.000 1.000 0.000
#> ERR659073 1 0.0000 1.000 1.000 0.000
#> ERR659169 1 0.0000 1.000 1.000 0.000
#> ERR659074 2 0.0000 0.989 0.000 1.000
#> ERR659170 2 0.0000 0.989 0.000 1.000
#> ERR659075 2 0.0000 0.989 0.000 1.000
#> ERR659171 2 0.0000 0.989 0.000 1.000
#> ERR659076 2 0.0000 0.989 0.000 1.000
#> ERR659172 2 0.0000 0.989 0.000 1.000
#> ERR659077 1 0.0000 1.000 1.000 0.000
#> ERR659173 1 0.0000 1.000 1.000 0.000
#> ERR659078 1 0.0000 1.000 1.000 0.000
#> ERR659174 1 0.0000 1.000 1.000 0.000
#> ERR659079 1 0.0000 1.000 1.000 0.000
#> ERR659175 1 0.0000 1.000 1.000 0.000
#> ERR659080 2 0.0000 0.989 0.000 1.000
#> ERR659176 2 0.0000 0.989 0.000 1.000
#> ERR659081 1 0.0000 1.000 1.000 0.000
#> ERR659177 1 0.0000 1.000 1.000 0.000
#> ERR659082 1 0.0000 1.000 1.000 0.000
#> ERR659178 1 0.0000 1.000 1.000 0.000
#> ERR659083 2 0.0000 0.989 0.000 1.000
#> ERR659179 2 0.0000 0.989 0.000 1.000
#> ERR659084 2 0.0000 0.989 0.000 1.000
#> ERR659180 2 0.0000 0.989 0.000 1.000
#> ERR659085 1 0.0000 1.000 1.000 0.000
#> ERR659181 1 0.0000 1.000 1.000 0.000
#> ERR659086 1 0.0000 1.000 1.000 0.000
#> ERR659182 1 0.0000 1.000 1.000 0.000
#> ERR659087 1 0.0000 1.000 1.000 0.000
#> ERR659183 1 0.0000 1.000 1.000 0.000
#> ERR659088 2 0.0000 0.989 0.000 1.000
#> ERR659184 2 0.0000 0.989 0.000 1.000
#> ERR659089 1 0.0000 1.000 1.000 0.000
#> ERR659185 1 0.0000 1.000 1.000 0.000
#> ERR659090 1 0.0000 1.000 1.000 0.000
#> ERR659186 1 0.0000 1.000 1.000 0.000
#> ERR659091 1 0.0000 1.000 1.000 0.000
#> ERR659187 1 0.0000 1.000 1.000 0.000
#> ERR659092 1 0.0000 1.000 1.000 0.000
#> ERR659188 1 0.0000 1.000 1.000 0.000
#> ERR659093 1 0.0000 1.000 1.000 0.000
#> ERR659189 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
#> ERR467487 2 0.000 0.969 0.000 1.000 0.000
#> ERR467498 2 0.000 0.969 0.000 1.000 0.000
#> ERR658998 1 0.489 0.767 0.772 0.000 0.228
#> ERR659094 1 0.489 0.767 0.772 0.000 0.228
#> ERR658999 3 0.348 0.897 0.128 0.000 0.872
#> ERR659095 3 0.348 0.897 0.128 0.000 0.872
#> ERR659000 1 0.382 0.788 0.852 0.000 0.148
#> ERR659096 1 0.382 0.788 0.852 0.000 0.148
#> ERR659001 1 0.604 0.463 0.620 0.000 0.380
#> ERR659097 1 0.604 0.463 0.620 0.000 0.380
#> ERR659002 1 0.319 0.861 0.888 0.000 0.112
#> ERR659098 1 0.319 0.861 0.888 0.000 0.112
#> ERR659003 1 0.296 0.864 0.900 0.000 0.100
#> ERR659099 1 0.296 0.864 0.900 0.000 0.100
#> ERR659004 3 0.116 0.834 0.028 0.000 0.972
#> ERR659100 3 0.116 0.834 0.028 0.000 0.972
#> ERR659005 1 0.153 0.864 0.960 0.000 0.040
#> ERR659101 1 0.153 0.864 0.960 0.000 0.040
#> ERR659006 3 0.271 0.881 0.088 0.000 0.912
#> ERR659102 3 0.271 0.881 0.088 0.000 0.912
#> ERR659007 1 0.245 0.864 0.924 0.000 0.076
#> ERR659103 1 0.245 0.864 0.924 0.000 0.076
#> ERR659008 2 0.000 0.969 0.000 1.000 0.000
#> ERR659104 2 0.000 0.969 0.000 1.000 0.000
#> ERR659009 3 0.327 0.896 0.116 0.000 0.884
#> ERR659105 3 0.327 0.896 0.116 0.000 0.884
#> ERR659010 3 0.334 0.898 0.120 0.000 0.880
#> ERR659106 3 0.334 0.898 0.120 0.000 0.880
#> ERR659011 3 0.334 0.897 0.120 0.000 0.880
#> ERR659107 3 0.334 0.897 0.120 0.000 0.880
#> ERR659012 3 0.319 0.896 0.112 0.000 0.888
#> ERR659108 3 0.319 0.896 0.112 0.000 0.888
#> ERR659013 1 0.518 0.740 0.744 0.000 0.256
#> ERR659109 1 0.518 0.740 0.744 0.000 0.256
#> ERR659014 2 0.000 0.969 0.000 1.000 0.000
#> ERR659110 2 0.000 0.969 0.000 1.000 0.000
#> ERR659015 1 0.280 0.864 0.908 0.000 0.092
#> ERR659111 1 0.280 0.864 0.908 0.000 0.092
#> ERR659016 1 0.382 0.798 0.852 0.000 0.148
#> ERR659112 1 0.382 0.798 0.852 0.000 0.148
#> ERR659017 2 0.000 0.969 0.000 1.000 0.000
#> ERR659113 2 0.000 0.969 0.000 1.000 0.000
#> ERR659018 1 0.579 0.577 0.668 0.000 0.332
#> ERR659114 1 0.579 0.577 0.668 0.000 0.332
#> ERR659019 3 0.369 0.896 0.140 0.000 0.860
#> ERR659115 3 0.369 0.896 0.140 0.000 0.860
#> ERR659020 1 0.543 0.674 0.716 0.000 0.284
#> ERR659116 1 0.543 0.674 0.716 0.000 0.284
#> ERR659021 1 0.175 0.866 0.952 0.000 0.048
#> ERR659117 1 0.175 0.866 0.952 0.000 0.048
#> ERR659022 1 0.141 0.856 0.964 0.000 0.036
#> ERR659118 1 0.141 0.856 0.964 0.000 0.036
#> ERR659023 1 0.153 0.862 0.960 0.000 0.040
#> ERR659119 1 0.153 0.862 0.960 0.000 0.040
#> ERR659024 1 0.254 0.866 0.920 0.000 0.080
#> ERR659120 1 0.254 0.866 0.920 0.000 0.080
#> ERR659025 1 0.327 0.794 0.884 0.000 0.116
#> ERR659121 1 0.327 0.794 0.884 0.000 0.116
#> ERR659026 3 0.595 0.561 0.360 0.000 0.640
#> ERR659122 3 0.595 0.561 0.360 0.000 0.640
#> ERR659027 2 0.932 0.142 0.388 0.448 0.164
#> ERR659123 2 0.932 0.142 0.388 0.448 0.164
#> ERR659028 1 0.355 0.846 0.868 0.000 0.132
#> ERR659124 1 0.355 0.846 0.868 0.000 0.132
#> ERR659029 1 0.207 0.864 0.940 0.000 0.060
#> ERR659125 1 0.207 0.864 0.940 0.000 0.060
#> ERR659030 1 0.460 0.780 0.796 0.000 0.204
#> ERR659126 1 0.460 0.780 0.796 0.000 0.204
#> ERR659031 1 0.625 0.234 0.556 0.000 0.444
#> ERR659127 1 0.625 0.234 0.556 0.000 0.444
#> ERR659032 1 0.341 0.856 0.876 0.000 0.124
#> ERR659128 1 0.341 0.856 0.876 0.000 0.124
#> ERR659033 1 0.382 0.841 0.852 0.000 0.148
#> ERR659129 1 0.382 0.841 0.852 0.000 0.148
#> ERR659034 2 0.000 0.969 0.000 1.000 0.000
#> ERR659130 2 0.000 0.969 0.000 1.000 0.000
#> ERR659035 1 0.400 0.838 0.840 0.000 0.160
#> ERR659131 1 0.400 0.838 0.840 0.000 0.160
#> ERR659036 1 0.288 0.825 0.904 0.000 0.096
#> ERR659132 1 0.288 0.825 0.904 0.000 0.096
#> ERR659037 1 0.400 0.844 0.840 0.000 0.160
#> ERR659133 1 0.400 0.844 0.840 0.000 0.160
#> ERR659038 3 0.334 0.897 0.120 0.000 0.880
#> ERR659134 3 0.334 0.897 0.120 0.000 0.880
#> ERR659039 3 0.369 0.895 0.140 0.000 0.860
#> ERR659135 3 0.369 0.895 0.140 0.000 0.860
#> ERR659040 1 0.280 0.827 0.908 0.000 0.092
#> ERR659136 1 0.280 0.827 0.908 0.000 0.092
#> ERR659041 3 0.536 0.585 0.276 0.000 0.724
#> ERR659137 3 0.536 0.585 0.276 0.000 0.724
#> ERR659042 1 0.406 0.774 0.836 0.000 0.164
#> ERR659138 1 0.406 0.774 0.836 0.000 0.164
#> ERR659043 1 0.216 0.830 0.936 0.000 0.064
#> ERR659139 1 0.216 0.830 0.936 0.000 0.064
#> ERR659044 2 0.000 0.969 0.000 1.000 0.000
#> ERR659140 2 0.000 0.969 0.000 1.000 0.000
#> ERR659045 3 0.455 0.849 0.200 0.000 0.800
#> ERR659141 3 0.455 0.849 0.200 0.000 0.800
#> ERR659046 1 0.207 0.868 0.940 0.000 0.060
#> ERR659142 1 0.207 0.868 0.940 0.000 0.060
#> ERR659047 1 0.196 0.870 0.944 0.000 0.056
#> ERR659143 1 0.196 0.870 0.944 0.000 0.056
#> ERR659048 1 0.153 0.862 0.960 0.000 0.040
#> ERR659144 1 0.153 0.862 0.960 0.000 0.040
#> ERR659049 3 0.518 0.653 0.256 0.000 0.744
#> ERR659145 3 0.518 0.653 0.256 0.000 0.744
#> ERR659050 1 0.254 0.866 0.920 0.000 0.080
#> ERR659146 1 0.254 0.866 0.920 0.000 0.080
#> ERR659051 2 0.000 0.969 0.000 1.000 0.000
#> ERR659147 2 0.000 0.969 0.000 1.000 0.000
#> ERR659052 3 0.334 0.872 0.120 0.000 0.880
#> ERR659148 3 0.334 0.872 0.120 0.000 0.880
#> ERR659053 1 0.116 0.862 0.972 0.000 0.028
#> ERR659149 1 0.116 0.862 0.972 0.000 0.028
#> ERR659054 2 0.000 0.969 0.000 1.000 0.000
#> ERR659150 2 0.000 0.969 0.000 1.000 0.000
#> ERR659055 3 0.568 0.666 0.316 0.000 0.684
#> ERR659151 3 0.568 0.666 0.316 0.000 0.684
#> ERR659056 2 0.000 0.969 0.000 1.000 0.000
#> ERR659152 2 0.000 0.969 0.000 1.000 0.000
#> ERR659057 1 0.489 0.760 0.772 0.000 0.228
#> ERR659153 1 0.489 0.760 0.772 0.000 0.228
#> ERR659058 3 0.400 0.888 0.160 0.000 0.840
#> ERR659154 3 0.400 0.888 0.160 0.000 0.840
#> ERR659059 1 0.263 0.864 0.916 0.000 0.084
#> ERR659155 1 0.263 0.864 0.916 0.000 0.084
#> ERR659060 1 0.271 0.826 0.912 0.000 0.088
#> ERR659156 1 0.271 0.826 0.912 0.000 0.088
#> ERR659061 1 0.312 0.857 0.892 0.000 0.108
#> ERR659157 1 0.312 0.857 0.892 0.000 0.108
#> ERR659062 1 0.588 0.563 0.652 0.000 0.348
#> ERR659158 1 0.588 0.563 0.652 0.000 0.348
#> ERR659063 1 0.216 0.869 0.936 0.000 0.064
#> ERR659159 1 0.216 0.869 0.936 0.000 0.064
#> ERR659064 1 0.196 0.867 0.944 0.000 0.056
#> ERR659160 1 0.196 0.867 0.944 0.000 0.056
#> ERR659065 2 0.000 0.969 0.000 1.000 0.000
#> ERR659161 2 0.000 0.969 0.000 1.000 0.000
#> ERR659066 3 0.245 0.870 0.076 0.000 0.924
#> ERR659162 3 0.245 0.870 0.076 0.000 0.924
#> ERR659067 3 0.400 0.885 0.160 0.000 0.840
#> ERR659163 3 0.400 0.885 0.160 0.000 0.840
#> ERR659068 2 0.000 0.969 0.000 1.000 0.000
#> ERR659164 2 0.000 0.969 0.000 1.000 0.000
#> ERR659069 3 0.369 0.897 0.140 0.000 0.860
#> ERR659165 3 0.369 0.897 0.140 0.000 0.860
#> ERR659070 1 0.263 0.840 0.916 0.000 0.084
#> ERR659166 1 0.271 0.838 0.912 0.000 0.088
#> ERR659071 1 0.271 0.864 0.912 0.000 0.088
#> ERR659167 1 0.271 0.864 0.912 0.000 0.088
#> ERR659072 3 0.327 0.897 0.116 0.000 0.884
#> ERR659168 3 0.327 0.897 0.116 0.000 0.884
#> ERR659073 3 0.568 0.616 0.316 0.000 0.684
#> ERR659169 3 0.568 0.616 0.316 0.000 0.684
#> ERR659074 2 0.000 0.969 0.000 1.000 0.000
#> ERR659170 2 0.000 0.969 0.000 1.000 0.000
#> ERR659075 2 0.000 0.969 0.000 1.000 0.000
#> ERR659171 2 0.000 0.969 0.000 1.000 0.000
#> ERR659076 2 0.000 0.969 0.000 1.000 0.000
#> ERR659172 2 0.000 0.969 0.000 1.000 0.000
#> ERR659077 1 0.369 0.850 0.860 0.000 0.140
#> ERR659173 1 0.369 0.850 0.860 0.000 0.140
#> ERR659078 1 0.369 0.850 0.860 0.000 0.140
#> ERR659174 1 0.369 0.850 0.860 0.000 0.140
#> ERR659079 1 0.327 0.854 0.884 0.000 0.116
#> ERR659175 1 0.327 0.854 0.884 0.000 0.116
#> ERR659080 2 0.000 0.969 0.000 1.000 0.000
#> ERR659176 2 0.000 0.969 0.000 1.000 0.000
#> ERR659081 1 0.245 0.865 0.924 0.000 0.076
#> ERR659177 1 0.245 0.865 0.924 0.000 0.076
#> ERR659082 1 0.207 0.867 0.940 0.000 0.060
#> ERR659178 1 0.207 0.867 0.940 0.000 0.060
#> ERR659083 2 0.000 0.969 0.000 1.000 0.000
#> ERR659179 2 0.000 0.969 0.000 1.000 0.000
#> ERR659084 2 0.000 0.969 0.000 1.000 0.000
#> ERR659180 2 0.000 0.969 0.000 1.000 0.000
#> ERR659085 1 0.593 0.540 0.644 0.000 0.356
#> ERR659181 1 0.593 0.540 0.644 0.000 0.356
#> ERR659086 1 0.412 0.825 0.832 0.000 0.168
#> ERR659182 1 0.412 0.825 0.832 0.000 0.168
#> ERR659087 3 0.388 0.891 0.152 0.000 0.848
#> ERR659183 3 0.388 0.891 0.152 0.000 0.848
#> ERR659088 2 0.000 0.969 0.000 1.000 0.000
#> ERR659184 2 0.000 0.969 0.000 1.000 0.000
#> ERR659089 1 0.608 0.465 0.612 0.000 0.388
#> ERR659185 1 0.608 0.465 0.612 0.000 0.388
#> ERR659090 1 0.254 0.869 0.920 0.000 0.080
#> ERR659186 1 0.254 0.869 0.920 0.000 0.080
#> ERR659091 1 0.418 0.822 0.828 0.000 0.172
#> ERR659187 1 0.418 0.822 0.828 0.000 0.172
#> ERR659092 1 0.369 0.845 0.860 0.000 0.140
#> ERR659188 1 0.369 0.845 0.860 0.000 0.140
#> ERR659093 1 0.271 0.863 0.912 0.000 0.088
#> ERR659189 1 0.271 0.863 0.912 0.000 0.088
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR467498 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR658998 1 0.5902 0.5864 0.700 0.000 0.160 0.140
#> ERR659094 1 0.5902 0.5864 0.700 0.000 0.160 0.140
#> ERR658999 3 0.1302 0.8337 0.044 0.000 0.956 0.000
#> ERR659095 3 0.1302 0.8337 0.044 0.000 0.956 0.000
#> ERR659000 4 0.3836 0.5935 0.168 0.000 0.016 0.816
#> ERR659096 4 0.3836 0.5935 0.168 0.000 0.016 0.816
#> ERR659001 1 0.5517 0.3816 0.568 0.000 0.412 0.020
#> ERR659097 1 0.5517 0.3816 0.568 0.000 0.412 0.020
#> ERR659002 1 0.5833 0.5905 0.692 0.000 0.096 0.212
#> ERR659098 1 0.5833 0.5905 0.692 0.000 0.096 0.212
#> ERR659003 1 0.5429 0.5926 0.720 0.000 0.072 0.208
#> ERR659099 1 0.5429 0.5926 0.720 0.000 0.072 0.208
#> ERR659004 3 0.3306 0.7152 0.004 0.000 0.840 0.156
#> ERR659100 3 0.3306 0.7152 0.004 0.000 0.840 0.156
#> ERR659005 1 0.4636 0.6056 0.772 0.000 0.040 0.188
#> ERR659101 1 0.4636 0.6056 0.772 0.000 0.040 0.188
#> ERR659006 3 0.2335 0.8023 0.020 0.000 0.920 0.060
#> ERR659102 3 0.2335 0.8023 0.020 0.000 0.920 0.060
#> ERR659007 1 0.3312 0.6592 0.876 0.000 0.072 0.052
#> ERR659103 1 0.3312 0.6592 0.876 0.000 0.072 0.052
#> ERR659008 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659009 3 0.1929 0.8115 0.036 0.000 0.940 0.024
#> ERR659105 3 0.1929 0.8115 0.036 0.000 0.940 0.024
#> ERR659010 3 0.1557 0.8332 0.056 0.000 0.944 0.000
#> ERR659106 3 0.1557 0.8332 0.056 0.000 0.944 0.000
#> ERR659011 3 0.1902 0.8347 0.064 0.000 0.932 0.004
#> ERR659107 3 0.1902 0.8347 0.064 0.000 0.932 0.004
#> ERR659012 3 0.1297 0.8187 0.016 0.000 0.964 0.020
#> ERR659108 3 0.1297 0.8187 0.016 0.000 0.964 0.020
#> ERR659013 4 0.6887 0.1072 0.444 0.000 0.104 0.452
#> ERR659109 4 0.6887 0.1072 0.444 0.000 0.104 0.452
#> ERR659014 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659015 1 0.3764 0.6602 0.852 0.000 0.072 0.076
#> ERR659111 1 0.3764 0.6602 0.852 0.000 0.072 0.076
#> ERR659016 4 0.4468 0.6039 0.232 0.000 0.016 0.752
#> ERR659112 4 0.4468 0.6039 0.232 0.000 0.016 0.752
#> ERR659017 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659018 1 0.5527 0.4593 0.616 0.000 0.356 0.028
#> ERR659114 1 0.5527 0.4593 0.616 0.000 0.356 0.028
#> ERR659019 3 0.2611 0.8218 0.096 0.000 0.896 0.008
#> ERR659115 3 0.2611 0.8218 0.096 0.000 0.896 0.008
#> ERR659020 1 0.5489 0.5841 0.700 0.000 0.240 0.060
#> ERR659116 1 0.5489 0.5841 0.700 0.000 0.240 0.060
#> ERR659021 1 0.3421 0.6533 0.868 0.000 0.044 0.088
#> ERR659117 1 0.3421 0.6533 0.868 0.000 0.044 0.088
#> ERR659022 1 0.5195 0.5328 0.692 0.000 0.032 0.276
#> ERR659118 1 0.5195 0.5328 0.692 0.000 0.032 0.276
#> ERR659023 1 0.3810 0.6165 0.804 0.000 0.008 0.188
#> ERR659119 1 0.3810 0.6165 0.804 0.000 0.008 0.188
#> ERR659024 1 0.3842 0.6130 0.836 0.000 0.036 0.128
#> ERR659120 1 0.3842 0.6130 0.836 0.000 0.036 0.128
#> ERR659025 4 0.5408 0.3361 0.408 0.000 0.016 0.576
#> ERR659121 4 0.5408 0.3361 0.408 0.000 0.016 0.576
#> ERR659026 3 0.6554 0.2188 0.376 0.000 0.540 0.084
#> ERR659122 3 0.6554 0.2188 0.376 0.000 0.540 0.084
#> ERR659027 4 0.6080 0.6044 0.140 0.092 0.036 0.732
#> ERR659123 4 0.6080 0.6044 0.140 0.092 0.036 0.732
#> ERR659028 1 0.5968 0.4303 0.664 0.000 0.084 0.252
#> ERR659124 1 0.5968 0.4303 0.664 0.000 0.084 0.252
#> ERR659029 1 0.4781 0.5478 0.752 0.000 0.036 0.212
#> ERR659125 1 0.4868 0.5468 0.748 0.000 0.040 0.212
#> ERR659030 1 0.5489 0.5707 0.700 0.000 0.240 0.060
#> ERR659126 1 0.5489 0.5707 0.700 0.000 0.240 0.060
#> ERR659031 1 0.7906 -0.2131 0.356 0.000 0.300 0.344
#> ERR659127 1 0.7909 -0.2162 0.356 0.000 0.304 0.340
#> ERR659032 1 0.5807 0.3791 0.596 0.000 0.040 0.364
#> ERR659128 1 0.5807 0.3791 0.596 0.000 0.040 0.364
#> ERR659033 1 0.5758 0.6134 0.712 0.000 0.128 0.160
#> ERR659129 1 0.5758 0.6134 0.712 0.000 0.128 0.160
#> ERR659034 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659035 1 0.6182 0.3900 0.636 0.000 0.088 0.276
#> ERR659131 1 0.6182 0.3900 0.636 0.000 0.088 0.276
#> ERR659036 1 0.6214 -0.1279 0.480 0.000 0.052 0.468
#> ERR659132 1 0.6214 -0.1279 0.480 0.000 0.052 0.468
#> ERR659037 1 0.6074 0.5000 0.648 0.000 0.084 0.268
#> ERR659133 1 0.6074 0.5000 0.648 0.000 0.084 0.268
#> ERR659038 3 0.1398 0.8326 0.040 0.000 0.956 0.004
#> ERR659134 3 0.1398 0.8326 0.040 0.000 0.956 0.004
#> ERR659039 3 0.1743 0.8355 0.056 0.000 0.940 0.004
#> ERR659135 3 0.1743 0.8355 0.056 0.000 0.940 0.004
#> ERR659040 1 0.5408 0.2566 0.576 0.000 0.016 0.408
#> ERR659136 1 0.5408 0.2566 0.576 0.000 0.016 0.408
#> ERR659041 4 0.5247 0.6097 0.100 0.000 0.148 0.752
#> ERR659137 4 0.5247 0.6097 0.100 0.000 0.148 0.752
#> ERR659042 4 0.4567 0.5793 0.276 0.000 0.008 0.716
#> ERR659138 4 0.4567 0.5793 0.276 0.000 0.008 0.716
#> ERR659043 1 0.4655 0.4362 0.684 0.000 0.004 0.312
#> ERR659139 1 0.4655 0.4362 0.684 0.000 0.004 0.312
#> ERR659044 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659045 3 0.3937 0.7255 0.188 0.000 0.800 0.012
#> ERR659141 3 0.3937 0.7255 0.188 0.000 0.800 0.012
#> ERR659046 1 0.3370 0.6534 0.872 0.000 0.048 0.080
#> ERR659142 1 0.3370 0.6534 0.872 0.000 0.048 0.080
#> ERR659047 1 0.4740 0.6405 0.788 0.000 0.080 0.132
#> ERR659143 1 0.4740 0.6405 0.788 0.000 0.080 0.132
#> ERR659048 1 0.4050 0.6121 0.808 0.000 0.024 0.168
#> ERR659144 1 0.4050 0.6121 0.808 0.000 0.024 0.168
#> ERR659049 4 0.7390 0.4950 0.204 0.000 0.284 0.512
#> ERR659145 4 0.7390 0.4950 0.204 0.000 0.284 0.512
#> ERR659050 1 0.4833 0.5645 0.740 0.000 0.032 0.228
#> ERR659146 1 0.4833 0.5645 0.740 0.000 0.032 0.228
#> ERR659051 2 0.0188 0.9925 0.000 0.996 0.000 0.004
#> ERR659147 2 0.0188 0.9925 0.000 0.996 0.000 0.004
#> ERR659052 3 0.3617 0.7872 0.076 0.000 0.860 0.064
#> ERR659148 3 0.3617 0.7872 0.076 0.000 0.860 0.064
#> ERR659053 1 0.4500 0.6018 0.776 0.000 0.032 0.192
#> ERR659149 1 0.4500 0.6018 0.776 0.000 0.032 0.192
#> ERR659054 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659055 3 0.5476 0.2571 0.396 0.000 0.584 0.020
#> ERR659151 3 0.5476 0.2571 0.396 0.000 0.584 0.020
#> ERR659056 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659152 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659057 1 0.4761 0.6172 0.764 0.000 0.192 0.044
#> ERR659153 1 0.4761 0.6172 0.764 0.000 0.192 0.044
#> ERR659058 3 0.2988 0.8075 0.112 0.000 0.876 0.012
#> ERR659154 3 0.2988 0.8075 0.112 0.000 0.876 0.012
#> ERR659059 1 0.3398 0.6569 0.872 0.000 0.068 0.060
#> ERR659155 1 0.3398 0.6569 0.872 0.000 0.068 0.060
#> ERR659060 1 0.5268 0.2688 0.592 0.000 0.012 0.396
#> ERR659156 1 0.5268 0.2688 0.592 0.000 0.012 0.396
#> ERR659061 1 0.6078 0.4414 0.620 0.000 0.068 0.312
#> ERR659157 1 0.6078 0.4414 0.620 0.000 0.068 0.312
#> ERR659062 1 0.7175 0.3945 0.556 0.000 0.220 0.224
#> ERR659158 1 0.7175 0.3945 0.556 0.000 0.220 0.224
#> ERR659063 1 0.4444 0.6576 0.808 0.000 0.072 0.120
#> ERR659159 1 0.4444 0.6576 0.808 0.000 0.072 0.120
#> ERR659064 1 0.5257 0.6243 0.752 0.000 0.104 0.144
#> ERR659160 1 0.5257 0.6243 0.752 0.000 0.104 0.144
#> ERR659065 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659066 3 0.3107 0.7899 0.036 0.000 0.884 0.080
#> ERR659162 3 0.3107 0.7899 0.036 0.000 0.884 0.080
#> ERR659067 3 0.2654 0.8103 0.108 0.000 0.888 0.004
#> ERR659163 3 0.2654 0.8103 0.108 0.000 0.888 0.004
#> ERR659068 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659069 3 0.2142 0.8321 0.056 0.000 0.928 0.016
#> ERR659165 3 0.2142 0.8321 0.056 0.000 0.928 0.016
#> ERR659070 1 0.5660 0.2937 0.576 0.000 0.028 0.396
#> ERR659166 1 0.5660 0.2937 0.576 0.000 0.028 0.396
#> ERR659071 1 0.4541 0.6135 0.796 0.000 0.060 0.144
#> ERR659167 1 0.4541 0.6135 0.796 0.000 0.060 0.144
#> ERR659072 3 0.1624 0.8225 0.028 0.000 0.952 0.020
#> ERR659168 3 0.1624 0.8225 0.028 0.000 0.952 0.020
#> ERR659073 3 0.7269 0.0984 0.296 0.000 0.524 0.180
#> ERR659169 3 0.7269 0.0984 0.296 0.000 0.524 0.180
#> ERR659074 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659075 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659171 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659076 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659077 1 0.6869 0.4608 0.564 0.000 0.132 0.304
#> ERR659173 1 0.6869 0.4608 0.564 0.000 0.132 0.304
#> ERR659078 1 0.6327 0.5769 0.648 0.000 0.124 0.228
#> ERR659174 1 0.6327 0.5769 0.648 0.000 0.124 0.228
#> ERR659079 1 0.5395 0.6031 0.736 0.000 0.092 0.172
#> ERR659175 1 0.5395 0.6031 0.736 0.000 0.092 0.172
#> ERR659080 2 0.0921 0.9748 0.000 0.972 0.000 0.028
#> ERR659176 2 0.0921 0.9748 0.000 0.972 0.000 0.028
#> ERR659081 1 0.5351 0.6205 0.744 0.000 0.104 0.152
#> ERR659177 1 0.5351 0.6205 0.744 0.000 0.104 0.152
#> ERR659082 1 0.5598 0.5720 0.704 0.000 0.076 0.220
#> ERR659178 1 0.5598 0.5720 0.704 0.000 0.076 0.220
#> ERR659083 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 0.9952 0.000 1.000 0.000 0.000
#> ERR659085 1 0.6542 0.5310 0.620 0.000 0.252 0.128
#> ERR659181 1 0.6542 0.5310 0.620 0.000 0.252 0.128
#> ERR659086 1 0.6121 0.6061 0.680 0.000 0.156 0.164
#> ERR659182 1 0.6121 0.6061 0.680 0.000 0.156 0.164
#> ERR659087 3 0.3581 0.7776 0.116 0.000 0.852 0.032
#> ERR659183 3 0.3581 0.7776 0.116 0.000 0.852 0.032
#> ERR659088 2 0.1637 0.9462 0.000 0.940 0.000 0.060
#> ERR659184 2 0.1637 0.9462 0.000 0.940 0.000 0.060
#> ERR659089 4 0.7573 0.3054 0.332 0.000 0.208 0.460
#> ERR659185 4 0.7559 0.3036 0.336 0.000 0.204 0.460
#> ERR659090 1 0.6359 0.5868 0.648 0.000 0.132 0.220
#> ERR659186 1 0.6359 0.5868 0.648 0.000 0.132 0.220
#> ERR659091 1 0.5113 0.6269 0.760 0.000 0.152 0.088
#> ERR659187 1 0.5113 0.6269 0.760 0.000 0.152 0.088
#> ERR659092 1 0.5140 0.6045 0.760 0.000 0.096 0.144
#> ERR659188 1 0.5140 0.6045 0.760 0.000 0.096 0.144
#> ERR659093 1 0.4724 0.6471 0.792 0.000 0.112 0.096
#> ERR659189 1 0.4724 0.6471 0.792 0.000 0.112 0.096
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR467498 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR658998 1 0.6498 0.1347 0.544 0.000 0.032 0.316 0.108
#> ERR659094 1 0.6498 0.1347 0.544 0.000 0.032 0.316 0.108
#> ERR658999 5 0.2293 0.7927 0.084 0.000 0.000 0.016 0.900
#> ERR659095 5 0.2293 0.7927 0.084 0.000 0.000 0.016 0.900
#> ERR659000 3 0.5535 0.4142 0.056 0.000 0.504 0.436 0.004
#> ERR659096 3 0.5535 0.4142 0.056 0.000 0.504 0.436 0.004
#> ERR659001 1 0.6224 0.2606 0.556 0.000 0.016 0.112 0.316
#> ERR659097 1 0.6224 0.2606 0.556 0.000 0.016 0.112 0.316
#> ERR659002 1 0.6978 0.3027 0.580 0.000 0.144 0.188 0.088
#> ERR659098 1 0.6978 0.3027 0.580 0.000 0.144 0.188 0.088
#> ERR659003 1 0.4788 0.4731 0.768 0.000 0.128 0.064 0.040
#> ERR659099 1 0.4788 0.4731 0.768 0.000 0.128 0.064 0.040
#> ERR659004 5 0.4598 0.5766 0.008 0.000 0.240 0.036 0.716
#> ERR659100 5 0.4598 0.5766 0.008 0.000 0.240 0.036 0.716
#> ERR659005 1 0.4561 0.4559 0.776 0.000 0.128 0.076 0.020
#> ERR659101 1 0.4561 0.4559 0.776 0.000 0.128 0.076 0.020
#> ERR659006 5 0.3257 0.7261 0.012 0.000 0.112 0.024 0.852
#> ERR659102 5 0.3257 0.7261 0.012 0.000 0.112 0.024 0.852
#> ERR659007 1 0.2804 0.4765 0.884 0.000 0.004 0.068 0.044
#> ERR659103 1 0.2867 0.4751 0.880 0.000 0.004 0.072 0.044
#> ERR659008 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659009 5 0.2833 0.7636 0.024 0.000 0.020 0.068 0.888
#> ERR659105 5 0.2833 0.7636 0.024 0.000 0.020 0.068 0.888
#> ERR659010 5 0.2644 0.7894 0.060 0.000 0.008 0.036 0.896
#> ERR659106 5 0.2644 0.7894 0.060 0.000 0.008 0.036 0.896
#> ERR659011 5 0.2642 0.7925 0.104 0.000 0.008 0.008 0.880
#> ERR659107 5 0.2642 0.7925 0.104 0.000 0.008 0.008 0.880
#> ERR659012 5 0.1974 0.7685 0.016 0.000 0.036 0.016 0.932
#> ERR659108 5 0.1974 0.7685 0.016 0.000 0.036 0.016 0.932
#> ERR659013 4 0.5906 0.4257 0.156 0.000 0.096 0.684 0.064
#> ERR659109 4 0.5906 0.4257 0.156 0.000 0.096 0.684 0.064
#> ERR659014 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.4787 0.4206 0.744 0.000 0.040 0.184 0.032
#> ERR659111 1 0.4787 0.4206 0.744 0.000 0.040 0.184 0.032
#> ERR659016 3 0.4652 0.5523 0.144 0.000 0.756 0.092 0.008
#> ERR659112 3 0.4652 0.5523 0.144 0.000 0.756 0.092 0.008
#> ERR659017 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.5685 0.3679 0.656 0.000 0.024 0.084 0.236
#> ERR659114 1 0.5685 0.3679 0.656 0.000 0.024 0.084 0.236
#> ERR659019 5 0.3993 0.7642 0.160 0.000 0.020 0.024 0.796
#> ERR659115 5 0.3993 0.7642 0.160 0.000 0.020 0.024 0.796
#> ERR659020 1 0.4703 0.4770 0.768 0.000 0.028 0.068 0.136
#> ERR659116 1 0.4703 0.4770 0.768 0.000 0.028 0.068 0.136
#> ERR659021 1 0.4022 0.4418 0.808 0.000 0.048 0.128 0.016
#> ERR659117 1 0.4022 0.4418 0.808 0.000 0.048 0.128 0.016
#> ERR659022 1 0.5651 0.3855 0.668 0.000 0.216 0.092 0.024
#> ERR659118 1 0.5651 0.3855 0.668 0.000 0.216 0.092 0.024
#> ERR659023 1 0.5336 0.2115 0.632 0.000 0.052 0.304 0.012
#> ERR659119 1 0.5336 0.2115 0.632 0.000 0.052 0.304 0.012
#> ERR659024 1 0.5501 0.0556 0.576 0.000 0.024 0.368 0.032
#> ERR659120 1 0.5501 0.0556 0.576 0.000 0.024 0.368 0.032
#> ERR659025 3 0.6461 0.2808 0.344 0.000 0.496 0.152 0.008
#> ERR659121 3 0.6461 0.2808 0.344 0.000 0.496 0.152 0.008
#> ERR659026 5 0.7395 0.1753 0.284 0.000 0.048 0.212 0.456
#> ERR659122 5 0.7395 0.1753 0.284 0.000 0.048 0.212 0.456
#> ERR659027 3 0.5736 0.5083 0.064 0.008 0.668 0.232 0.028
#> ERR659123 3 0.5736 0.5083 0.064 0.008 0.668 0.232 0.028
#> ERR659028 4 0.5621 0.5312 0.320 0.000 0.028 0.608 0.044
#> ERR659124 4 0.5621 0.5312 0.320 0.000 0.028 0.608 0.044
#> ERR659029 4 0.5426 0.2992 0.472 0.000 0.024 0.484 0.020
#> ERR659125 4 0.5426 0.2992 0.472 0.000 0.024 0.484 0.020
#> ERR659030 1 0.5810 0.4227 0.684 0.000 0.040 0.136 0.140
#> ERR659126 1 0.5810 0.4227 0.684 0.000 0.040 0.136 0.140
#> ERR659031 1 0.8551 -0.1789 0.312 0.000 0.220 0.236 0.232
#> ERR659127 1 0.8551 -0.1789 0.312 0.000 0.220 0.236 0.232
#> ERR659032 4 0.6677 0.3418 0.408 0.000 0.124 0.444 0.024
#> ERR659128 4 0.6677 0.3418 0.408 0.000 0.124 0.444 0.024
#> ERR659033 1 0.5399 0.4600 0.732 0.000 0.112 0.092 0.064
#> ERR659129 1 0.5399 0.4600 0.732 0.000 0.112 0.092 0.064
#> ERR659034 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659035 4 0.7206 0.3944 0.368 0.000 0.084 0.452 0.096
#> ERR659131 4 0.7206 0.3944 0.368 0.000 0.084 0.452 0.096
#> ERR659036 4 0.7463 0.0163 0.256 0.000 0.324 0.384 0.036
#> ERR659132 4 0.7463 0.0163 0.256 0.000 0.324 0.384 0.036
#> ERR659037 1 0.6168 0.3751 0.648 0.000 0.172 0.136 0.044
#> ERR659133 1 0.6168 0.3751 0.648 0.000 0.172 0.136 0.044
#> ERR659038 5 0.2580 0.7920 0.064 0.000 0.020 0.016 0.900
#> ERR659134 5 0.2580 0.7920 0.064 0.000 0.020 0.016 0.900
#> ERR659039 5 0.2974 0.7929 0.080 0.000 0.000 0.052 0.868
#> ERR659135 5 0.2974 0.7929 0.080 0.000 0.000 0.052 0.868
#> ERR659040 4 0.5954 0.5657 0.296 0.000 0.112 0.584 0.008
#> ERR659136 4 0.5971 0.5647 0.300 0.000 0.112 0.580 0.008
#> ERR659041 3 0.5662 0.5145 0.032 0.000 0.680 0.196 0.092
#> ERR659137 3 0.5662 0.5145 0.032 0.000 0.680 0.196 0.092
#> ERR659042 3 0.6223 0.4393 0.160 0.000 0.572 0.260 0.008
#> ERR659138 3 0.6223 0.4393 0.160 0.000 0.572 0.260 0.008
#> ERR659043 4 0.5587 0.5595 0.296 0.000 0.072 0.620 0.012
#> ERR659139 4 0.5587 0.5595 0.296 0.000 0.072 0.620 0.012
#> ERR659044 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659045 5 0.5714 0.6400 0.236 0.000 0.040 0.064 0.660
#> ERR659141 5 0.5689 0.6445 0.232 0.000 0.040 0.064 0.664
#> ERR659046 1 0.4863 0.4032 0.740 0.000 0.040 0.184 0.036
#> ERR659142 1 0.4863 0.4032 0.740 0.000 0.040 0.184 0.036
#> ERR659047 1 0.6011 0.3952 0.664 0.000 0.076 0.192 0.068
#> ERR659143 1 0.6011 0.3952 0.664 0.000 0.076 0.192 0.068
#> ERR659048 1 0.5046 0.2040 0.632 0.000 0.020 0.328 0.020
#> ERR659144 1 0.5046 0.2040 0.632 0.000 0.020 0.328 0.020
#> ERR659049 3 0.8050 0.3891 0.164 0.000 0.440 0.224 0.172
#> ERR659145 3 0.8050 0.3891 0.164 0.000 0.440 0.224 0.172
#> ERR659050 1 0.6301 -0.2514 0.460 0.000 0.064 0.440 0.036
#> ERR659146 1 0.6301 -0.2514 0.460 0.000 0.064 0.440 0.036
#> ERR659051 2 0.1386 0.9511 0.000 0.952 0.032 0.016 0.000
#> ERR659147 2 0.1386 0.9511 0.000 0.952 0.032 0.016 0.000
#> ERR659052 5 0.4947 0.6865 0.044 0.000 0.064 0.136 0.756
#> ERR659148 5 0.4947 0.6865 0.044 0.000 0.064 0.136 0.756
#> ERR659053 1 0.4894 0.4296 0.748 0.000 0.120 0.116 0.016
#> ERR659149 1 0.4894 0.4296 0.748 0.000 0.120 0.116 0.016
#> ERR659054 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659055 1 0.6363 0.0485 0.456 0.000 0.024 0.088 0.432
#> ERR659151 1 0.6364 0.0318 0.452 0.000 0.024 0.088 0.436
#> ERR659056 2 0.0898 0.9648 0.000 0.972 0.020 0.008 0.000
#> ERR659152 2 0.0898 0.9648 0.000 0.972 0.020 0.008 0.000
#> ERR659057 1 0.5362 0.4056 0.712 0.000 0.024 0.152 0.112
#> ERR659153 1 0.5362 0.4056 0.712 0.000 0.024 0.152 0.112
#> ERR659058 5 0.4664 0.7500 0.144 0.000 0.028 0.060 0.768
#> ERR659154 5 0.4664 0.7500 0.144 0.000 0.028 0.060 0.768
#> ERR659059 1 0.5550 0.3903 0.668 0.000 0.028 0.236 0.068
#> ERR659155 1 0.5550 0.3903 0.668 0.000 0.028 0.236 0.068
#> ERR659060 1 0.6249 0.2226 0.540 0.000 0.336 0.108 0.016
#> ERR659156 1 0.6249 0.2226 0.540 0.000 0.336 0.108 0.016
#> ERR659061 1 0.6292 0.3289 0.616 0.000 0.212 0.140 0.032
#> ERR659157 1 0.6292 0.3289 0.616 0.000 0.212 0.140 0.032
#> ERR659062 1 0.7403 0.1586 0.516 0.000 0.120 0.248 0.116
#> ERR659158 1 0.7421 0.1523 0.512 0.000 0.120 0.252 0.116
#> ERR659063 1 0.6234 0.3616 0.628 0.000 0.072 0.232 0.068
#> ERR659159 1 0.6234 0.3616 0.628 0.000 0.072 0.232 0.068
#> ERR659064 1 0.5475 0.4435 0.720 0.000 0.136 0.092 0.052
#> ERR659160 1 0.5475 0.4435 0.720 0.000 0.136 0.092 0.052
#> ERR659065 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659066 5 0.4552 0.7144 0.056 0.000 0.132 0.032 0.780
#> ERR659162 5 0.4552 0.7144 0.056 0.000 0.132 0.032 0.780
#> ERR659067 5 0.3909 0.7558 0.148 0.000 0.004 0.048 0.800
#> ERR659163 5 0.3909 0.7558 0.148 0.000 0.004 0.048 0.800
#> ERR659068 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659069 5 0.2981 0.7895 0.084 0.000 0.016 0.024 0.876
#> ERR659165 5 0.2981 0.7895 0.084 0.000 0.016 0.024 0.876
#> ERR659070 1 0.6446 0.1803 0.516 0.000 0.340 0.128 0.016
#> ERR659166 1 0.6446 0.1803 0.516 0.000 0.340 0.128 0.016
#> ERR659071 1 0.5486 -0.1864 0.508 0.000 0.020 0.444 0.028
#> ERR659167 1 0.5486 -0.1864 0.508 0.000 0.020 0.444 0.028
#> ERR659072 5 0.3138 0.7764 0.060 0.000 0.032 0.032 0.876
#> ERR659168 5 0.3138 0.7764 0.060 0.000 0.032 0.032 0.876
#> ERR659073 5 0.7784 -0.1199 0.376 0.000 0.132 0.116 0.376
#> ERR659169 5 0.7784 -0.1199 0.376 0.000 0.132 0.116 0.376
#> ERR659074 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659077 1 0.7118 -0.1431 0.448 0.000 0.104 0.380 0.068
#> ERR659173 1 0.7118 -0.1431 0.448 0.000 0.104 0.380 0.068
#> ERR659078 1 0.6226 0.4137 0.656 0.000 0.128 0.152 0.064
#> ERR659174 1 0.6226 0.4137 0.656 0.000 0.128 0.152 0.064
#> ERR659079 1 0.6173 0.0154 0.528 0.000 0.036 0.376 0.060
#> ERR659175 1 0.6173 0.0154 0.528 0.000 0.036 0.376 0.060
#> ERR659080 2 0.2570 0.8983 0.000 0.888 0.084 0.028 0.000
#> ERR659176 2 0.2570 0.8983 0.000 0.888 0.084 0.028 0.000
#> ERR659081 1 0.4752 0.4679 0.776 0.000 0.112 0.056 0.056
#> ERR659177 1 0.4752 0.4679 0.776 0.000 0.112 0.056 0.056
#> ERR659082 1 0.6296 0.3439 0.644 0.000 0.160 0.140 0.056
#> ERR659178 1 0.6296 0.3439 0.644 0.000 0.160 0.140 0.056
#> ERR659083 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.9808 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.5796 0.4466 0.696 0.000 0.076 0.080 0.148
#> ERR659181 1 0.5796 0.4466 0.696 0.000 0.076 0.080 0.148
#> ERR659086 1 0.5888 0.4460 0.688 0.000 0.064 0.144 0.104
#> ERR659182 1 0.5888 0.4460 0.688 0.000 0.064 0.144 0.104
#> ERR659087 5 0.4911 0.6920 0.080 0.000 0.044 0.112 0.764
#> ERR659183 5 0.4911 0.6920 0.080 0.000 0.044 0.112 0.764
#> ERR659088 2 0.3484 0.8263 0.000 0.820 0.152 0.024 0.004
#> ERR659184 2 0.3484 0.8263 0.000 0.820 0.152 0.024 0.004
#> ERR659089 3 0.7889 0.2384 0.344 0.000 0.384 0.104 0.168
#> ERR659185 3 0.7889 0.2384 0.344 0.000 0.384 0.104 0.168
#> ERR659090 1 0.7127 0.2067 0.540 0.000 0.124 0.252 0.084
#> ERR659186 1 0.7127 0.2067 0.540 0.000 0.124 0.252 0.084
#> ERR659091 1 0.5970 0.2887 0.612 0.000 0.008 0.232 0.148
#> ERR659187 1 0.5970 0.2887 0.612 0.000 0.008 0.232 0.148
#> ERR659092 1 0.5803 -0.1423 0.484 0.000 0.008 0.440 0.068
#> ERR659188 1 0.5803 -0.1423 0.484 0.000 0.008 0.440 0.068
#> ERR659093 1 0.3960 0.4819 0.828 0.000 0.032 0.080 0.060
#> ERR659189 1 0.3960 0.4819 0.828 0.000 0.032 0.080 0.060
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR467498 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR658998 1 0.706 0.06038 0.452 0.000 0.012 0.156 0.300 0.080
#> ERR659094 1 0.706 0.06038 0.452 0.000 0.012 0.156 0.300 0.080
#> ERR658999 6 0.207 0.75959 0.064 0.000 0.004 0.016 0.004 0.912
#> ERR659095 6 0.207 0.75959 0.064 0.000 0.004 0.016 0.004 0.912
#> ERR659000 3 0.636 0.46785 0.028 0.000 0.468 0.200 0.304 0.000
#> ERR659096 3 0.636 0.46785 0.028 0.000 0.468 0.200 0.304 0.000
#> ERR659001 1 0.616 0.22349 0.472 0.000 0.000 0.056 0.092 0.380
#> ERR659097 1 0.616 0.22349 0.472 0.000 0.000 0.056 0.092 0.380
#> ERR659002 1 0.713 0.22611 0.516 0.000 0.056 0.212 0.168 0.048
#> ERR659098 1 0.713 0.22611 0.516 0.000 0.056 0.212 0.168 0.048
#> ERR659003 1 0.501 0.28854 0.656 0.000 0.024 0.272 0.028 0.020
#> ERR659099 1 0.501 0.28854 0.656 0.000 0.024 0.272 0.028 0.020
#> ERR659004 6 0.626 0.44157 0.012 0.000 0.236 0.136 0.044 0.572
#> ERR659100 6 0.626 0.44157 0.012 0.000 0.236 0.136 0.044 0.572
#> ERR659005 1 0.499 0.29726 0.648 0.000 0.016 0.280 0.044 0.012
#> ERR659101 1 0.499 0.29726 0.648 0.000 0.016 0.280 0.044 0.012
#> ERR659006 6 0.470 0.67744 0.032 0.000 0.108 0.096 0.012 0.752
#> ERR659102 6 0.470 0.67744 0.032 0.000 0.108 0.096 0.012 0.752
#> ERR659007 1 0.357 0.46531 0.836 0.000 0.004 0.044 0.064 0.052
#> ERR659103 1 0.357 0.46531 0.836 0.000 0.004 0.044 0.064 0.052
#> ERR659008 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 6 0.406 0.70690 0.032 0.000 0.008 0.064 0.096 0.800
#> ERR659105 6 0.406 0.70690 0.032 0.000 0.008 0.064 0.096 0.800
#> ERR659010 6 0.314 0.74797 0.040 0.000 0.012 0.044 0.036 0.868
#> ERR659106 6 0.314 0.74797 0.040 0.000 0.012 0.044 0.036 0.868
#> ERR659011 6 0.272 0.75964 0.072 0.000 0.004 0.044 0.004 0.876
#> ERR659107 6 0.272 0.75964 0.072 0.000 0.004 0.044 0.004 0.876
#> ERR659012 6 0.414 0.70146 0.012 0.000 0.068 0.064 0.052 0.804
#> ERR659108 6 0.414 0.70146 0.012 0.000 0.068 0.064 0.052 0.804
#> ERR659013 5 0.588 0.18757 0.044 0.000 0.140 0.116 0.664 0.036
#> ERR659109 5 0.588 0.18757 0.044 0.000 0.140 0.116 0.664 0.036
#> ERR659014 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.546 0.39678 0.660 0.000 0.008 0.144 0.164 0.024
#> ERR659111 1 0.546 0.39678 0.660 0.000 0.008 0.144 0.164 0.024
#> ERR659016 3 0.603 0.41416 0.068 0.000 0.496 0.368 0.068 0.000
#> ERR659112 3 0.603 0.41416 0.068 0.000 0.496 0.368 0.068 0.000
#> ERR659017 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.608 0.34788 0.576 0.000 0.012 0.092 0.048 0.272
#> ERR659114 1 0.608 0.34788 0.576 0.000 0.012 0.092 0.048 0.272
#> ERR659019 6 0.382 0.73218 0.136 0.000 0.008 0.052 0.008 0.796
#> ERR659115 6 0.382 0.73218 0.136 0.000 0.008 0.052 0.008 0.796
#> ERR659020 1 0.503 0.42873 0.708 0.000 0.008 0.096 0.028 0.160
#> ERR659116 1 0.503 0.42873 0.708 0.000 0.008 0.096 0.028 0.160
#> ERR659021 1 0.425 0.43849 0.772 0.000 0.004 0.068 0.132 0.024
#> ERR659117 1 0.425 0.43849 0.772 0.000 0.004 0.068 0.132 0.024
#> ERR659022 1 0.587 0.17608 0.548 0.000 0.040 0.332 0.072 0.008
#> ERR659118 1 0.587 0.17608 0.548 0.000 0.040 0.332 0.072 0.008
#> ERR659023 1 0.602 0.26016 0.560 0.000 0.012 0.148 0.264 0.016
#> ERR659119 1 0.602 0.26016 0.560 0.000 0.012 0.148 0.264 0.016
#> ERR659024 1 0.586 0.06463 0.500 0.000 0.012 0.044 0.396 0.048
#> ERR659120 1 0.586 0.06463 0.500 0.000 0.012 0.044 0.396 0.048
#> ERR659025 4 0.705 0.35830 0.284 0.000 0.192 0.428 0.096 0.000
#> ERR659121 4 0.705 0.35830 0.284 0.000 0.192 0.428 0.096 0.000
#> ERR659026 6 0.817 -0.03966 0.260 0.000 0.052 0.152 0.176 0.360
#> ERR659122 6 0.817 -0.03966 0.260 0.000 0.052 0.152 0.176 0.360
#> ERR659027 3 0.507 0.53897 0.036 0.012 0.740 0.088 0.112 0.012
#> ERR659123 3 0.507 0.53897 0.036 0.012 0.740 0.088 0.112 0.012
#> ERR659028 5 0.507 0.48356 0.212 0.000 0.048 0.024 0.692 0.024
#> ERR659124 5 0.507 0.48356 0.212 0.000 0.048 0.024 0.692 0.024
#> ERR659029 5 0.586 0.20458 0.396 0.000 0.028 0.068 0.496 0.012
#> ERR659125 5 0.586 0.20458 0.396 0.000 0.028 0.068 0.496 0.012
#> ERR659030 1 0.656 0.35716 0.592 0.000 0.028 0.108 0.088 0.184
#> ERR659126 1 0.656 0.35716 0.592 0.000 0.028 0.108 0.088 0.184
#> ERR659031 5 0.886 0.04949 0.216 0.000 0.164 0.212 0.264 0.144
#> ERR659127 5 0.886 0.04949 0.216 0.000 0.164 0.212 0.264 0.144
#> ERR659032 5 0.764 0.18873 0.284 0.000 0.140 0.172 0.388 0.016
#> ERR659128 5 0.764 0.18873 0.284 0.000 0.140 0.172 0.388 0.016
#> ERR659033 1 0.591 0.28222 0.568 0.000 0.016 0.308 0.036 0.072
#> ERR659129 1 0.591 0.28222 0.568 0.000 0.016 0.308 0.036 0.072
#> ERR659034 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 5 0.694 0.37613 0.232 0.000 0.060 0.152 0.524 0.032
#> ERR659131 5 0.694 0.37613 0.232 0.000 0.060 0.152 0.524 0.032
#> ERR659036 5 0.817 0.02542 0.188 0.000 0.244 0.216 0.320 0.032
#> ERR659132 5 0.817 0.02542 0.188 0.000 0.244 0.216 0.320 0.032
#> ERR659037 1 0.612 0.21044 0.612 0.000 0.080 0.224 0.060 0.024
#> ERR659133 1 0.612 0.21044 0.612 0.000 0.080 0.224 0.060 0.024
#> ERR659038 6 0.230 0.75076 0.028 0.000 0.028 0.024 0.008 0.912
#> ERR659134 6 0.230 0.75076 0.028 0.000 0.028 0.024 0.008 0.912
#> ERR659039 6 0.255 0.75700 0.068 0.000 0.000 0.024 0.020 0.888
#> ERR659135 6 0.255 0.75700 0.068 0.000 0.000 0.024 0.020 0.888
#> ERR659040 5 0.655 0.43124 0.192 0.000 0.144 0.100 0.560 0.004
#> ERR659136 5 0.655 0.43124 0.192 0.000 0.144 0.100 0.560 0.004
#> ERR659041 3 0.591 0.52789 0.024 0.000 0.644 0.172 0.120 0.040
#> ERR659137 3 0.591 0.52789 0.024 0.000 0.644 0.172 0.120 0.040
#> ERR659042 3 0.732 0.35431 0.144 0.000 0.424 0.268 0.160 0.004
#> ERR659138 3 0.732 0.35431 0.144 0.000 0.424 0.268 0.160 0.004
#> ERR659043 5 0.624 0.42649 0.244 0.000 0.060 0.104 0.580 0.012
#> ERR659139 5 0.622 0.42741 0.248 0.000 0.060 0.100 0.580 0.012
#> ERR659044 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 6 0.536 0.60006 0.240 0.000 0.012 0.064 0.032 0.652
#> ERR659141 6 0.536 0.60006 0.240 0.000 0.012 0.064 0.032 0.652
#> ERR659046 1 0.510 0.35174 0.672 0.000 0.016 0.056 0.236 0.020
#> ERR659142 1 0.510 0.35174 0.672 0.000 0.016 0.056 0.236 0.020
#> ERR659047 1 0.641 0.35929 0.576 0.000 0.020 0.196 0.164 0.044
#> ERR659143 1 0.641 0.35929 0.576 0.000 0.020 0.196 0.164 0.044
#> ERR659048 1 0.543 0.18249 0.576 0.000 0.024 0.048 0.340 0.012
#> ERR659144 1 0.543 0.18249 0.576 0.000 0.024 0.048 0.340 0.012
#> ERR659049 4 0.815 -0.17883 0.120 0.000 0.312 0.356 0.120 0.092
#> ERR659145 4 0.815 -0.17883 0.120 0.000 0.312 0.356 0.120 0.092
#> ERR659050 1 0.653 -0.14516 0.432 0.000 0.072 0.116 0.380 0.000
#> ERR659146 1 0.653 -0.14516 0.432 0.000 0.072 0.116 0.380 0.000
#> ERR659051 2 0.196 0.90051 0.000 0.908 0.080 0.008 0.004 0.000
#> ERR659147 2 0.196 0.90051 0.000 0.908 0.080 0.008 0.004 0.000
#> ERR659052 6 0.679 0.49962 0.048 0.000 0.096 0.080 0.204 0.572
#> ERR659148 6 0.679 0.49962 0.048 0.000 0.096 0.080 0.204 0.572
#> ERR659053 1 0.544 0.37138 0.672 0.000 0.020 0.188 0.096 0.024
#> ERR659149 1 0.544 0.37138 0.672 0.000 0.020 0.188 0.096 0.024
#> ERR659054 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 6 0.593 0.12411 0.412 0.000 0.008 0.064 0.040 0.476
#> ERR659151 6 0.593 0.12411 0.412 0.000 0.008 0.064 0.040 0.476
#> ERR659056 2 0.101 0.93924 0.000 0.960 0.036 0.004 0.000 0.000
#> ERR659152 2 0.101 0.93924 0.000 0.960 0.036 0.004 0.000 0.000
#> ERR659057 1 0.601 0.38012 0.624 0.000 0.012 0.056 0.188 0.120
#> ERR659153 1 0.601 0.38012 0.624 0.000 0.012 0.056 0.188 0.120
#> ERR659058 6 0.491 0.69131 0.116 0.000 0.008 0.092 0.048 0.736
#> ERR659154 6 0.491 0.69131 0.116 0.000 0.008 0.092 0.048 0.736
#> ERR659059 1 0.526 0.35025 0.636 0.000 0.000 0.064 0.260 0.040
#> ERR659155 1 0.526 0.35025 0.636 0.000 0.000 0.064 0.260 0.040
#> ERR659060 1 0.646 -0.19425 0.436 0.000 0.100 0.396 0.064 0.004
#> ERR659156 1 0.646 -0.19425 0.436 0.000 0.100 0.396 0.064 0.004
#> ERR659061 1 0.639 0.10325 0.528 0.000 0.076 0.308 0.076 0.012
#> ERR659157 1 0.639 0.10325 0.528 0.000 0.076 0.308 0.076 0.012
#> ERR659062 1 0.779 0.05583 0.416 0.000 0.052 0.264 0.176 0.092
#> ERR659158 1 0.779 0.05583 0.416 0.000 0.052 0.264 0.176 0.092
#> ERR659063 1 0.671 0.30473 0.544 0.000 0.028 0.200 0.184 0.044
#> ERR659159 1 0.671 0.30473 0.544 0.000 0.028 0.200 0.184 0.044
#> ERR659064 1 0.629 0.27072 0.548 0.000 0.012 0.292 0.064 0.084
#> ERR659160 1 0.629 0.27072 0.548 0.000 0.012 0.292 0.064 0.084
#> ERR659065 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 6 0.544 0.65021 0.048 0.000 0.104 0.148 0.012 0.688
#> ERR659162 6 0.544 0.65021 0.048 0.000 0.104 0.148 0.012 0.688
#> ERR659067 6 0.342 0.73845 0.116 0.000 0.000 0.044 0.016 0.824
#> ERR659163 6 0.342 0.73845 0.116 0.000 0.000 0.044 0.016 0.824
#> ERR659068 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 6 0.298 0.75354 0.064 0.000 0.012 0.036 0.016 0.872
#> ERR659165 6 0.298 0.75354 0.064 0.000 0.012 0.036 0.016 0.872
#> ERR659070 4 0.647 0.26731 0.404 0.000 0.100 0.432 0.056 0.008
#> ERR659166 4 0.647 0.26731 0.404 0.000 0.100 0.432 0.056 0.008
#> ERR659071 1 0.583 0.00772 0.480 0.000 0.004 0.064 0.412 0.040
#> ERR659167 1 0.583 0.00772 0.480 0.000 0.004 0.064 0.412 0.040
#> ERR659072 6 0.443 0.73060 0.068 0.000 0.036 0.060 0.044 0.792
#> ERR659168 6 0.443 0.73060 0.068 0.000 0.036 0.060 0.044 0.792
#> ERR659073 1 0.783 -0.08581 0.316 0.000 0.052 0.276 0.060 0.296
#> ERR659169 1 0.783 -0.08581 0.316 0.000 0.052 0.276 0.060 0.296
#> ERR659074 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659171 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659076 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 4 0.754 0.01708 0.308 0.000 0.036 0.316 0.292 0.048
#> ERR659173 4 0.754 0.01708 0.308 0.000 0.036 0.316 0.292 0.048
#> ERR659078 1 0.645 0.19684 0.556 0.000 0.028 0.268 0.100 0.048
#> ERR659174 1 0.645 0.19684 0.556 0.000 0.028 0.268 0.100 0.048
#> ERR659079 1 0.655 -0.04226 0.424 0.000 0.008 0.160 0.376 0.032
#> ERR659175 1 0.655 -0.04226 0.424 0.000 0.008 0.160 0.376 0.032
#> ERR659080 2 0.311 0.78213 0.000 0.792 0.196 0.012 0.000 0.000
#> ERR659176 2 0.311 0.78213 0.000 0.792 0.196 0.012 0.000 0.000
#> ERR659081 1 0.534 0.31304 0.632 0.000 0.016 0.276 0.028 0.048
#> ERR659177 1 0.534 0.31304 0.632 0.000 0.016 0.276 0.028 0.048
#> ERR659082 1 0.725 0.17634 0.496 0.000 0.068 0.244 0.144 0.048
#> ERR659178 1 0.728 0.18494 0.496 0.000 0.068 0.244 0.140 0.052
#> ERR659083 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.000 0.96381 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.569 0.38271 0.656 0.000 0.020 0.160 0.028 0.136
#> ERR659181 1 0.569 0.38271 0.656 0.000 0.020 0.160 0.028 0.136
#> ERR659086 1 0.630 0.35518 0.616 0.000 0.024 0.180 0.080 0.100
#> ERR659182 1 0.630 0.35518 0.616 0.000 0.024 0.180 0.080 0.100
#> ERR659087 6 0.603 0.62177 0.092 0.000 0.024 0.108 0.120 0.656
#> ERR659183 6 0.603 0.62177 0.092 0.000 0.024 0.108 0.120 0.656
#> ERR659088 2 0.427 0.61859 0.000 0.676 0.292 0.012 0.016 0.004
#> ERR659184 2 0.427 0.61859 0.000 0.676 0.292 0.012 0.016 0.004
#> ERR659089 4 0.755 0.29139 0.188 0.000 0.148 0.500 0.084 0.080
#> ERR659185 4 0.755 0.29139 0.188 0.000 0.148 0.500 0.084 0.080
#> ERR659090 1 0.752 -0.03527 0.400 0.000 0.032 0.300 0.196 0.072
#> ERR659186 1 0.752 -0.03527 0.400 0.000 0.032 0.300 0.196 0.072
#> ERR659091 1 0.649 0.29271 0.532 0.000 0.000 0.084 0.244 0.140
#> ERR659187 1 0.649 0.29271 0.532 0.000 0.000 0.084 0.244 0.140
#> ERR659092 5 0.620 0.11384 0.408 0.000 0.000 0.112 0.436 0.044
#> ERR659188 5 0.620 0.11384 0.408 0.000 0.000 0.112 0.436 0.044
#> ERR659093 1 0.443 0.46089 0.780 0.000 0.008 0.072 0.072 0.068
#> ERR659189 1 0.443 0.46089 0.780 0.000 0.008 0.072 0.072 0.068
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 1.000 1.000 0.2187 0.782 0.782
#> 3 3 1 0.993 0.997 0.1065 0.982 0.977
#> 4 4 1 0.998 0.999 0.0579 0.982 0.977
#> 5 5 1 0.998 0.998 0.0686 0.982 0.977
#> 6 6 1 0.988 0.993 0.0908 0.983 0.976
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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.3551 0.853 0.868 0 0.132
#> ERR467498 1 0.3551 0.853 0.868 0 0.132
#> ERR658998 1 0.0000 0.996 1.000 0 0.000
#> ERR659094 1 0.0000 0.996 1.000 0 0.000
#> ERR658999 1 0.0000 0.996 1.000 0 0.000
#> ERR659095 1 0.0000 0.996 1.000 0 0.000
#> ERR659000 1 0.0000 0.996 1.000 0 0.000
#> ERR659096 1 0.0000 0.996 1.000 0 0.000
#> ERR659001 1 0.0000 0.996 1.000 0 0.000
#> ERR659097 1 0.0000 0.996 1.000 0 0.000
#> ERR659002 1 0.0000 0.996 1.000 0 0.000
#> ERR659098 1 0.0000 0.996 1.000 0 0.000
#> ERR659003 1 0.0000 0.996 1.000 0 0.000
#> ERR659099 1 0.0000 0.996 1.000 0 0.000
#> ERR659004 1 0.0000 0.996 1.000 0 0.000
#> ERR659100 1 0.0000 0.996 1.000 0 0.000
#> ERR659005 1 0.0000 0.996 1.000 0 0.000
#> ERR659101 1 0.0000 0.996 1.000 0 0.000
#> ERR659006 1 0.0000 0.996 1.000 0 0.000
#> ERR659102 1 0.0000 0.996 1.000 0 0.000
#> ERR659007 1 0.0000 0.996 1.000 0 0.000
#> ERR659103 1 0.0000 0.996 1.000 0 0.000
#> ERR659008 2 0.0000 1.000 0.000 1 0.000
#> ERR659104 2 0.0000 1.000 0.000 1 0.000
#> ERR659009 1 0.0000 0.996 1.000 0 0.000
#> ERR659105 1 0.0000 0.996 1.000 0 0.000
#> ERR659010 1 0.0000 0.996 1.000 0 0.000
#> ERR659106 1 0.0000 0.996 1.000 0 0.000
#> ERR659011 1 0.0000 0.996 1.000 0 0.000
#> ERR659107 1 0.0000 0.996 1.000 0 0.000
#> ERR659012 1 0.0000 0.996 1.000 0 0.000
#> ERR659108 1 0.0000 0.996 1.000 0 0.000
#> ERR659013 1 0.0000 0.996 1.000 0 0.000
#> ERR659109 1 0.0000 0.996 1.000 0 0.000
#> ERR659014 2 0.0000 1.000 0.000 1 0.000
#> ERR659110 2 0.0000 1.000 0.000 1 0.000
#> ERR659015 1 0.0000 0.996 1.000 0 0.000
#> ERR659111 1 0.0000 0.996 1.000 0 0.000
#> ERR659016 1 0.0000 0.996 1.000 0 0.000
#> ERR659112 1 0.0000 0.996 1.000 0 0.000
#> ERR659017 2 0.0000 1.000 0.000 1 0.000
#> ERR659113 2 0.0000 1.000 0.000 1 0.000
#> ERR659018 1 0.0000 0.996 1.000 0 0.000
#> ERR659114 1 0.0000 0.996 1.000 0 0.000
#> ERR659019 1 0.0000 0.996 1.000 0 0.000
#> ERR659115 1 0.0000 0.996 1.000 0 0.000
#> ERR659020 1 0.0000 0.996 1.000 0 0.000
#> ERR659116 1 0.0000 0.996 1.000 0 0.000
#> ERR659021 1 0.0000 0.996 1.000 0 0.000
#> ERR659117 1 0.0000 0.996 1.000 0 0.000
#> ERR659022 1 0.0000 0.996 1.000 0 0.000
#> ERR659118 1 0.0000 0.996 1.000 0 0.000
#> ERR659023 1 0.0000 0.996 1.000 0 0.000
#> ERR659119 1 0.0000 0.996 1.000 0 0.000
#> ERR659024 1 0.0000 0.996 1.000 0 0.000
#> ERR659120 1 0.0000 0.996 1.000 0 0.000
#> ERR659025 1 0.0000 0.996 1.000 0 0.000
#> ERR659121 1 0.0000 0.996 1.000 0 0.000
#> ERR659026 1 0.0000 0.996 1.000 0 0.000
#> ERR659122 1 0.0000 0.996 1.000 0 0.000
#> ERR659027 1 0.0000 0.996 1.000 0 0.000
#> ERR659123 1 0.0000 0.996 1.000 0 0.000
#> ERR659028 1 0.0000 0.996 1.000 0 0.000
#> ERR659124 1 0.0000 0.996 1.000 0 0.000
#> ERR659029 1 0.0000 0.996 1.000 0 0.000
#> ERR659125 1 0.0000 0.996 1.000 0 0.000
#> ERR659030 1 0.0000 0.996 1.000 0 0.000
#> ERR659126 1 0.0000 0.996 1.000 0 0.000
#> ERR659031 1 0.0000 0.996 1.000 0 0.000
#> ERR659127 1 0.0000 0.996 1.000 0 0.000
#> ERR659032 1 0.0000 0.996 1.000 0 0.000
#> ERR659128 1 0.0000 0.996 1.000 0 0.000
#> ERR659033 1 0.0000 0.996 1.000 0 0.000
#> ERR659129 1 0.0000 0.996 1.000 0 0.000
#> ERR659034 2 0.0000 1.000 0.000 1 0.000
#> ERR659130 2 0.0000 1.000 0.000 1 0.000
#> ERR659035 1 0.0000 0.996 1.000 0 0.000
#> ERR659131 1 0.0000 0.996 1.000 0 0.000
#> ERR659036 1 0.0000 0.996 1.000 0 0.000
#> ERR659132 1 0.0000 0.996 1.000 0 0.000
#> ERR659037 1 0.0000 0.996 1.000 0 0.000
#> ERR659133 1 0.0000 0.996 1.000 0 0.000
#> ERR659038 1 0.0000 0.996 1.000 0 0.000
#> ERR659134 1 0.0000 0.996 1.000 0 0.000
#> ERR659039 1 0.0000 0.996 1.000 0 0.000
#> ERR659135 1 0.0000 0.996 1.000 0 0.000
#> ERR659040 1 0.0000 0.996 1.000 0 0.000
#> ERR659136 1 0.0000 0.996 1.000 0 0.000
#> ERR659041 1 0.0000 0.996 1.000 0 0.000
#> ERR659137 1 0.0000 0.996 1.000 0 0.000
#> ERR659042 1 0.0000 0.996 1.000 0 0.000
#> ERR659138 1 0.0000 0.996 1.000 0 0.000
#> ERR659043 1 0.0000 0.996 1.000 0 0.000
#> ERR659139 1 0.0000 0.996 1.000 0 0.000
#> ERR659044 2 0.0000 1.000 0.000 1 0.000
#> ERR659140 2 0.0000 1.000 0.000 1 0.000
#> ERR659045 1 0.0000 0.996 1.000 0 0.000
#> ERR659141 1 0.0000 0.996 1.000 0 0.000
#> ERR659046 1 0.0000 0.996 1.000 0 0.000
#> ERR659142 1 0.0000 0.996 1.000 0 0.000
#> ERR659047 1 0.0000 0.996 1.000 0 0.000
#> ERR659143 1 0.0000 0.996 1.000 0 0.000
#> ERR659048 1 0.0000 0.996 1.000 0 0.000
#> ERR659144 1 0.0000 0.996 1.000 0 0.000
#> ERR659049 1 0.0000 0.996 1.000 0 0.000
#> ERR659145 1 0.0000 0.996 1.000 0 0.000
#> ERR659050 1 0.0000 0.996 1.000 0 0.000
#> ERR659146 1 0.0000 0.996 1.000 0 0.000
#> ERR659051 1 0.0237 0.993 0.996 0 0.004
#> ERR659147 1 0.0237 0.993 0.996 0 0.004
#> ERR659052 1 0.0000 0.996 1.000 0 0.000
#> ERR659148 1 0.0000 0.996 1.000 0 0.000
#> ERR659053 1 0.0000 0.996 1.000 0 0.000
#> ERR659149 1 0.0000 0.996 1.000 0 0.000
#> ERR659054 2 0.0000 1.000 0.000 1 0.000
#> ERR659150 2 0.0000 1.000 0.000 1 0.000
#> ERR659055 1 0.0000 0.996 1.000 0 0.000
#> ERR659151 1 0.0000 0.996 1.000 0 0.000
#> ERR659056 1 0.3340 0.868 0.880 0 0.120
#> ERR659152 1 0.3340 0.868 0.880 0 0.120
#> ERR659057 1 0.0000 0.996 1.000 0 0.000
#> ERR659153 1 0.0000 0.996 1.000 0 0.000
#> ERR659058 1 0.0000 0.996 1.000 0 0.000
#> ERR659154 1 0.0000 0.996 1.000 0 0.000
#> ERR659059 1 0.0000 0.996 1.000 0 0.000
#> ERR659155 1 0.0000 0.996 1.000 0 0.000
#> ERR659060 1 0.0000 0.996 1.000 0 0.000
#> ERR659156 1 0.0000 0.996 1.000 0 0.000
#> ERR659061 1 0.0000 0.996 1.000 0 0.000
#> ERR659157 1 0.0000 0.996 1.000 0 0.000
#> ERR659062 1 0.0000 0.996 1.000 0 0.000
#> ERR659158 1 0.0000 0.996 1.000 0 0.000
#> ERR659063 1 0.0000 0.996 1.000 0 0.000
#> ERR659159 1 0.0000 0.996 1.000 0 0.000
#> ERR659064 1 0.0000 0.996 1.000 0 0.000
#> ERR659160 1 0.0000 0.996 1.000 0 0.000
#> ERR659065 2 0.0000 1.000 0.000 1 0.000
#> ERR659161 2 0.0000 1.000 0.000 1 0.000
#> ERR659066 1 0.0000 0.996 1.000 0 0.000
#> ERR659162 1 0.0000 0.996 1.000 0 0.000
#> ERR659067 1 0.0000 0.996 1.000 0 0.000
#> ERR659163 1 0.0000 0.996 1.000 0 0.000
#> ERR659068 2 0.0000 1.000 0.000 1 0.000
#> ERR659164 2 0.0000 1.000 0.000 1 0.000
#> ERR659069 1 0.0000 0.996 1.000 0 0.000
#> ERR659165 1 0.0000 0.996 1.000 0 0.000
#> ERR659070 1 0.0000 0.996 1.000 0 0.000
#> ERR659166 1 0.0000 0.996 1.000 0 0.000
#> ERR659071 1 0.0000 0.996 1.000 0 0.000
#> ERR659167 1 0.0000 0.996 1.000 0 0.000
#> ERR659072 1 0.0000 0.996 1.000 0 0.000
#> ERR659168 1 0.0000 0.996 1.000 0 0.000
#> ERR659073 1 0.0000 0.996 1.000 0 0.000
#> ERR659169 1 0.0000 0.996 1.000 0 0.000
#> ERR659074 2 0.0000 1.000 0.000 1 0.000
#> ERR659170 2 0.0000 1.000 0.000 1 0.000
#> ERR659075 3 0.0000 1.000 0.000 0 1.000
#> ERR659171 3 0.0000 1.000 0.000 0 1.000
#> ERR659076 2 0.0000 1.000 0.000 1 0.000
#> ERR659172 2 0.0000 1.000 0.000 1 0.000
#> ERR659077 1 0.0000 0.996 1.000 0 0.000
#> ERR659173 1 0.0000 0.996 1.000 0 0.000
#> ERR659078 1 0.0000 0.996 1.000 0 0.000
#> ERR659174 1 0.0000 0.996 1.000 0 0.000
#> ERR659079 1 0.0000 0.996 1.000 0 0.000
#> ERR659175 1 0.0000 0.996 1.000 0 0.000
#> ERR659080 1 0.1643 0.953 0.956 0 0.044
#> ERR659176 1 0.2356 0.923 0.928 0 0.072
#> ERR659081 1 0.0000 0.996 1.000 0 0.000
#> ERR659177 1 0.0000 0.996 1.000 0 0.000
#> ERR659082 1 0.0000 0.996 1.000 0 0.000
#> ERR659178 1 0.0000 0.996 1.000 0 0.000
#> ERR659083 2 0.0000 1.000 0.000 1 0.000
#> ERR659179 2 0.0000 1.000 0.000 1 0.000
#> ERR659084 2 0.0000 1.000 0.000 1 0.000
#> ERR659180 2 0.0000 1.000 0.000 1 0.000
#> ERR659085 1 0.0000 0.996 1.000 0 0.000
#> ERR659181 1 0.0000 0.996 1.000 0 0.000
#> ERR659086 1 0.0000 0.996 1.000 0 0.000
#> ERR659182 1 0.0000 0.996 1.000 0 0.000
#> ERR659087 1 0.0000 0.996 1.000 0 0.000
#> ERR659183 1 0.0000 0.996 1.000 0 0.000
#> ERR659088 1 0.0237 0.993 0.996 0 0.004
#> ERR659184 1 0.0000 0.996 1.000 0 0.000
#> ERR659089 1 0.0000 0.996 1.000 0 0.000
#> ERR659185 1 0.0000 0.996 1.000 0 0.000
#> ERR659090 1 0.0000 0.996 1.000 0 0.000
#> ERR659186 1 0.0000 0.996 1.000 0 0.000
#> ERR659091 1 0.0000 0.996 1.000 0 0.000
#> ERR659187 1 0.0000 0.996 1.000 0 0.000
#> ERR659092 1 0.0000 0.996 1.000 0 0.000
#> ERR659188 1 0.0000 0.996 1.000 0 0.000
#> ERR659093 1 0.0000 0.996 1.000 0 0.000
#> ERR659189 1 0.0000 0.996 1.000 0 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 4 0.0188 1.000 0.000 0 0.004 0.996
#> ERR467498 4 0.0188 1.000 0.000 0 0.004 0.996
#> ERR658998 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659094 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR658999 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659095 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659000 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659096 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659001 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659097 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659002 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659098 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659003 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659099 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659004 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659100 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659005 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659101 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659006 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659102 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659007 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659103 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659009 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659105 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659010 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659106 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659011 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659107 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659012 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659108 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659013 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659109 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659014 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659015 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659111 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659016 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659112 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659017 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659018 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659114 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659019 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659115 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659020 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659116 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659021 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659117 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659022 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659118 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659023 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659119 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659024 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659120 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659025 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659121 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659026 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659122 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659027 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659123 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659028 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659124 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659029 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659125 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659030 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659126 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659031 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659127 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659032 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659128 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659033 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659129 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659034 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659035 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659131 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659036 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659132 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659037 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659133 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659038 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659134 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659039 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659135 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659040 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659136 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659041 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659137 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659042 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659138 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659043 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659139 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659045 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659141 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659046 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659142 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659047 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659143 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659048 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659144 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659049 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659145 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659050 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659146 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659051 1 0.1389 0.951 0.952 0 0.000 0.048
#> ERR659147 1 0.1302 0.955 0.956 0 0.000 0.044
#> ERR659052 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659148 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659053 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659149 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659055 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659151 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659056 1 0.0376 0.993 0.992 0 0.004 0.004
#> ERR659152 1 0.0779 0.981 0.980 0 0.004 0.016
#> ERR659057 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659153 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659058 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659154 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659059 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659155 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659060 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659156 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659061 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659157 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659062 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659158 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659063 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659159 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659064 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659160 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659065 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659066 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659162 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659067 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659163 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659068 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659069 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659165 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659070 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659166 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659071 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659167 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659072 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659168 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659073 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659169 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659074 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659075 3 0.0188 1.000 0.000 0 0.996 0.004
#> ERR659171 3 0.0188 1.000 0.000 0 0.996 0.004
#> ERR659076 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659077 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659173 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659078 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659174 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659079 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659175 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659080 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659176 1 0.0188 0.996 0.996 0 0.004 0.000
#> ERR659081 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659177 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659082 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659178 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659083 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659085 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659181 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659086 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659182 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659087 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659183 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659088 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659184 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659089 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659185 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659090 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659186 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659091 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659187 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659092 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659188 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659093 1 0.0000 0.999 1.000 0 0.000 0.000
#> ERR659189 1 0.0000 0.999 1.000 0 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.0000 1.000 0.000 0 1.000 0.000 0
#> ERR467498 3 0.0000 1.000 0.000 0 1.000 0.000 0
#> ERR658998 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659094 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR658999 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659095 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659000 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659096 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659001 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659097 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659002 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659098 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659003 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659099 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659004 1 0.0162 0.996 0.996 0 0.000 0.004 0
#> ERR659100 1 0.0162 0.996 0.996 0 0.000 0.004 0
#> ERR659005 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659101 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659006 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659102 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659007 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659103 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659008 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659104 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659009 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659105 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659010 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659106 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659011 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659107 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659012 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659108 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659013 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659109 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659014 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659110 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659015 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659111 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659016 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659112 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659017 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659113 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659018 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659114 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659019 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659115 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659020 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659116 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659021 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659117 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659022 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659118 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659023 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659119 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659024 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659120 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659025 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659121 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659026 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659122 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659027 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659123 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659028 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659124 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659029 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659125 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659030 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659126 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659031 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659127 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659032 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659128 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659033 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659129 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659034 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659130 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659035 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659131 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659036 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659132 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659037 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659133 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659038 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659134 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659039 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659135 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659040 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659136 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659041 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659137 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659042 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659138 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659043 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659139 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659044 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659140 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659045 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659141 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659046 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659142 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659047 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659143 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659048 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659144 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659049 1 0.0162 0.996 0.996 0 0.000 0.004 0
#> ERR659145 1 0.0162 0.996 0.996 0 0.000 0.004 0
#> ERR659050 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659146 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659051 4 0.0290 1.000 0.008 0 0.000 0.992 0
#> ERR659147 4 0.0290 1.000 0.008 0 0.000 0.992 0
#> ERR659052 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659148 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659053 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659149 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659054 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659150 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659055 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659151 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659056 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659152 1 0.0404 0.988 0.988 0 0.012 0.000 0
#> ERR659057 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659153 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659058 1 0.0162 0.996 0.996 0 0.000 0.004 0
#> ERR659154 1 0.0162 0.996 0.996 0 0.000 0.004 0
#> ERR659059 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659155 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659060 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659156 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659061 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659157 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659062 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659158 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659063 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659159 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659064 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659160 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659065 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659161 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659066 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659162 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659067 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659163 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659068 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659164 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659069 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659165 1 0.0290 0.995 0.992 0 0.000 0.008 0
#> ERR659070 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659166 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659071 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659167 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659072 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659168 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659073 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659169 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659074 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659170 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659075 5 0.0000 1.000 0.000 0 0.000 0.000 1
#> ERR659171 5 0.0000 1.000 0.000 0 0.000 0.000 1
#> ERR659076 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659172 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659077 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659173 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659078 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659174 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659079 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659175 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659080 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659176 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659081 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659177 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659082 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659178 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659083 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659179 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659084 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659180 2 0.0000 1.000 0.000 1 0.000 0.000 0
#> ERR659085 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659181 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659086 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659182 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659087 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659183 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659088 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659184 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659089 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659185 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659090 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659186 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659091 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659187 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659092 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659188 1 0.0162 0.997 0.996 0 0.000 0.004 0
#> ERR659093 1 0.0000 0.998 1.000 0 0.000 0.000 0
#> ERR659189 1 0.0000 0.998 1.000 0 0.000 0.000 0
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.0000 1.000 0.000 0 0.000 1 0 0
#> ERR467498 4 0.0000 1.000 0.000 0 0.000 1 0 0
#> ERR658998 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659094 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR658999 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659095 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659000 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659096 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659001 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659097 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659002 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659098 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659003 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659099 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659004 1 0.0363 0.986 0.988 0 0.012 0 0 0
#> ERR659100 1 0.0363 0.986 0.988 0 0.012 0 0 0
#> ERR659005 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659101 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659006 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659102 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659007 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659103 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659008 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659104 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659009 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659105 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659010 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659106 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659011 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659107 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659012 1 0.0458 0.985 0.984 0 0.016 0 0 0
#> ERR659108 1 0.0458 0.985 0.984 0 0.016 0 0 0
#> ERR659013 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659109 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659014 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659110 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659015 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659111 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659016 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659112 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659017 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659113 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659018 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659114 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659019 1 0.0458 0.985 0.984 0 0.016 0 0 0
#> ERR659115 1 0.0458 0.985 0.984 0 0.016 0 0 0
#> ERR659020 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659116 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659021 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659117 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659022 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659118 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659023 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659119 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659024 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659120 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659025 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659121 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659026 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659122 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659027 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659123 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659028 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659124 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659029 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659125 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659030 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659126 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659031 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659127 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659032 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659128 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659033 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659129 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659034 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659130 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659035 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659131 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659036 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659132 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659037 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659133 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659038 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659134 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659039 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659135 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659040 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659136 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659041 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659137 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659042 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659138 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659043 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659139 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659044 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659140 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659045 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659141 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659046 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659142 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659047 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659143 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659048 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659144 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659049 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659145 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659050 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659146 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659051 6 0.0000 1.000 0.000 0 0.000 0 0 1
#> ERR659147 6 0.0000 1.000 0.000 0 0.000 0 0 1
#> ERR659052 1 0.0458 0.985 0.984 0 0.016 0 0 0
#> ERR659148 1 0.0458 0.985 0.984 0 0.016 0 0 0
#> ERR659053 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659149 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659054 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659150 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659055 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659151 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659056 3 0.0547 1.000 0.020 0 0.980 0 0 0
#> ERR659152 3 0.0547 1.000 0.020 0 0.980 0 0 0
#> ERR659057 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659153 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659058 1 0.0363 0.986 0.988 0 0.012 0 0 0
#> ERR659154 1 0.0363 0.986 0.988 0 0.012 0 0 0
#> ERR659059 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659155 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659060 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659156 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659061 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659157 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659062 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659158 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659063 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659159 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659064 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659160 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659065 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659161 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659066 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659162 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659067 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659163 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659068 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659164 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659069 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659165 1 0.0547 0.983 0.980 0 0.020 0 0 0
#> ERR659070 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659166 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659071 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659167 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659072 1 0.0260 0.989 0.992 0 0.008 0 0 0
#> ERR659168 1 0.0363 0.987 0.988 0 0.012 0 0 0
#> ERR659073 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659169 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659074 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659170 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659075 5 0.0000 1.000 0.000 0 0.000 0 1 0
#> ERR659171 5 0.0000 1.000 0.000 0 0.000 0 1 0
#> ERR659076 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659172 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659077 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659173 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659078 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659174 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659079 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659175 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659080 1 0.2793 0.751 0.800 0 0.200 0 0 0
#> ERR659176 1 0.2793 0.751 0.800 0 0.200 0 0 0
#> ERR659081 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659177 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659082 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659178 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659083 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659179 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659084 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659180 2 0.0000 1.000 0.000 1 0.000 0 0 0
#> ERR659085 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659181 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659086 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659182 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659087 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659183 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659088 1 0.2178 0.848 0.868 0 0.132 0 0 0
#> ERR659184 1 0.1714 0.898 0.908 0 0.092 0 0 0
#> ERR659089 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659185 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659090 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659186 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659091 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659187 1 0.0146 0.991 0.996 0 0.004 0 0 0
#> ERR659092 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659188 1 0.0260 0.990 0.992 0 0.008 0 0 0
#> ERR659093 1 0.0000 0.992 1.000 0 0.000 0 0 0
#> ERR659189 1 0.0000 0.992 1.000 0 0.000 0 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["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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.991 0.995 0.3374 0.659 0.659
#> 3 3 0.748 0.912 0.943 0.1759 0.977 0.965
#> 4 4 0.525 0.797 0.836 0.4880 0.761 0.624
#> 5 5 0.462 0.670 0.778 0.1531 0.945 0.863
#> 6 6 0.486 0.653 0.753 0.0592 0.988 0.966
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
#> ERR467487 2 0.118 0.977 0.016 0.984
#> ERR467498 2 0.118 0.977 0.016 0.984
#> ERR658998 1 0.000 0.999 1.000 0.000
#> ERR659094 1 0.000 0.999 1.000 0.000
#> ERR658999 1 0.000 0.999 1.000 0.000
#> ERR659095 1 0.000 0.999 1.000 0.000
#> ERR659000 2 0.430 0.915 0.088 0.912
#> ERR659096 2 0.430 0.915 0.088 0.912
#> ERR659001 1 0.000 0.999 1.000 0.000
#> ERR659097 1 0.000 0.999 1.000 0.000
#> ERR659002 1 0.000 0.999 1.000 0.000
#> ERR659098 1 0.000 0.999 1.000 0.000
#> ERR659003 1 0.000 0.999 1.000 0.000
#> ERR659099 1 0.000 0.999 1.000 0.000
#> ERR659004 1 0.184 0.971 0.972 0.028
#> ERR659100 1 0.184 0.971 0.972 0.028
#> ERR659005 1 0.000 0.999 1.000 0.000
#> ERR659101 1 0.000 0.999 1.000 0.000
#> ERR659006 1 0.000 0.999 1.000 0.000
#> ERR659102 1 0.000 0.999 1.000 0.000
#> ERR659007 1 0.000 0.999 1.000 0.000
#> ERR659103 1 0.000 0.999 1.000 0.000
#> ERR659008 2 0.000 0.980 0.000 1.000
#> ERR659104 2 0.000 0.980 0.000 1.000
#> ERR659009 1 0.000 0.999 1.000 0.000
#> ERR659105 1 0.000 0.999 1.000 0.000
#> ERR659010 1 0.000 0.999 1.000 0.000
#> ERR659106 1 0.000 0.999 1.000 0.000
#> ERR659011 1 0.000 0.999 1.000 0.000
#> ERR659107 1 0.000 0.999 1.000 0.000
#> ERR659012 1 0.000 0.999 1.000 0.000
#> ERR659108 1 0.000 0.999 1.000 0.000
#> ERR659013 1 0.000 0.999 1.000 0.000
#> ERR659109 1 0.000 0.999 1.000 0.000
#> ERR659014 2 0.000 0.980 0.000 1.000
#> ERR659110 2 0.000 0.980 0.000 1.000
#> ERR659015 1 0.000 0.999 1.000 0.000
#> ERR659111 1 0.000 0.999 1.000 0.000
#> ERR659016 2 0.595 0.849 0.144 0.856
#> ERR659112 2 0.706 0.783 0.192 0.808
#> ERR659017 2 0.000 0.980 0.000 1.000
#> ERR659113 2 0.000 0.980 0.000 1.000
#> ERR659018 1 0.000 0.999 1.000 0.000
#> ERR659114 1 0.000 0.999 1.000 0.000
#> ERR659019 1 0.000 0.999 1.000 0.000
#> ERR659115 1 0.000 0.999 1.000 0.000
#> ERR659020 1 0.000 0.999 1.000 0.000
#> ERR659116 1 0.000 0.999 1.000 0.000
#> ERR659021 1 0.000 0.999 1.000 0.000
#> ERR659117 1 0.000 0.999 1.000 0.000
#> ERR659022 1 0.000 0.999 1.000 0.000
#> ERR659118 1 0.000 0.999 1.000 0.000
#> ERR659023 1 0.000 0.999 1.000 0.000
#> ERR659119 1 0.000 0.999 1.000 0.000
#> ERR659024 1 0.000 0.999 1.000 0.000
#> ERR659120 1 0.000 0.999 1.000 0.000
#> ERR659025 1 0.000 0.999 1.000 0.000
#> ERR659121 1 0.000 0.999 1.000 0.000
#> ERR659026 1 0.000 0.999 1.000 0.000
#> ERR659122 1 0.000 0.999 1.000 0.000
#> ERR659027 2 0.311 0.946 0.056 0.944
#> ERR659123 2 0.311 0.946 0.056 0.944
#> ERR659028 1 0.000 0.999 1.000 0.000
#> ERR659124 1 0.000 0.999 1.000 0.000
#> ERR659029 1 0.000 0.999 1.000 0.000
#> ERR659125 1 0.000 0.999 1.000 0.000
#> ERR659030 1 0.000 0.999 1.000 0.000
#> ERR659126 1 0.000 0.999 1.000 0.000
#> ERR659031 1 0.000 0.999 1.000 0.000
#> ERR659127 1 0.000 0.999 1.000 0.000
#> ERR659032 1 0.000 0.999 1.000 0.000
#> ERR659128 1 0.000 0.999 1.000 0.000
#> ERR659033 1 0.000 0.999 1.000 0.000
#> ERR659129 1 0.000 0.999 1.000 0.000
#> ERR659034 2 0.000 0.980 0.000 1.000
#> ERR659130 2 0.000 0.980 0.000 1.000
#> ERR659035 1 0.000 0.999 1.000 0.000
#> ERR659131 1 0.000 0.999 1.000 0.000
#> ERR659036 1 0.163 0.975 0.976 0.024
#> ERR659132 1 0.163 0.975 0.976 0.024
#> ERR659037 1 0.000 0.999 1.000 0.000
#> ERR659133 1 0.000 0.999 1.000 0.000
#> ERR659038 1 0.000 0.999 1.000 0.000
#> ERR659134 1 0.000 0.999 1.000 0.000
#> ERR659039 1 0.000 0.999 1.000 0.000
#> ERR659135 1 0.000 0.999 1.000 0.000
#> ERR659040 1 0.000 0.999 1.000 0.000
#> ERR659136 1 0.000 0.999 1.000 0.000
#> ERR659041 1 0.141 0.980 0.980 0.020
#> ERR659137 1 0.118 0.984 0.984 0.016
#> ERR659042 1 0.000 0.999 1.000 0.000
#> ERR659138 1 0.000 0.999 1.000 0.000
#> ERR659043 1 0.000 0.999 1.000 0.000
#> ERR659139 1 0.000 0.999 1.000 0.000
#> ERR659044 2 0.000 0.980 0.000 1.000
#> ERR659140 2 0.000 0.980 0.000 1.000
#> ERR659045 1 0.000 0.999 1.000 0.000
#> ERR659141 1 0.000 0.999 1.000 0.000
#> ERR659046 1 0.000 0.999 1.000 0.000
#> ERR659142 1 0.000 0.999 1.000 0.000
#> ERR659047 1 0.000 0.999 1.000 0.000
#> ERR659143 1 0.000 0.999 1.000 0.000
#> ERR659048 1 0.000 0.999 1.000 0.000
#> ERR659144 1 0.000 0.999 1.000 0.000
#> ERR659049 1 0.000 0.999 1.000 0.000
#> ERR659145 1 0.000 0.999 1.000 0.000
#> ERR659050 1 0.000 0.999 1.000 0.000
#> ERR659146 1 0.000 0.999 1.000 0.000
#> ERR659051 2 0.118 0.977 0.016 0.984
#> ERR659147 2 0.118 0.977 0.016 0.984
#> ERR659052 1 0.000 0.999 1.000 0.000
#> ERR659148 1 0.000 0.999 1.000 0.000
#> ERR659053 1 0.000 0.999 1.000 0.000
#> ERR659149 1 0.000 0.999 1.000 0.000
#> ERR659054 2 0.000 0.980 0.000 1.000
#> ERR659150 2 0.000 0.980 0.000 1.000
#> ERR659055 1 0.000 0.999 1.000 0.000
#> ERR659151 1 0.000 0.999 1.000 0.000
#> ERR659056 2 0.118 0.977 0.016 0.984
#> ERR659152 2 0.118 0.977 0.016 0.984
#> ERR659057 1 0.000 0.999 1.000 0.000
#> ERR659153 1 0.000 0.999 1.000 0.000
#> ERR659058 1 0.000 0.999 1.000 0.000
#> ERR659154 1 0.000 0.999 1.000 0.000
#> ERR659059 1 0.000 0.999 1.000 0.000
#> ERR659155 1 0.000 0.999 1.000 0.000
#> ERR659060 1 0.000 0.999 1.000 0.000
#> ERR659156 1 0.000 0.999 1.000 0.000
#> ERR659061 1 0.000 0.999 1.000 0.000
#> ERR659157 1 0.000 0.999 1.000 0.000
#> ERR659062 1 0.000 0.999 1.000 0.000
#> ERR659158 1 0.000 0.999 1.000 0.000
#> ERR659063 1 0.000 0.999 1.000 0.000
#> ERR659159 1 0.000 0.999 1.000 0.000
#> ERR659064 1 0.000 0.999 1.000 0.000
#> ERR659160 1 0.000 0.999 1.000 0.000
#> ERR659065 2 0.000 0.980 0.000 1.000
#> ERR659161 2 0.000 0.980 0.000 1.000
#> ERR659066 1 0.000 0.999 1.000 0.000
#> ERR659162 1 0.000 0.999 1.000 0.000
#> ERR659067 1 0.000 0.999 1.000 0.000
#> ERR659163 1 0.000 0.999 1.000 0.000
#> ERR659068 2 0.000 0.980 0.000 1.000
#> ERR659164 2 0.000 0.980 0.000 1.000
#> ERR659069 1 0.000 0.999 1.000 0.000
#> ERR659165 1 0.000 0.999 1.000 0.000
#> ERR659070 1 0.000 0.999 1.000 0.000
#> ERR659166 1 0.000 0.999 1.000 0.000
#> ERR659071 1 0.000 0.999 1.000 0.000
#> ERR659167 1 0.000 0.999 1.000 0.000
#> ERR659072 1 0.000 0.999 1.000 0.000
#> ERR659168 1 0.000 0.999 1.000 0.000
#> ERR659073 1 0.000 0.999 1.000 0.000
#> ERR659169 1 0.000 0.999 1.000 0.000
#> ERR659074 2 0.000 0.980 0.000 1.000
#> ERR659170 2 0.000 0.980 0.000 1.000
#> ERR659075 2 0.118 0.977 0.016 0.984
#> ERR659171 2 0.118 0.977 0.016 0.984
#> ERR659076 2 0.000 0.980 0.000 1.000
#> ERR659172 2 0.000 0.980 0.000 1.000
#> ERR659077 1 0.000 0.999 1.000 0.000
#> ERR659173 1 0.000 0.999 1.000 0.000
#> ERR659078 1 0.000 0.999 1.000 0.000
#> ERR659174 1 0.000 0.999 1.000 0.000
#> ERR659079 1 0.000 0.999 1.000 0.000
#> ERR659175 1 0.000 0.999 1.000 0.000
#> ERR659080 2 0.118 0.977 0.016 0.984
#> ERR659176 2 0.118 0.977 0.016 0.984
#> ERR659081 1 0.000 0.999 1.000 0.000
#> ERR659177 1 0.000 0.999 1.000 0.000
#> ERR659082 1 0.000 0.999 1.000 0.000
#> ERR659178 1 0.000 0.999 1.000 0.000
#> ERR659083 2 0.000 0.980 0.000 1.000
#> ERR659179 2 0.000 0.980 0.000 1.000
#> ERR659084 2 0.000 0.980 0.000 1.000
#> ERR659180 2 0.000 0.980 0.000 1.000
#> ERR659085 1 0.000 0.999 1.000 0.000
#> ERR659181 1 0.000 0.999 1.000 0.000
#> ERR659086 1 0.000 0.999 1.000 0.000
#> ERR659182 1 0.000 0.999 1.000 0.000
#> ERR659087 1 0.000 0.999 1.000 0.000
#> ERR659183 1 0.000 0.999 1.000 0.000
#> ERR659088 2 0.118 0.977 0.016 0.984
#> ERR659184 2 0.118 0.977 0.016 0.984
#> ERR659089 1 0.000 0.999 1.000 0.000
#> ERR659185 1 0.000 0.999 1.000 0.000
#> ERR659090 1 0.000 0.999 1.000 0.000
#> ERR659186 1 0.000 0.999 1.000 0.000
#> ERR659091 1 0.000 0.999 1.000 0.000
#> ERR659187 1 0.000 0.999 1.000 0.000
#> ERR659092 1 0.000 0.999 1.000 0.000
#> ERR659188 1 0.000 0.999 1.000 0.000
#> ERR659093 1 0.000 0.999 1.000 0.000
#> ERR659189 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
#> ERR467487 3 0.5905 0.625 0.000 0.352 0.648
#> ERR467498 3 0.5905 0.625 0.000 0.352 0.648
#> ERR658998 1 0.0747 0.949 0.984 0.000 0.016
#> ERR659094 1 0.0747 0.949 0.984 0.000 0.016
#> ERR658999 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659095 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659000 3 0.7372 0.657 0.168 0.128 0.704
#> ERR659096 3 0.7372 0.657 0.168 0.128 0.704
#> ERR659001 1 0.1031 0.946 0.976 0.000 0.024
#> ERR659097 1 0.1163 0.944 0.972 0.000 0.028
#> ERR659002 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659098 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659003 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659099 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659004 1 0.6339 0.523 0.632 0.008 0.360
#> ERR659100 1 0.6297 0.541 0.640 0.008 0.352
#> ERR659005 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659101 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659006 1 0.3644 0.888 0.872 0.004 0.124
#> ERR659102 1 0.3644 0.888 0.872 0.004 0.124
#> ERR659007 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659103 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659009 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659105 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659010 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659106 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659011 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659107 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659012 1 0.3644 0.888 0.872 0.004 0.124
#> ERR659108 1 0.3644 0.888 0.872 0.004 0.124
#> ERR659013 1 0.0424 0.951 0.992 0.000 0.008
#> ERR659109 1 0.0424 0.951 0.992 0.000 0.008
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659015 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659111 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659016 3 0.8196 0.508 0.284 0.108 0.608
#> ERR659112 3 0.8196 0.508 0.284 0.108 0.608
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659018 1 0.0747 0.949 0.984 0.000 0.016
#> ERR659114 1 0.0747 0.949 0.984 0.000 0.016
#> ERR659019 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659115 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659020 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659116 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659021 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659117 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659022 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659118 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659023 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659119 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659024 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659120 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659025 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659121 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659026 1 0.1031 0.946 0.976 0.000 0.024
#> ERR659122 1 0.1031 0.946 0.976 0.000 0.024
#> ERR659027 3 0.4807 0.778 0.060 0.092 0.848
#> ERR659123 3 0.4830 0.770 0.068 0.084 0.848
#> ERR659028 1 0.0424 0.951 0.992 0.000 0.008
#> ERR659124 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659029 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659125 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659030 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659126 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659031 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659127 1 0.0424 0.951 0.992 0.000 0.008
#> ERR659032 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659128 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659033 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659129 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659035 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659131 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659036 1 0.4504 0.743 0.804 0.000 0.196
#> ERR659132 1 0.4452 0.750 0.808 0.000 0.192
#> ERR659037 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659133 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659038 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659134 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659039 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659135 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659040 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659136 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659041 1 0.6483 0.277 0.600 0.008 0.392
#> ERR659137 1 0.6451 0.302 0.608 0.008 0.384
#> ERR659042 1 0.1964 0.916 0.944 0.000 0.056
#> ERR659138 1 0.1964 0.916 0.944 0.000 0.056
#> ERR659043 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659139 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659045 1 0.3267 0.896 0.884 0.000 0.116
#> ERR659141 1 0.3267 0.896 0.884 0.000 0.116
#> ERR659046 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659142 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659047 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659143 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659048 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659144 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659049 1 0.0424 0.951 0.992 0.000 0.008
#> ERR659145 1 0.0424 0.951 0.992 0.000 0.008
#> ERR659050 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659146 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659051 3 0.4733 0.784 0.004 0.196 0.800
#> ERR659147 3 0.4733 0.784 0.004 0.196 0.800
#> ERR659052 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659148 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659053 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659149 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659055 1 0.2165 0.926 0.936 0.000 0.064
#> ERR659151 1 0.2165 0.926 0.936 0.000 0.064
#> ERR659056 3 0.3752 0.802 0.000 0.144 0.856
#> ERR659152 3 0.3752 0.802 0.000 0.144 0.856
#> ERR659057 1 0.0237 0.952 0.996 0.000 0.004
#> ERR659153 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659058 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659154 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659059 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659155 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659060 1 0.0424 0.952 0.992 0.000 0.008
#> ERR659156 1 0.0424 0.952 0.992 0.000 0.008
#> ERR659061 1 0.0424 0.952 0.992 0.000 0.008
#> ERR659157 1 0.0424 0.952 0.992 0.000 0.008
#> ERR659062 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659158 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659063 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659159 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659064 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659160 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659065 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659066 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659162 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659067 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659163 1 0.3340 0.894 0.880 0.000 0.120
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659069 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659165 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659070 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659166 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659071 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659167 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659072 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659168 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659073 1 0.1529 0.940 0.960 0.000 0.040
#> ERR659169 1 0.1643 0.939 0.956 0.000 0.044
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659075 3 0.4887 0.764 0.000 0.228 0.772
#> ERR659171 3 0.4887 0.764 0.000 0.228 0.772
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659077 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659173 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659078 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659174 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659079 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659175 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659080 3 0.3619 0.802 0.000 0.136 0.864
#> ERR659176 3 0.3619 0.802 0.000 0.136 0.864
#> ERR659081 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659177 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659082 1 0.0747 0.947 0.984 0.000 0.016
#> ERR659178 1 0.0747 0.947 0.984 0.000 0.016
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659085 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659181 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659086 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659182 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659087 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659183 1 0.3412 0.891 0.876 0.000 0.124
#> ERR659088 3 0.3551 0.802 0.000 0.132 0.868
#> ERR659184 3 0.3551 0.802 0.000 0.132 0.868
#> ERR659089 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659185 1 0.0592 0.950 0.988 0.000 0.012
#> ERR659090 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659186 1 0.0000 0.952 1.000 0.000 0.000
#> ERR659091 1 0.0237 0.952 0.996 0.000 0.004
#> ERR659187 1 0.0237 0.952 0.996 0.000 0.004
#> ERR659092 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659188 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659093 1 0.0237 0.953 0.996 0.000 0.004
#> ERR659189 1 0.0237 0.953 0.996 0.000 0.004
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.2737 0.86553 0.000 0.008 0.888 0.104
#> ERR467498 3 0.2737 0.86553 0.000 0.008 0.888 0.104
#> ERR658998 1 0.4356 0.43873 0.708 0.000 0.000 0.292
#> ERR659094 1 0.4331 0.44995 0.712 0.000 0.000 0.288
#> ERR658999 4 0.4072 0.91389 0.252 0.000 0.000 0.748
#> ERR659095 4 0.4072 0.91389 0.252 0.000 0.000 0.748
#> ERR659000 3 0.4405 0.75738 0.152 0.000 0.800 0.048
#> ERR659096 3 0.4452 0.75286 0.156 0.000 0.796 0.048
#> ERR659001 1 0.2999 0.77146 0.864 0.000 0.004 0.132
#> ERR659097 1 0.2831 0.78754 0.876 0.000 0.004 0.120
#> ERR659002 1 0.2149 0.81912 0.912 0.000 0.000 0.088
#> ERR659098 1 0.1716 0.83452 0.936 0.000 0.000 0.064
#> ERR659003 1 0.1022 0.84650 0.968 0.000 0.000 0.032
#> ERR659099 1 0.1022 0.84650 0.968 0.000 0.000 0.032
#> ERR659004 4 0.7551 0.58714 0.240 0.000 0.272 0.488
#> ERR659100 4 0.7530 0.59017 0.236 0.000 0.272 0.492
#> ERR659005 1 0.2011 0.84340 0.920 0.000 0.000 0.080
#> ERR659101 1 0.2011 0.84340 0.920 0.000 0.000 0.080
#> ERR659006 4 0.5757 0.88017 0.240 0.000 0.076 0.684
#> ERR659102 4 0.5757 0.88017 0.240 0.000 0.076 0.684
#> ERR659007 1 0.0592 0.84432 0.984 0.000 0.000 0.016
#> ERR659103 1 0.0469 0.84499 0.988 0.000 0.000 0.012
#> ERR659008 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659009 4 0.3907 0.90621 0.232 0.000 0.000 0.768
#> ERR659105 4 0.3907 0.90621 0.232 0.000 0.000 0.768
#> ERR659010 4 0.4008 0.91311 0.244 0.000 0.000 0.756
#> ERR659106 4 0.4008 0.91311 0.244 0.000 0.000 0.756
#> ERR659011 4 0.3975 0.91136 0.240 0.000 0.000 0.760
#> ERR659107 4 0.3975 0.91136 0.240 0.000 0.000 0.760
#> ERR659012 4 0.5279 0.88836 0.232 0.000 0.052 0.716
#> ERR659108 4 0.5279 0.88836 0.232 0.000 0.052 0.716
#> ERR659013 1 0.4514 0.70136 0.800 0.000 0.064 0.136
#> ERR659109 1 0.4514 0.70180 0.800 0.000 0.064 0.136
#> ERR659014 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659015 1 0.0336 0.84499 0.992 0.000 0.000 0.008
#> ERR659111 1 0.0336 0.84499 0.992 0.000 0.000 0.008
#> ERR659016 3 0.5170 0.66628 0.228 0.000 0.724 0.048
#> ERR659112 3 0.5298 0.64620 0.244 0.000 0.708 0.048
#> ERR659017 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659018 1 0.4830 0.00356 0.608 0.000 0.000 0.392
#> ERR659114 1 0.4730 0.13917 0.636 0.000 0.000 0.364
#> ERR659019 4 0.4040 0.91359 0.248 0.000 0.000 0.752
#> ERR659115 4 0.4040 0.91359 0.248 0.000 0.000 0.752
#> ERR659020 1 0.3873 0.60687 0.772 0.000 0.000 0.228
#> ERR659116 1 0.3569 0.67320 0.804 0.000 0.000 0.196
#> ERR659021 1 0.0707 0.84529 0.980 0.000 0.000 0.020
#> ERR659117 1 0.0707 0.84529 0.980 0.000 0.000 0.020
#> ERR659022 1 0.1792 0.81972 0.932 0.000 0.000 0.068
#> ERR659118 1 0.1792 0.81961 0.932 0.000 0.000 0.068
#> ERR659023 1 0.1716 0.82589 0.936 0.000 0.000 0.064
#> ERR659119 1 0.1792 0.82377 0.932 0.000 0.000 0.068
#> ERR659024 1 0.0592 0.84465 0.984 0.000 0.000 0.016
#> ERR659120 1 0.0592 0.84465 0.984 0.000 0.000 0.016
#> ERR659025 1 0.3390 0.75999 0.852 0.000 0.016 0.132
#> ERR659121 1 0.3390 0.75999 0.852 0.000 0.016 0.132
#> ERR659026 4 0.4999 0.44806 0.492 0.000 0.000 0.508
#> ERR659122 4 0.4999 0.44806 0.492 0.000 0.000 0.508
#> ERR659027 3 0.2002 0.85736 0.044 0.000 0.936 0.020
#> ERR659123 3 0.2256 0.84774 0.056 0.000 0.924 0.020
#> ERR659028 1 0.2918 0.80474 0.876 0.000 0.008 0.116
#> ERR659124 1 0.2714 0.80969 0.884 0.000 0.004 0.112
#> ERR659029 1 0.1118 0.84736 0.964 0.000 0.000 0.036
#> ERR659125 1 0.1211 0.84705 0.960 0.000 0.000 0.040
#> ERR659030 1 0.4933 -0.18599 0.568 0.000 0.000 0.432
#> ERR659126 1 0.4830 0.00884 0.608 0.000 0.000 0.392
#> ERR659031 1 0.2921 0.79227 0.860 0.000 0.000 0.140
#> ERR659127 1 0.2973 0.78816 0.856 0.000 0.000 0.144
#> ERR659032 1 0.2081 0.81317 0.916 0.000 0.000 0.084
#> ERR659128 1 0.2149 0.81044 0.912 0.000 0.000 0.088
#> ERR659033 1 0.1022 0.84262 0.968 0.000 0.000 0.032
#> ERR659129 1 0.1022 0.84262 0.968 0.000 0.000 0.032
#> ERR659034 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659035 1 0.1716 0.83199 0.936 0.000 0.000 0.064
#> ERR659131 1 0.1637 0.83134 0.940 0.000 0.000 0.060
#> ERR659036 1 0.6595 0.44400 0.604 0.000 0.276 0.120
#> ERR659132 1 0.6595 0.44400 0.604 0.000 0.276 0.120
#> ERR659037 1 0.1302 0.84179 0.956 0.000 0.000 0.044
#> ERR659133 1 0.1211 0.84286 0.960 0.000 0.000 0.040
#> ERR659038 4 0.3975 0.91136 0.240 0.000 0.000 0.760
#> ERR659134 4 0.3975 0.91136 0.240 0.000 0.000 0.760
#> ERR659039 4 0.4008 0.91311 0.244 0.000 0.000 0.756
#> ERR659135 4 0.4008 0.91311 0.244 0.000 0.000 0.756
#> ERR659040 1 0.3161 0.77165 0.864 0.000 0.012 0.124
#> ERR659136 1 0.3032 0.77537 0.868 0.000 0.008 0.124
#> ERR659041 1 0.7323 0.16708 0.484 0.000 0.352 0.164
#> ERR659137 1 0.7332 0.15715 0.480 0.000 0.356 0.164
#> ERR659042 1 0.5326 0.63817 0.748 0.000 0.116 0.136
#> ERR659138 1 0.5326 0.63817 0.748 0.000 0.116 0.136
#> ERR659043 1 0.3778 0.77620 0.848 0.000 0.052 0.100
#> ERR659139 1 0.3840 0.77233 0.844 0.000 0.052 0.104
#> ERR659044 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659045 4 0.4222 0.90428 0.272 0.000 0.000 0.728
#> ERR659141 4 0.4222 0.90428 0.272 0.000 0.000 0.728
#> ERR659046 1 0.0817 0.84546 0.976 0.000 0.000 0.024
#> ERR659142 1 0.0817 0.84546 0.976 0.000 0.000 0.024
#> ERR659047 1 0.2281 0.80591 0.904 0.000 0.000 0.096
#> ERR659143 1 0.2216 0.80904 0.908 0.000 0.000 0.092
#> ERR659048 1 0.0707 0.84513 0.980 0.000 0.000 0.020
#> ERR659144 1 0.0707 0.84513 0.980 0.000 0.000 0.020
#> ERR659049 1 0.3791 0.73873 0.796 0.000 0.004 0.200
#> ERR659145 1 0.3831 0.73809 0.792 0.000 0.004 0.204
#> ERR659050 1 0.2466 0.80168 0.900 0.000 0.004 0.096
#> ERR659146 1 0.2466 0.80168 0.900 0.000 0.004 0.096
#> ERR659051 3 0.2530 0.86717 0.000 0.000 0.888 0.112
#> ERR659147 3 0.2530 0.86717 0.000 0.000 0.888 0.112
#> ERR659052 4 0.4356 0.89084 0.292 0.000 0.000 0.708
#> ERR659148 4 0.4304 0.89792 0.284 0.000 0.000 0.716
#> ERR659053 1 0.1118 0.84483 0.964 0.000 0.000 0.036
#> ERR659149 1 0.1118 0.84483 0.964 0.000 0.000 0.036
#> ERR659054 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659055 4 0.4961 0.59462 0.448 0.000 0.000 0.552
#> ERR659151 4 0.4961 0.59462 0.448 0.000 0.000 0.552
#> ERR659056 3 0.0000 0.87946 0.000 0.000 1.000 0.000
#> ERR659152 3 0.0000 0.87946 0.000 0.000 1.000 0.000
#> ERR659057 1 0.2216 0.81472 0.908 0.000 0.000 0.092
#> ERR659153 1 0.2149 0.81788 0.912 0.000 0.000 0.088
#> ERR659058 4 0.4103 0.91273 0.256 0.000 0.000 0.744
#> ERR659154 4 0.4072 0.91344 0.252 0.000 0.000 0.748
#> ERR659059 1 0.1022 0.84462 0.968 0.000 0.000 0.032
#> ERR659155 1 0.1022 0.84462 0.968 0.000 0.000 0.032
#> ERR659060 1 0.2124 0.83400 0.924 0.000 0.008 0.068
#> ERR659156 1 0.2271 0.82948 0.916 0.000 0.008 0.076
#> ERR659061 1 0.1557 0.83821 0.944 0.000 0.000 0.056
#> ERR659157 1 0.1637 0.83616 0.940 0.000 0.000 0.060
#> ERR659062 1 0.2647 0.79452 0.880 0.000 0.000 0.120
#> ERR659158 1 0.2530 0.80036 0.888 0.000 0.000 0.112
#> ERR659063 1 0.0817 0.84488 0.976 0.000 0.000 0.024
#> ERR659159 1 0.0817 0.84488 0.976 0.000 0.000 0.024
#> ERR659064 1 0.2469 0.79157 0.892 0.000 0.000 0.108
#> ERR659160 1 0.2469 0.79157 0.892 0.000 0.000 0.108
#> ERR659065 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659066 4 0.4431 0.87114 0.304 0.000 0.000 0.696
#> ERR659162 4 0.4431 0.87114 0.304 0.000 0.000 0.696
#> ERR659067 4 0.4222 0.90613 0.272 0.000 0.000 0.728
#> ERR659163 4 0.4222 0.90613 0.272 0.000 0.000 0.728
#> ERR659068 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659069 4 0.4103 0.91273 0.256 0.000 0.000 0.744
#> ERR659165 4 0.4103 0.91273 0.256 0.000 0.000 0.744
#> ERR659070 1 0.1867 0.82118 0.928 0.000 0.000 0.072
#> ERR659166 1 0.1792 0.82336 0.932 0.000 0.000 0.068
#> ERR659071 1 0.0921 0.84532 0.972 0.000 0.000 0.028
#> ERR659167 1 0.0921 0.84532 0.972 0.000 0.000 0.028
#> ERR659072 4 0.3975 0.91136 0.240 0.000 0.000 0.760
#> ERR659168 4 0.3975 0.91136 0.240 0.000 0.000 0.760
#> ERR659073 1 0.5408 -0.42599 0.500 0.000 0.012 0.488
#> ERR659169 1 0.5408 -0.42599 0.500 0.000 0.012 0.488
#> ERR659074 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659075 3 0.2408 0.86753 0.000 0.000 0.896 0.104
#> ERR659171 3 0.2408 0.86753 0.000 0.000 0.896 0.104
#> ERR659076 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659077 1 0.1118 0.84715 0.964 0.000 0.000 0.036
#> ERR659173 1 0.1118 0.84715 0.964 0.000 0.000 0.036
#> ERR659078 1 0.0921 0.84359 0.972 0.000 0.000 0.028
#> ERR659174 1 0.0921 0.84359 0.972 0.000 0.000 0.028
#> ERR659079 1 0.0921 0.84359 0.972 0.000 0.000 0.028
#> ERR659175 1 0.0817 0.84488 0.976 0.000 0.000 0.024
#> ERR659080 3 0.0000 0.87946 0.000 0.000 1.000 0.000
#> ERR659176 3 0.0000 0.87946 0.000 0.000 1.000 0.000
#> ERR659081 1 0.1940 0.82006 0.924 0.000 0.000 0.076
#> ERR659177 1 0.1940 0.82006 0.924 0.000 0.000 0.076
#> ERR659082 1 0.3808 0.70872 0.812 0.000 0.012 0.176
#> ERR659178 1 0.3852 0.70158 0.808 0.000 0.012 0.180
#> ERR659083 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 1.00000 0.000 1.000 0.000 0.000
#> ERR659085 1 0.3688 0.66191 0.792 0.000 0.000 0.208
#> ERR659181 1 0.3569 0.67961 0.804 0.000 0.000 0.196
#> ERR659086 1 0.1940 0.82659 0.924 0.000 0.000 0.076
#> ERR659182 1 0.1940 0.82647 0.924 0.000 0.000 0.076
#> ERR659087 4 0.4713 0.78821 0.360 0.000 0.000 0.640
#> ERR659183 4 0.4713 0.78821 0.360 0.000 0.000 0.640
#> ERR659088 3 0.0188 0.87947 0.000 0.000 0.996 0.004
#> ERR659184 3 0.0188 0.87947 0.000 0.000 0.996 0.004
#> ERR659089 1 0.3402 0.78087 0.832 0.000 0.004 0.164
#> ERR659185 1 0.3636 0.77178 0.820 0.000 0.008 0.172
#> ERR659090 1 0.1867 0.82138 0.928 0.000 0.000 0.072
#> ERR659186 1 0.1637 0.83196 0.940 0.000 0.000 0.060
#> ERR659091 1 0.0707 0.84505 0.980 0.000 0.000 0.020
#> ERR659187 1 0.0707 0.84505 0.980 0.000 0.000 0.020
#> ERR659092 1 0.0707 0.84548 0.980 0.000 0.000 0.020
#> ERR659188 1 0.0817 0.84546 0.976 0.000 0.000 0.024
#> ERR659093 1 0.2868 0.76220 0.864 0.000 0.000 0.136
#> ERR659189 1 0.2814 0.76753 0.868 0.000 0.000 0.132
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.1822 0.7913 0.000 0.004 0.936 0.024 0.036
#> ERR467498 3 0.1822 0.7913 0.000 0.004 0.936 0.024 0.036
#> ERR658998 1 0.4663 0.3876 0.604 0.000 0.000 0.020 0.376
#> ERR659094 1 0.4707 0.3398 0.588 0.000 0.000 0.020 0.392
#> ERR658999 5 0.1764 0.8800 0.064 0.000 0.000 0.008 0.928
#> ERR659095 5 0.1764 0.8800 0.064 0.000 0.000 0.008 0.928
#> ERR659000 4 0.7020 0.3134 0.212 0.000 0.384 0.388 0.016
#> ERR659096 4 0.7020 0.3134 0.212 0.000 0.384 0.388 0.016
#> ERR659001 1 0.5644 0.2769 0.484 0.000 0.000 0.076 0.440
#> ERR659097 1 0.5638 0.2912 0.492 0.000 0.000 0.076 0.432
#> ERR659002 1 0.3506 0.6876 0.824 0.000 0.000 0.044 0.132
#> ERR659098 1 0.3365 0.6919 0.836 0.000 0.000 0.044 0.120
#> ERR659003 1 0.3355 0.6838 0.832 0.000 0.000 0.132 0.036
#> ERR659099 1 0.3366 0.6820 0.828 0.000 0.000 0.140 0.032
#> ERR659004 5 0.5871 0.5637 0.068 0.000 0.212 0.056 0.664
#> ERR659100 5 0.5780 0.5761 0.068 0.000 0.208 0.052 0.672
#> ERR659005 1 0.3825 0.6933 0.804 0.000 0.000 0.136 0.060
#> ERR659101 1 0.3593 0.6989 0.824 0.000 0.000 0.116 0.060
#> ERR659006 5 0.3080 0.8559 0.060 0.000 0.060 0.008 0.872
#> ERR659102 5 0.3080 0.8559 0.060 0.000 0.060 0.008 0.872
#> ERR659007 1 0.2769 0.7112 0.876 0.000 0.000 0.032 0.092
#> ERR659103 1 0.2946 0.7105 0.868 0.000 0.000 0.044 0.088
#> ERR659008 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659009 5 0.1430 0.8741 0.052 0.000 0.000 0.004 0.944
#> ERR659105 5 0.1557 0.8733 0.052 0.000 0.000 0.008 0.940
#> ERR659010 5 0.1831 0.8889 0.076 0.000 0.000 0.004 0.920
#> ERR659106 5 0.1831 0.8889 0.076 0.000 0.000 0.004 0.920
#> ERR659011 5 0.1768 0.8882 0.072 0.000 0.000 0.004 0.924
#> ERR659107 5 0.1768 0.8882 0.072 0.000 0.000 0.004 0.924
#> ERR659012 5 0.2331 0.8814 0.064 0.000 0.024 0.004 0.908
#> ERR659108 5 0.2331 0.8814 0.064 0.000 0.024 0.004 0.908
#> ERR659013 1 0.4740 -0.0766 0.516 0.000 0.000 0.468 0.016
#> ERR659109 1 0.4818 -0.0519 0.520 0.000 0.000 0.460 0.020
#> ERR659014 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.1836 0.7033 0.932 0.000 0.000 0.032 0.036
#> ERR659111 1 0.1668 0.7009 0.940 0.000 0.000 0.032 0.028
#> ERR659016 4 0.7271 0.4900 0.284 0.000 0.340 0.356 0.020
#> ERR659112 4 0.7271 0.4900 0.284 0.000 0.340 0.356 0.020
#> ERR659017 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.5341 0.1075 0.504 0.000 0.000 0.052 0.444
#> ERR659114 1 0.5267 0.1850 0.524 0.000 0.000 0.048 0.428
#> ERR659019 5 0.2390 0.8894 0.084 0.000 0.000 0.020 0.896
#> ERR659115 5 0.2423 0.8893 0.080 0.000 0.000 0.024 0.896
#> ERR659020 1 0.5094 0.4453 0.600 0.000 0.000 0.048 0.352
#> ERR659116 1 0.4950 0.4694 0.612 0.000 0.000 0.040 0.348
#> ERR659021 1 0.2077 0.6922 0.920 0.000 0.000 0.040 0.040
#> ERR659117 1 0.2230 0.6919 0.912 0.000 0.000 0.044 0.044
#> ERR659022 1 0.3123 0.6440 0.828 0.000 0.000 0.160 0.012
#> ERR659118 1 0.3203 0.6368 0.820 0.000 0.000 0.168 0.012
#> ERR659023 1 0.2411 0.6827 0.884 0.000 0.000 0.108 0.008
#> ERR659119 1 0.2574 0.6863 0.876 0.000 0.000 0.112 0.012
#> ERR659024 1 0.1661 0.7017 0.940 0.000 0.000 0.024 0.036
#> ERR659120 1 0.1830 0.7033 0.932 0.000 0.000 0.028 0.040
#> ERR659025 1 0.4494 0.2834 0.608 0.000 0.000 0.380 0.012
#> ERR659121 1 0.4527 0.2504 0.596 0.000 0.000 0.392 0.012
#> ERR659026 5 0.5052 0.4978 0.340 0.000 0.000 0.048 0.612
#> ERR659122 5 0.5052 0.4978 0.340 0.000 0.000 0.048 0.612
#> ERR659027 4 0.4954 -0.2702 0.028 0.000 0.336 0.628 0.008
#> ERR659123 4 0.4954 -0.2702 0.028 0.000 0.336 0.628 0.008
#> ERR659028 1 0.5074 0.6559 0.700 0.000 0.000 0.168 0.132
#> ERR659124 1 0.5032 0.6589 0.704 0.000 0.000 0.168 0.128
#> ERR659029 1 0.2969 0.6846 0.852 0.000 0.000 0.128 0.020
#> ERR659125 1 0.3099 0.6886 0.848 0.000 0.000 0.124 0.028
#> ERR659030 1 0.5334 0.1407 0.512 0.000 0.000 0.052 0.436
#> ERR659126 1 0.5408 0.2466 0.532 0.000 0.000 0.060 0.408
#> ERR659031 1 0.5289 0.5103 0.652 0.000 0.000 0.252 0.096
#> ERR659127 1 0.5289 0.5029 0.652 0.000 0.000 0.252 0.096
#> ERR659032 1 0.4251 0.4541 0.672 0.000 0.000 0.316 0.012
#> ERR659128 1 0.4251 0.4519 0.672 0.000 0.000 0.316 0.012
#> ERR659033 1 0.2278 0.7000 0.908 0.000 0.000 0.060 0.032
#> ERR659129 1 0.2278 0.7000 0.908 0.000 0.000 0.060 0.032
#> ERR659034 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659035 1 0.4622 0.5290 0.692 0.000 0.000 0.264 0.044
#> ERR659131 1 0.4552 0.5289 0.696 0.000 0.000 0.264 0.040
#> ERR659036 4 0.5132 0.5959 0.276 0.000 0.048 0.664 0.012
#> ERR659132 4 0.5132 0.5959 0.276 0.000 0.048 0.664 0.012
#> ERR659037 1 0.4127 0.6822 0.784 0.000 0.000 0.136 0.080
#> ERR659133 1 0.3980 0.6869 0.796 0.000 0.000 0.128 0.076
#> ERR659038 5 0.2362 0.8884 0.076 0.000 0.000 0.024 0.900
#> ERR659134 5 0.2362 0.8884 0.076 0.000 0.000 0.024 0.900
#> ERR659039 5 0.1892 0.8887 0.080 0.000 0.000 0.004 0.916
#> ERR659135 5 0.1892 0.8887 0.080 0.000 0.000 0.004 0.916
#> ERR659040 1 0.4527 0.2365 0.596 0.000 0.000 0.392 0.012
#> ERR659136 1 0.4505 0.2583 0.604 0.000 0.000 0.384 0.012
#> ERR659041 4 0.5745 0.5865 0.280 0.000 0.064 0.628 0.028
#> ERR659137 4 0.5745 0.5865 0.280 0.000 0.064 0.628 0.028
#> ERR659042 4 0.5230 0.2963 0.436 0.000 0.024 0.528 0.012
#> ERR659138 4 0.5235 0.2839 0.440 0.000 0.024 0.524 0.012
#> ERR659043 1 0.4919 0.3052 0.604 0.000 0.016 0.368 0.012
#> ERR659139 1 0.4906 0.3158 0.608 0.000 0.016 0.364 0.012
#> ERR659044 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659045 5 0.2740 0.8840 0.096 0.000 0.000 0.028 0.876
#> ERR659141 5 0.2740 0.8840 0.096 0.000 0.000 0.028 0.876
#> ERR659046 1 0.2514 0.6969 0.896 0.000 0.000 0.044 0.060
#> ERR659142 1 0.2504 0.6976 0.896 0.000 0.000 0.040 0.064
#> ERR659047 1 0.4088 0.6632 0.776 0.000 0.000 0.056 0.168
#> ERR659143 1 0.4088 0.6647 0.776 0.000 0.000 0.056 0.168
#> ERR659048 1 0.2694 0.7049 0.884 0.000 0.000 0.076 0.040
#> ERR659144 1 0.2514 0.7056 0.896 0.000 0.000 0.060 0.044
#> ERR659049 1 0.6372 0.2288 0.492 0.000 0.000 0.324 0.184
#> ERR659145 1 0.6273 0.2322 0.500 0.000 0.000 0.336 0.164
#> ERR659050 1 0.3596 0.5964 0.776 0.000 0.000 0.212 0.012
#> ERR659146 1 0.3519 0.5884 0.776 0.000 0.000 0.216 0.008
#> ERR659051 3 0.0404 0.8033 0.000 0.000 0.988 0.012 0.000
#> ERR659147 3 0.0404 0.8033 0.000 0.000 0.988 0.012 0.000
#> ERR659052 5 0.2864 0.8749 0.112 0.000 0.000 0.024 0.864
#> ERR659148 5 0.2915 0.8720 0.116 0.000 0.000 0.024 0.860
#> ERR659053 1 0.3236 0.6595 0.828 0.000 0.000 0.152 0.020
#> ERR659149 1 0.3326 0.6619 0.824 0.000 0.000 0.152 0.024
#> ERR659054 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659055 5 0.4927 0.5807 0.296 0.000 0.000 0.052 0.652
#> ERR659151 5 0.4989 0.5743 0.296 0.000 0.000 0.056 0.648
#> ERR659056 3 0.4235 0.8105 0.000 0.000 0.656 0.336 0.008
#> ERR659152 3 0.4235 0.8105 0.000 0.000 0.656 0.336 0.008
#> ERR659057 1 0.3929 0.6407 0.764 0.000 0.000 0.028 0.208
#> ERR659153 1 0.3687 0.6638 0.792 0.000 0.000 0.028 0.180
#> ERR659058 5 0.2616 0.8874 0.076 0.000 0.000 0.036 0.888
#> ERR659154 5 0.2616 0.8874 0.076 0.000 0.000 0.036 0.888
#> ERR659059 1 0.2438 0.7014 0.900 0.000 0.000 0.040 0.060
#> ERR659155 1 0.2514 0.7002 0.896 0.000 0.000 0.044 0.060
#> ERR659060 1 0.4847 0.6033 0.692 0.000 0.000 0.240 0.068
#> ERR659156 1 0.4877 0.6122 0.692 0.000 0.000 0.236 0.072
#> ERR659061 1 0.4584 0.6189 0.716 0.000 0.000 0.228 0.056
#> ERR659157 1 0.4555 0.6235 0.720 0.000 0.000 0.224 0.056
#> ERR659062 1 0.5093 0.6349 0.696 0.000 0.000 0.124 0.180
#> ERR659158 1 0.5093 0.6367 0.696 0.000 0.000 0.124 0.180
#> ERR659063 1 0.3075 0.7058 0.860 0.000 0.000 0.048 0.092
#> ERR659159 1 0.2889 0.7080 0.872 0.000 0.000 0.044 0.084
#> ERR659064 1 0.4096 0.6759 0.784 0.000 0.000 0.072 0.144
#> ERR659160 1 0.4254 0.6738 0.772 0.000 0.000 0.080 0.148
#> ERR659065 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659066 5 0.3236 0.8434 0.152 0.000 0.000 0.020 0.828
#> ERR659162 5 0.3106 0.8538 0.140 0.000 0.000 0.020 0.840
#> ERR659067 5 0.2448 0.8884 0.088 0.000 0.000 0.020 0.892
#> ERR659163 5 0.2448 0.8884 0.088 0.000 0.000 0.020 0.892
#> ERR659068 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659069 5 0.2735 0.8866 0.084 0.000 0.000 0.036 0.880
#> ERR659165 5 0.2735 0.8866 0.084 0.000 0.000 0.036 0.880
#> ERR659070 1 0.3807 0.5579 0.748 0.000 0.000 0.240 0.012
#> ERR659166 1 0.3779 0.5631 0.752 0.000 0.000 0.236 0.012
#> ERR659071 1 0.2450 0.7045 0.900 0.000 0.000 0.048 0.052
#> ERR659167 1 0.2522 0.7031 0.896 0.000 0.000 0.052 0.052
#> ERR659072 5 0.1956 0.8891 0.076 0.000 0.000 0.008 0.916
#> ERR659168 5 0.1956 0.8891 0.076 0.000 0.000 0.008 0.916
#> ERR659073 5 0.5707 0.5234 0.280 0.000 0.008 0.096 0.616
#> ERR659169 5 0.5707 0.5234 0.280 0.000 0.008 0.096 0.616
#> ERR659074 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659075 3 0.1341 0.8172 0.000 0.000 0.944 0.056 0.000
#> ERR659171 3 0.1341 0.8172 0.000 0.000 0.944 0.056 0.000
#> ERR659076 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659077 1 0.3752 0.6852 0.804 0.000 0.000 0.148 0.048
#> ERR659173 1 0.3835 0.6803 0.796 0.000 0.000 0.156 0.048
#> ERR659078 1 0.2843 0.6964 0.876 0.000 0.000 0.048 0.076
#> ERR659174 1 0.2790 0.6974 0.880 0.000 0.000 0.052 0.068
#> ERR659079 1 0.2654 0.7068 0.888 0.000 0.000 0.048 0.064
#> ERR659175 1 0.2654 0.7068 0.888 0.000 0.000 0.048 0.064
#> ERR659080 3 0.4402 0.8025 0.000 0.000 0.636 0.352 0.012
#> ERR659176 3 0.4402 0.8025 0.000 0.000 0.636 0.352 0.012
#> ERR659081 1 0.4035 0.6688 0.784 0.000 0.000 0.060 0.156
#> ERR659177 1 0.4010 0.6693 0.784 0.000 0.000 0.056 0.160
#> ERR659082 1 0.6430 0.3569 0.480 0.000 0.000 0.328 0.192
#> ERR659178 1 0.6444 0.3767 0.484 0.000 0.000 0.316 0.200
#> ERR659083 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.5478 0.2671 0.516 0.000 0.000 0.064 0.420
#> ERR659181 1 0.5506 0.3078 0.528 0.000 0.000 0.068 0.404
#> ERR659086 1 0.4096 0.6743 0.784 0.000 0.000 0.072 0.144
#> ERR659182 1 0.4138 0.6730 0.780 0.000 0.000 0.072 0.148
#> ERR659087 5 0.3530 0.7845 0.204 0.000 0.000 0.012 0.784
#> ERR659183 5 0.3530 0.7845 0.204 0.000 0.000 0.012 0.784
#> ERR659088 3 0.4283 0.8075 0.000 0.000 0.644 0.348 0.008
#> ERR659184 3 0.4283 0.8075 0.000 0.000 0.644 0.348 0.008
#> ERR659089 1 0.4770 0.4035 0.644 0.000 0.000 0.320 0.036
#> ERR659185 1 0.4804 0.3972 0.636 0.000 0.000 0.328 0.036
#> ERR659090 1 0.3053 0.6459 0.828 0.000 0.000 0.164 0.008
#> ERR659186 1 0.3123 0.6528 0.828 0.000 0.000 0.160 0.012
#> ERR659091 1 0.3412 0.6834 0.820 0.000 0.000 0.028 0.152
#> ERR659187 1 0.3535 0.6773 0.808 0.000 0.000 0.028 0.164
#> ERR659092 1 0.2149 0.6988 0.916 0.000 0.000 0.036 0.048
#> ERR659188 1 0.2228 0.6980 0.912 0.000 0.000 0.040 0.048
#> ERR659093 1 0.4495 0.5984 0.712 0.000 0.000 0.044 0.244
#> ERR659189 1 0.4468 0.6019 0.716 0.000 0.000 0.044 0.240
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.4456 0.688 0.000 0.004 0.008 0.492 0.008 NA
#> ERR467498 4 0.4456 0.688 0.000 0.004 0.008 0.492 0.008 NA
#> ERR658998 1 0.5798 0.353 0.548 0.000 0.036 0.000 0.320 NA
#> ERR659094 1 0.5711 0.380 0.560 0.000 0.032 0.000 0.312 NA
#> ERR658999 5 0.2563 0.787 0.036 0.000 0.028 0.000 0.892 NA
#> ERR659095 5 0.2638 0.787 0.036 0.000 0.032 0.000 0.888 NA
#> ERR659000 3 0.6602 0.212 0.136 0.000 0.436 0.376 0.012 NA
#> ERR659096 3 0.6602 0.212 0.136 0.000 0.436 0.376 0.012 NA
#> ERR659001 1 0.6643 0.279 0.464 0.000 0.088 0.008 0.352 NA
#> ERR659097 1 0.6598 0.298 0.472 0.000 0.084 0.008 0.348 NA
#> ERR659002 1 0.4006 0.696 0.792 0.000 0.028 0.000 0.084 NA
#> ERR659098 1 0.3880 0.698 0.804 0.000 0.032 0.000 0.076 NA
#> ERR659003 1 0.3414 0.705 0.836 0.000 0.084 0.000 0.028 NA
#> ERR659099 1 0.3402 0.704 0.836 0.000 0.088 0.000 0.028 NA
#> ERR659004 5 0.6427 0.506 0.064 0.000 0.056 0.128 0.628 NA
#> ERR659100 5 0.6422 0.510 0.068 0.000 0.052 0.128 0.628 NA
#> ERR659005 1 0.4771 0.698 0.732 0.000 0.156 0.004 0.060 NA
#> ERR659101 1 0.4761 0.700 0.736 0.000 0.148 0.004 0.060 NA
#> ERR659006 5 0.3131 0.781 0.052 0.000 0.024 0.040 0.868 NA
#> ERR659102 5 0.3218 0.778 0.052 0.000 0.024 0.040 0.864 NA
#> ERR659007 1 0.3162 0.715 0.856 0.000 0.040 0.000 0.064 NA
#> ERR659103 1 0.3357 0.714 0.844 0.000 0.040 0.000 0.064 NA
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659009 5 0.2519 0.784 0.044 0.000 0.016 0.000 0.892 NA
#> ERR659105 5 0.2390 0.782 0.044 0.000 0.008 0.000 0.896 NA
#> ERR659010 5 0.1297 0.805 0.040 0.000 0.000 0.000 0.948 NA
#> ERR659106 5 0.1297 0.805 0.040 0.000 0.000 0.000 0.948 NA
#> ERR659011 5 0.1010 0.804 0.036 0.000 0.000 0.000 0.960 NA
#> ERR659107 5 0.1010 0.804 0.036 0.000 0.000 0.000 0.960 NA
#> ERR659012 5 0.2258 0.785 0.032 0.000 0.020 0.004 0.912 NA
#> ERR659108 5 0.2258 0.785 0.032 0.000 0.020 0.004 0.912 NA
#> ERR659013 3 0.4903 0.293 0.396 0.000 0.556 0.004 0.012 NA
#> ERR659109 3 0.4798 0.228 0.412 0.000 0.544 0.000 0.012 NA
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659015 1 0.2736 0.705 0.880 0.000 0.052 0.000 0.020 NA
#> ERR659111 1 0.2490 0.704 0.892 0.000 0.052 0.000 0.012 NA
#> ERR659016 3 0.6443 0.372 0.164 0.000 0.504 0.292 0.012 NA
#> ERR659112 3 0.6443 0.372 0.164 0.000 0.504 0.292 0.012 NA
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659018 1 0.6513 0.203 0.444 0.000 0.032 0.000 0.300 NA
#> ERR659114 1 0.6490 0.251 0.456 0.000 0.032 0.000 0.284 NA
#> ERR659019 5 0.3127 0.808 0.060 0.000 0.024 0.000 0.856 NA
#> ERR659115 5 0.3185 0.807 0.060 0.000 0.024 0.000 0.852 NA
#> ERR659020 1 0.6068 0.507 0.576 0.000 0.056 0.000 0.236 NA
#> ERR659116 1 0.5959 0.526 0.592 0.000 0.056 0.000 0.228 NA
#> ERR659021 1 0.2016 0.711 0.920 0.000 0.016 0.000 0.040 NA
#> ERR659117 1 0.1851 0.711 0.928 0.000 0.012 0.000 0.036 NA
#> ERR659022 1 0.3920 0.648 0.768 0.000 0.168 0.000 0.008 NA
#> ERR659118 1 0.3845 0.645 0.768 0.000 0.172 0.000 0.004 NA
#> ERR659023 1 0.3623 0.699 0.820 0.000 0.108 0.004 0.020 NA
#> ERR659119 1 0.3466 0.702 0.832 0.000 0.100 0.004 0.020 NA
#> ERR659024 1 0.1901 0.709 0.924 0.000 0.028 0.000 0.008 NA
#> ERR659120 1 0.1980 0.711 0.920 0.000 0.036 0.000 0.008 NA
#> ERR659025 1 0.4868 0.384 0.580 0.000 0.372 0.004 0.016 NA
#> ERR659121 1 0.5015 0.347 0.564 0.000 0.380 0.004 0.016 NA
#> ERR659026 5 0.5817 0.488 0.268 0.000 0.020 0.000 0.560 NA
#> ERR659122 5 0.5845 0.483 0.268 0.000 0.020 0.000 0.556 NA
#> ERR659027 3 0.4799 -0.235 0.020 0.000 0.504 0.456 0.000 NA
#> ERR659123 3 0.4797 -0.226 0.020 0.000 0.508 0.452 0.000 NA
#> ERR659028 1 0.5759 0.583 0.648 0.000 0.188 0.008 0.080 NA
#> ERR659124 1 0.5711 0.589 0.652 0.000 0.188 0.008 0.080 NA
#> ERR659029 1 0.4020 0.648 0.764 0.000 0.160 0.000 0.008 NA
#> ERR659125 1 0.4020 0.651 0.764 0.000 0.160 0.000 0.008 NA
#> ERR659030 1 0.6321 0.222 0.456 0.000 0.020 0.000 0.300 NA
#> ERR659126 1 0.6396 0.267 0.468 0.000 0.028 0.000 0.284 NA
#> ERR659031 1 0.5461 0.557 0.632 0.000 0.244 0.000 0.068 NA
#> ERR659127 1 0.5476 0.551 0.628 0.000 0.248 0.000 0.072 NA
#> ERR659032 1 0.4603 0.508 0.628 0.000 0.324 0.000 0.008 NA
#> ERR659128 1 0.4588 0.515 0.632 0.000 0.320 0.000 0.008 NA
#> ERR659033 1 0.2854 0.713 0.872 0.000 0.036 0.000 0.024 NA
#> ERR659129 1 0.2714 0.713 0.880 0.000 0.036 0.000 0.020 NA
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659035 1 0.4959 0.615 0.680 0.000 0.224 0.000 0.044 NA
#> ERR659131 1 0.4922 0.612 0.680 0.000 0.228 0.000 0.040 NA
#> ERR659036 3 0.6346 0.501 0.212 0.000 0.576 0.120 0.004 NA
#> ERR659132 3 0.6346 0.501 0.212 0.000 0.576 0.120 0.004 NA
#> ERR659037 1 0.4128 0.694 0.788 0.000 0.096 0.000 0.044 NA
#> ERR659133 1 0.4080 0.694 0.792 0.000 0.092 0.000 0.044 NA
#> ERR659038 5 0.3179 0.799 0.032 0.000 0.028 0.000 0.848 NA
#> ERR659134 5 0.3179 0.799 0.032 0.000 0.028 0.000 0.848 NA
#> ERR659039 5 0.1801 0.811 0.056 0.000 0.004 0.000 0.924 NA
#> ERR659135 5 0.1801 0.811 0.056 0.000 0.004 0.000 0.924 NA
#> ERR659040 1 0.4672 0.285 0.532 0.000 0.432 0.000 0.008 NA
#> ERR659136 1 0.4644 0.338 0.552 0.000 0.412 0.000 0.008 NA
#> ERR659041 3 0.6078 0.471 0.124 0.000 0.632 0.136 0.008 NA
#> ERR659137 3 0.6149 0.486 0.136 0.000 0.624 0.132 0.008 NA
#> ERR659042 3 0.4591 0.445 0.320 0.000 0.640 0.012 0.012 NA
#> ERR659138 3 0.4575 0.453 0.316 0.000 0.644 0.012 0.012 NA
#> ERR659043 1 0.5961 0.261 0.524 0.000 0.348 0.024 0.012 NA
#> ERR659139 1 0.5961 0.261 0.524 0.000 0.348 0.024 0.012 NA
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659045 5 0.4054 0.793 0.084 0.000 0.036 0.000 0.792 NA
#> ERR659141 5 0.4003 0.795 0.080 0.000 0.036 0.000 0.796 NA
#> ERR659046 1 0.2672 0.708 0.884 0.000 0.020 0.000 0.048 NA
#> ERR659142 1 0.2767 0.709 0.880 0.000 0.028 0.000 0.048 NA
#> ERR659047 1 0.5399 0.601 0.676 0.000 0.064 0.000 0.108 NA
#> ERR659143 1 0.5237 0.614 0.692 0.000 0.064 0.000 0.096 NA
#> ERR659048 1 0.3003 0.696 0.852 0.000 0.104 0.000 0.016 NA
#> ERR659144 1 0.2933 0.697 0.860 0.000 0.092 0.000 0.016 NA
#> ERR659049 1 0.7083 0.153 0.432 0.000 0.324 0.008 0.104 NA
#> ERR659145 1 0.7102 0.137 0.428 0.000 0.324 0.008 0.100 NA
#> ERR659050 1 0.4509 0.598 0.704 0.000 0.236 0.004 0.020 NA
#> ERR659146 1 0.4484 0.601 0.708 0.000 0.232 0.004 0.020 NA
#> ERR659051 4 0.4083 0.734 0.000 0.000 0.028 0.668 0.000 NA
#> ERR659147 4 0.4083 0.734 0.000 0.000 0.028 0.668 0.000 NA
#> ERR659052 5 0.4505 0.748 0.148 0.000 0.056 0.000 0.748 NA
#> ERR659148 5 0.4540 0.744 0.152 0.000 0.056 0.000 0.744 NA
#> ERR659053 1 0.3527 0.668 0.792 0.000 0.164 0.000 0.004 NA
#> ERR659149 1 0.3671 0.671 0.784 0.000 0.168 0.000 0.008 NA
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659055 5 0.6340 0.475 0.244 0.000 0.032 0.000 0.500 NA
#> ERR659151 5 0.6309 0.462 0.252 0.000 0.028 0.000 0.496 NA
#> ERR659056 4 0.2266 0.757 0.000 0.000 0.108 0.880 0.000 NA
#> ERR659152 4 0.2266 0.757 0.000 0.000 0.108 0.880 0.000 NA
#> ERR659057 1 0.4391 0.676 0.768 0.000 0.048 0.000 0.100 NA
#> ERR659153 1 0.4391 0.676 0.768 0.000 0.048 0.000 0.100 NA
#> ERR659058 5 0.3417 0.795 0.044 0.000 0.020 0.000 0.828 NA
#> ERR659154 5 0.3417 0.795 0.044 0.000 0.020 0.000 0.828 NA
#> ERR659059 1 0.2897 0.709 0.872 0.000 0.028 0.000 0.052 NA
#> ERR659155 1 0.2833 0.710 0.876 0.000 0.028 0.000 0.048 NA
#> ERR659060 1 0.5906 0.602 0.616 0.000 0.244 0.020 0.056 NA
#> ERR659156 1 0.5906 0.602 0.616 0.000 0.244 0.020 0.056 NA
#> ERR659061 1 0.5144 0.666 0.692 0.000 0.184 0.004 0.044 NA
#> ERR659157 1 0.5114 0.669 0.696 0.000 0.180 0.004 0.044 NA
#> ERR659062 1 0.5891 0.610 0.632 0.000 0.156 0.000 0.108 NA
#> ERR659158 1 0.5779 0.622 0.644 0.000 0.152 0.000 0.100 NA
#> ERR659063 1 0.3780 0.707 0.816 0.000 0.048 0.000 0.068 NA
#> ERR659159 1 0.3780 0.707 0.816 0.000 0.048 0.000 0.068 NA
#> ERR659064 1 0.5290 0.627 0.696 0.000 0.100 0.000 0.096 NA
#> ERR659160 1 0.5291 0.626 0.696 0.000 0.104 0.000 0.096 NA
#> ERR659065 2 0.0146 0.996 0.000 0.996 0.000 0.000 0.000 NA
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659066 5 0.4525 0.719 0.196 0.000 0.040 0.000 0.724 NA
#> ERR659162 5 0.4741 0.712 0.200 0.000 0.048 0.000 0.708 NA
#> ERR659067 5 0.4208 0.786 0.112 0.000 0.024 0.000 0.772 NA
#> ERR659163 5 0.4040 0.792 0.104 0.000 0.020 0.000 0.784 NA
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659069 5 0.4051 0.773 0.056 0.000 0.020 0.000 0.772 NA
#> ERR659165 5 0.4144 0.770 0.060 0.000 0.020 0.000 0.764 NA
#> ERR659070 1 0.4323 0.625 0.724 0.000 0.212 0.000 0.016 NA
#> ERR659166 1 0.4383 0.627 0.720 0.000 0.212 0.000 0.016 NA
#> ERR659071 1 0.2183 0.714 0.912 0.000 0.020 0.000 0.040 NA
#> ERR659167 1 0.2195 0.713 0.912 0.000 0.024 0.000 0.036 NA
#> ERR659072 5 0.1672 0.807 0.048 0.000 0.004 0.000 0.932 NA
#> ERR659168 5 0.1605 0.805 0.044 0.000 0.004 0.000 0.936 NA
#> ERR659073 5 0.6158 0.491 0.260 0.000 0.088 0.008 0.576 NA
#> ERR659169 5 0.6158 0.491 0.260 0.000 0.088 0.008 0.576 NA
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659075 4 0.2838 0.767 0.000 0.000 0.004 0.808 0.000 NA
#> ERR659171 4 0.2838 0.767 0.000 0.000 0.004 0.808 0.000 NA
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659077 1 0.4260 0.691 0.772 0.000 0.120 0.000 0.036 NA
#> ERR659173 1 0.4353 0.687 0.764 0.000 0.124 0.000 0.036 NA
#> ERR659078 1 0.2959 0.710 0.868 0.000 0.028 0.000 0.048 NA
#> ERR659174 1 0.2959 0.710 0.868 0.000 0.028 0.000 0.048 NA
#> ERR659079 1 0.3470 0.709 0.828 0.000 0.024 0.000 0.048 NA
#> ERR659175 1 0.3500 0.710 0.828 0.000 0.028 0.000 0.048 NA
#> ERR659080 4 0.3062 0.736 0.000 0.000 0.160 0.816 0.000 NA
#> ERR659176 4 0.3062 0.736 0.000 0.000 0.160 0.816 0.000 NA
#> ERR659081 1 0.4191 0.656 0.780 0.000 0.048 0.000 0.056 NA
#> ERR659177 1 0.4209 0.659 0.780 0.000 0.052 0.000 0.056 NA
#> ERR659082 1 0.7372 0.164 0.436 0.000 0.300 0.024 0.128 NA
#> ERR659178 1 0.7424 0.183 0.440 0.000 0.284 0.024 0.128 NA
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659085 1 0.5964 0.367 0.512 0.000 0.060 0.000 0.356 NA
#> ERR659181 1 0.6020 0.401 0.520 0.000 0.064 0.000 0.340 NA
#> ERR659086 1 0.4019 0.698 0.796 0.000 0.040 0.000 0.088 NA
#> ERR659182 1 0.4085 0.698 0.792 0.000 0.044 0.000 0.088 NA
#> ERR659087 5 0.5099 0.655 0.220 0.000 0.044 0.000 0.672 NA
#> ERR659183 5 0.5148 0.647 0.228 0.000 0.044 0.000 0.664 NA
#> ERR659088 4 0.3572 0.713 0.000 0.000 0.204 0.764 0.000 NA
#> ERR659184 4 0.3500 0.712 0.000 0.000 0.204 0.768 0.000 NA
#> ERR659089 1 0.4969 0.485 0.608 0.000 0.332 0.004 0.024 NA
#> ERR659185 1 0.4969 0.485 0.608 0.000 0.332 0.004 0.024 NA
#> ERR659090 1 0.3351 0.666 0.808 0.000 0.152 0.000 0.004 NA
#> ERR659186 1 0.3280 0.671 0.812 0.000 0.152 0.000 0.004 NA
#> ERR659091 1 0.3972 0.684 0.788 0.000 0.020 0.000 0.076 NA
#> ERR659187 1 0.4298 0.677 0.764 0.000 0.024 0.000 0.096 NA
#> ERR659092 1 0.2313 0.706 0.904 0.000 0.016 0.000 0.036 NA
#> ERR659188 1 0.2358 0.705 0.900 0.000 0.012 0.000 0.040 NA
#> ERR659093 1 0.5095 0.606 0.692 0.000 0.036 0.000 0.160 NA
#> ERR659189 1 0.5068 0.610 0.696 0.000 0.036 0.000 0.152 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", "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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.220 0.782 0.782
#> 3 3 0.664 0.846 0.915 0.578 0.931 0.911
#> 4 4 0.390 0.724 0.819 0.275 0.964 0.950
#> 5 5 0.299 0.664 0.730 0.309 0.650 0.507
#> 6 6 0.357 0.548 0.729 0.151 0.891 0.754
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
#> ERR467487 1 0.000 0.999 1.000 0.000
#> ERR467498 1 0.000 0.999 1.000 0.000
#> ERR658998 1 0.000 0.999 1.000 0.000
#> ERR659094 1 0.000 0.999 1.000 0.000
#> ERR658999 1 0.000 0.999 1.000 0.000
#> ERR659095 1 0.000 0.999 1.000 0.000
#> ERR659000 1 0.000 0.999 1.000 0.000
#> ERR659096 1 0.000 0.999 1.000 0.000
#> ERR659001 1 0.000 0.999 1.000 0.000
#> ERR659097 1 0.000 0.999 1.000 0.000
#> ERR659002 1 0.000 0.999 1.000 0.000
#> ERR659098 1 0.000 0.999 1.000 0.000
#> ERR659003 1 0.000 0.999 1.000 0.000
#> ERR659099 1 0.000 0.999 1.000 0.000
#> ERR659004 1 0.000 0.999 1.000 0.000
#> ERR659100 1 0.000 0.999 1.000 0.000
#> ERR659005 1 0.000 0.999 1.000 0.000
#> ERR659101 1 0.000 0.999 1.000 0.000
#> ERR659006 1 0.000 0.999 1.000 0.000
#> ERR659102 1 0.000 0.999 1.000 0.000
#> ERR659007 1 0.000 0.999 1.000 0.000
#> ERR659103 1 0.000 0.999 1.000 0.000
#> ERR659008 2 0.000 1.000 0.000 1.000
#> ERR659104 2 0.000 1.000 0.000 1.000
#> ERR659009 1 0.000 0.999 1.000 0.000
#> ERR659105 1 0.000 0.999 1.000 0.000
#> ERR659010 1 0.000 0.999 1.000 0.000
#> ERR659106 1 0.000 0.999 1.000 0.000
#> ERR659011 1 0.000 0.999 1.000 0.000
#> ERR659107 1 0.000 0.999 1.000 0.000
#> ERR659012 1 0.000 0.999 1.000 0.000
#> ERR659108 1 0.000 0.999 1.000 0.000
#> ERR659013 1 0.000 0.999 1.000 0.000
#> ERR659109 1 0.000 0.999 1.000 0.000
#> ERR659014 2 0.000 1.000 0.000 1.000
#> ERR659110 2 0.000 1.000 0.000 1.000
#> ERR659015 1 0.000 0.999 1.000 0.000
#> ERR659111 1 0.000 0.999 1.000 0.000
#> ERR659016 1 0.000 0.999 1.000 0.000
#> ERR659112 1 0.000 0.999 1.000 0.000
#> ERR659017 2 0.000 1.000 0.000 1.000
#> ERR659113 2 0.000 1.000 0.000 1.000
#> ERR659018 1 0.000 0.999 1.000 0.000
#> ERR659114 1 0.000 0.999 1.000 0.000
#> ERR659019 1 0.000 0.999 1.000 0.000
#> ERR659115 1 0.000 0.999 1.000 0.000
#> ERR659020 1 0.000 0.999 1.000 0.000
#> ERR659116 1 0.000 0.999 1.000 0.000
#> ERR659021 1 0.000 0.999 1.000 0.000
#> ERR659117 1 0.000 0.999 1.000 0.000
#> ERR659022 1 0.000 0.999 1.000 0.000
#> ERR659118 1 0.000 0.999 1.000 0.000
#> ERR659023 1 0.000 0.999 1.000 0.000
#> ERR659119 1 0.000 0.999 1.000 0.000
#> ERR659024 1 0.000 0.999 1.000 0.000
#> ERR659120 1 0.000 0.999 1.000 0.000
#> ERR659025 1 0.000 0.999 1.000 0.000
#> ERR659121 1 0.000 0.999 1.000 0.000
#> ERR659026 1 0.000 0.999 1.000 0.000
#> ERR659122 1 0.000 0.999 1.000 0.000
#> ERR659027 1 0.000 0.999 1.000 0.000
#> ERR659123 1 0.000 0.999 1.000 0.000
#> ERR659028 1 0.000 0.999 1.000 0.000
#> ERR659124 1 0.000 0.999 1.000 0.000
#> ERR659029 1 0.000 0.999 1.000 0.000
#> ERR659125 1 0.000 0.999 1.000 0.000
#> ERR659030 1 0.000 0.999 1.000 0.000
#> ERR659126 1 0.000 0.999 1.000 0.000
#> ERR659031 1 0.000 0.999 1.000 0.000
#> ERR659127 1 0.000 0.999 1.000 0.000
#> ERR659032 1 0.000 0.999 1.000 0.000
#> ERR659128 1 0.000 0.999 1.000 0.000
#> ERR659033 1 0.000 0.999 1.000 0.000
#> ERR659129 1 0.000 0.999 1.000 0.000
#> ERR659034 2 0.000 1.000 0.000 1.000
#> ERR659130 2 0.000 1.000 0.000 1.000
#> ERR659035 1 0.000 0.999 1.000 0.000
#> ERR659131 1 0.000 0.999 1.000 0.000
#> ERR659036 1 0.000 0.999 1.000 0.000
#> ERR659132 1 0.000 0.999 1.000 0.000
#> ERR659037 1 0.000 0.999 1.000 0.000
#> ERR659133 1 0.000 0.999 1.000 0.000
#> ERR659038 1 0.000 0.999 1.000 0.000
#> ERR659134 1 0.000 0.999 1.000 0.000
#> ERR659039 1 0.000 0.999 1.000 0.000
#> ERR659135 1 0.000 0.999 1.000 0.000
#> ERR659040 1 0.000 0.999 1.000 0.000
#> ERR659136 1 0.000 0.999 1.000 0.000
#> ERR659041 1 0.000 0.999 1.000 0.000
#> ERR659137 1 0.000 0.999 1.000 0.000
#> ERR659042 1 0.000 0.999 1.000 0.000
#> ERR659138 1 0.000 0.999 1.000 0.000
#> ERR659043 1 0.000 0.999 1.000 0.000
#> ERR659139 1 0.000 0.999 1.000 0.000
#> ERR659044 2 0.000 1.000 0.000 1.000
#> ERR659140 2 0.000 1.000 0.000 1.000
#> ERR659045 1 0.000 0.999 1.000 0.000
#> ERR659141 1 0.000 0.999 1.000 0.000
#> ERR659046 1 0.000 0.999 1.000 0.000
#> ERR659142 1 0.000 0.999 1.000 0.000
#> ERR659047 1 0.000 0.999 1.000 0.000
#> ERR659143 1 0.000 0.999 1.000 0.000
#> ERR659048 1 0.000 0.999 1.000 0.000
#> ERR659144 1 0.000 0.999 1.000 0.000
#> ERR659049 1 0.000 0.999 1.000 0.000
#> ERR659145 1 0.000 0.999 1.000 0.000
#> ERR659050 1 0.000 0.999 1.000 0.000
#> ERR659146 1 0.000 0.999 1.000 0.000
#> ERR659051 1 0.000 0.999 1.000 0.000
#> ERR659147 1 0.000 0.999 1.000 0.000
#> ERR659052 1 0.000 0.999 1.000 0.000
#> ERR659148 1 0.000 0.999 1.000 0.000
#> ERR659053 1 0.000 0.999 1.000 0.000
#> ERR659149 1 0.000 0.999 1.000 0.000
#> ERR659054 2 0.000 1.000 0.000 1.000
#> ERR659150 2 0.000 1.000 0.000 1.000
#> ERR659055 1 0.000 0.999 1.000 0.000
#> ERR659151 1 0.000 0.999 1.000 0.000
#> ERR659056 1 0.000 0.999 1.000 0.000
#> ERR659152 1 0.000 0.999 1.000 0.000
#> ERR659057 1 0.000 0.999 1.000 0.000
#> ERR659153 1 0.000 0.999 1.000 0.000
#> ERR659058 1 0.000 0.999 1.000 0.000
#> ERR659154 1 0.000 0.999 1.000 0.000
#> ERR659059 1 0.000 0.999 1.000 0.000
#> ERR659155 1 0.000 0.999 1.000 0.000
#> ERR659060 1 0.000 0.999 1.000 0.000
#> ERR659156 1 0.000 0.999 1.000 0.000
#> ERR659061 1 0.000 0.999 1.000 0.000
#> ERR659157 1 0.000 0.999 1.000 0.000
#> ERR659062 1 0.000 0.999 1.000 0.000
#> ERR659158 1 0.000 0.999 1.000 0.000
#> ERR659063 1 0.000 0.999 1.000 0.000
#> ERR659159 1 0.000 0.999 1.000 0.000
#> ERR659064 1 0.000 0.999 1.000 0.000
#> ERR659160 1 0.000 0.999 1.000 0.000
#> ERR659065 2 0.000 1.000 0.000 1.000
#> ERR659161 2 0.000 1.000 0.000 1.000
#> ERR659066 1 0.000 0.999 1.000 0.000
#> ERR659162 1 0.000 0.999 1.000 0.000
#> ERR659067 1 0.000 0.999 1.000 0.000
#> ERR659163 1 0.000 0.999 1.000 0.000
#> ERR659068 2 0.000 1.000 0.000 1.000
#> ERR659164 2 0.000 1.000 0.000 1.000
#> ERR659069 1 0.000 0.999 1.000 0.000
#> ERR659165 1 0.000 0.999 1.000 0.000
#> ERR659070 1 0.000 0.999 1.000 0.000
#> ERR659166 1 0.000 0.999 1.000 0.000
#> ERR659071 1 0.000 0.999 1.000 0.000
#> ERR659167 1 0.000 0.999 1.000 0.000
#> ERR659072 1 0.000 0.999 1.000 0.000
#> ERR659168 1 0.000 0.999 1.000 0.000
#> ERR659073 1 0.000 0.999 1.000 0.000
#> ERR659169 1 0.000 0.999 1.000 0.000
#> ERR659074 2 0.000 1.000 0.000 1.000
#> ERR659170 2 0.000 1.000 0.000 1.000
#> ERR659075 1 0.443 0.899 0.908 0.092
#> ERR659171 1 0.469 0.890 0.900 0.100
#> ERR659076 2 0.000 1.000 0.000 1.000
#> ERR659172 2 0.000 1.000 0.000 1.000
#> ERR659077 1 0.000 0.999 1.000 0.000
#> ERR659173 1 0.000 0.999 1.000 0.000
#> ERR659078 1 0.000 0.999 1.000 0.000
#> ERR659174 1 0.000 0.999 1.000 0.000
#> ERR659079 1 0.000 0.999 1.000 0.000
#> ERR659175 1 0.000 0.999 1.000 0.000
#> ERR659080 1 0.000 0.999 1.000 0.000
#> ERR659176 1 0.000 0.999 1.000 0.000
#> ERR659081 1 0.000 0.999 1.000 0.000
#> ERR659177 1 0.000 0.999 1.000 0.000
#> ERR659082 1 0.000 0.999 1.000 0.000
#> ERR659178 1 0.000 0.999 1.000 0.000
#> ERR659083 2 0.000 1.000 0.000 1.000
#> ERR659179 2 0.000 1.000 0.000 1.000
#> ERR659084 2 0.000 1.000 0.000 1.000
#> ERR659180 2 0.000 1.000 0.000 1.000
#> ERR659085 1 0.000 0.999 1.000 0.000
#> ERR659181 1 0.000 0.999 1.000 0.000
#> ERR659086 1 0.000 0.999 1.000 0.000
#> ERR659182 1 0.000 0.999 1.000 0.000
#> ERR659087 1 0.000 0.999 1.000 0.000
#> ERR659183 1 0.000 0.999 1.000 0.000
#> ERR659088 1 0.000 0.999 1.000 0.000
#> ERR659184 1 0.000 0.999 1.000 0.000
#> ERR659089 1 0.000 0.999 1.000 0.000
#> ERR659185 1 0.000 0.999 1.000 0.000
#> ERR659090 1 0.000 0.999 1.000 0.000
#> ERR659186 1 0.000 0.999 1.000 0.000
#> ERR659091 1 0.000 0.999 1.000 0.000
#> ERR659187 1 0.000 0.999 1.000 0.000
#> ERR659092 1 0.000 0.999 1.000 0.000
#> ERR659188 1 0.000 0.999 1.000 0.000
#> ERR659093 1 0.000 0.999 1.000 0.000
#> ERR659189 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
#> ERR467487 1 0.6045 -0.0443 0.620 0.000 0.380
#> ERR467498 1 0.6095 -0.1135 0.608 0.000 0.392
#> ERR658998 1 0.0592 0.9036 0.988 0.000 0.012
#> ERR659094 1 0.0592 0.9036 0.988 0.000 0.012
#> ERR658999 1 0.2959 0.8788 0.900 0.000 0.100
#> ERR659095 1 0.2878 0.8812 0.904 0.000 0.096
#> ERR659000 1 0.4062 0.7425 0.836 0.000 0.164
#> ERR659096 1 0.4062 0.7423 0.836 0.000 0.164
#> ERR659001 1 0.1753 0.9009 0.952 0.000 0.048
#> ERR659097 1 0.1643 0.9017 0.956 0.000 0.044
#> ERR659002 1 0.0237 0.9030 0.996 0.000 0.004
#> ERR659098 1 0.0424 0.9010 0.992 0.000 0.008
#> ERR659003 1 0.1411 0.9028 0.964 0.000 0.036
#> ERR659099 1 0.1529 0.9007 0.960 0.000 0.040
#> ERR659004 1 0.2066 0.8934 0.940 0.000 0.060
#> ERR659100 1 0.2066 0.8934 0.940 0.000 0.060
#> ERR659005 1 0.2165 0.8801 0.936 0.000 0.064
#> ERR659101 1 0.2066 0.8849 0.940 0.000 0.060
#> ERR659006 1 0.2066 0.8967 0.940 0.000 0.060
#> ERR659102 1 0.2165 0.8949 0.936 0.000 0.064
#> ERR659007 1 0.1289 0.9010 0.968 0.000 0.032
#> ERR659103 1 0.0892 0.8981 0.980 0.000 0.020
#> ERR659008 2 0.0237 0.9931 0.000 0.996 0.004
#> ERR659104 2 0.0592 0.9926 0.000 0.988 0.012
#> ERR659009 1 0.2066 0.8941 0.940 0.000 0.060
#> ERR659105 1 0.2066 0.8950 0.940 0.000 0.060
#> ERR659010 1 0.2448 0.8915 0.924 0.000 0.076
#> ERR659106 1 0.2537 0.8901 0.920 0.000 0.080
#> ERR659011 1 0.2261 0.8948 0.932 0.000 0.068
#> ERR659107 1 0.2261 0.8948 0.932 0.000 0.068
#> ERR659012 1 0.2625 0.8901 0.916 0.000 0.084
#> ERR659108 1 0.2625 0.8901 0.916 0.000 0.084
#> ERR659013 1 0.4235 0.7297 0.824 0.000 0.176
#> ERR659109 1 0.3941 0.7689 0.844 0.000 0.156
#> ERR659014 2 0.0747 0.9926 0.000 0.984 0.016
#> ERR659110 2 0.0892 0.9933 0.000 0.980 0.020
#> ERR659015 1 0.1964 0.9004 0.944 0.000 0.056
#> ERR659111 1 0.1964 0.9004 0.944 0.000 0.056
#> ERR659016 1 0.6280 -0.4545 0.540 0.000 0.460
#> ERR659112 1 0.6280 -0.4516 0.540 0.000 0.460
#> ERR659017 2 0.0592 0.9932 0.000 0.988 0.012
#> ERR659113 2 0.0424 0.9929 0.000 0.992 0.008
#> ERR659018 1 0.2711 0.8862 0.912 0.000 0.088
#> ERR659114 1 0.2711 0.8862 0.912 0.000 0.088
#> ERR659019 1 0.2796 0.8866 0.908 0.000 0.092
#> ERR659115 1 0.2959 0.8825 0.900 0.000 0.100
#> ERR659020 1 0.2537 0.8918 0.920 0.000 0.080
#> ERR659116 1 0.2448 0.8935 0.924 0.000 0.076
#> ERR659021 1 0.1643 0.8940 0.956 0.000 0.044
#> ERR659117 1 0.1411 0.8974 0.964 0.000 0.036
#> ERR659022 1 0.1643 0.9003 0.956 0.000 0.044
#> ERR659118 1 0.1529 0.8994 0.960 0.000 0.040
#> ERR659023 1 0.1643 0.9016 0.956 0.000 0.044
#> ERR659119 1 0.1860 0.8949 0.948 0.000 0.052
#> ERR659024 1 0.1163 0.8989 0.972 0.000 0.028
#> ERR659120 1 0.1163 0.8989 0.972 0.000 0.028
#> ERR659025 1 0.2356 0.8732 0.928 0.000 0.072
#> ERR659121 1 0.2356 0.8732 0.928 0.000 0.072
#> ERR659026 1 0.2165 0.8977 0.936 0.000 0.064
#> ERR659122 1 0.2261 0.8959 0.932 0.000 0.068
#> ERR659027 1 0.5178 0.5994 0.744 0.000 0.256
#> ERR659123 1 0.5058 0.6328 0.756 0.000 0.244
#> ERR659028 1 0.2796 0.8904 0.908 0.000 0.092
#> ERR659124 1 0.2796 0.8904 0.908 0.000 0.092
#> ERR659029 1 0.3192 0.8736 0.888 0.000 0.112
#> ERR659125 1 0.3116 0.8749 0.892 0.000 0.108
#> ERR659030 1 0.3267 0.8590 0.884 0.000 0.116
#> ERR659126 1 0.3267 0.8590 0.884 0.000 0.116
#> ERR659031 1 0.1860 0.8927 0.948 0.000 0.052
#> ERR659127 1 0.1860 0.8936 0.948 0.000 0.052
#> ERR659032 1 0.2711 0.8891 0.912 0.000 0.088
#> ERR659128 1 0.2711 0.8865 0.912 0.000 0.088
#> ERR659033 1 0.1289 0.9065 0.968 0.000 0.032
#> ERR659129 1 0.1289 0.9065 0.968 0.000 0.032
#> ERR659034 2 0.0892 0.9926 0.000 0.980 0.020
#> ERR659130 2 0.0892 0.9915 0.000 0.980 0.020
#> ERR659035 1 0.1529 0.8954 0.960 0.000 0.040
#> ERR659131 1 0.1643 0.8948 0.956 0.000 0.044
#> ERR659036 1 0.3038 0.8710 0.896 0.000 0.104
#> ERR659132 1 0.2878 0.8784 0.904 0.000 0.096
#> ERR659037 1 0.1753 0.8967 0.952 0.000 0.048
#> ERR659133 1 0.1643 0.8962 0.956 0.000 0.044
#> ERR659038 1 0.3412 0.8598 0.876 0.000 0.124
#> ERR659134 1 0.3340 0.8637 0.880 0.000 0.120
#> ERR659039 1 0.2537 0.8895 0.920 0.000 0.080
#> ERR659135 1 0.2356 0.8936 0.928 0.000 0.072
#> ERR659040 1 0.2711 0.8818 0.912 0.000 0.088
#> ERR659136 1 0.2711 0.8812 0.912 0.000 0.088
#> ERR659041 1 0.2711 0.8995 0.912 0.000 0.088
#> ERR659137 1 0.2448 0.9043 0.924 0.000 0.076
#> ERR659042 1 0.3482 0.8205 0.872 0.000 0.128
#> ERR659138 1 0.3551 0.8191 0.868 0.000 0.132
#> ERR659043 1 0.3192 0.8639 0.888 0.000 0.112
#> ERR659139 1 0.3116 0.8677 0.892 0.000 0.108
#> ERR659044 2 0.0592 0.9926 0.000 0.988 0.012
#> ERR659140 2 0.1031 0.9925 0.000 0.976 0.024
#> ERR659045 1 0.2711 0.8863 0.912 0.000 0.088
#> ERR659141 1 0.2796 0.8841 0.908 0.000 0.092
#> ERR659046 1 0.1860 0.9026 0.948 0.000 0.052
#> ERR659142 1 0.1753 0.9034 0.952 0.000 0.048
#> ERR659047 1 0.2356 0.8905 0.928 0.000 0.072
#> ERR659143 1 0.2261 0.8920 0.932 0.000 0.068
#> ERR659048 1 0.2066 0.8974 0.940 0.000 0.060
#> ERR659144 1 0.1964 0.8988 0.944 0.000 0.056
#> ERR659049 1 0.1753 0.8988 0.952 0.000 0.048
#> ERR659145 1 0.1753 0.8988 0.952 0.000 0.048
#> ERR659050 1 0.1964 0.8983 0.944 0.000 0.056
#> ERR659146 1 0.2066 0.8966 0.940 0.000 0.060
#> ERR659051 3 0.6267 0.5987 0.452 0.000 0.548
#> ERR659147 3 0.6267 0.5987 0.452 0.000 0.548
#> ERR659052 1 0.2261 0.8956 0.932 0.000 0.068
#> ERR659148 1 0.2448 0.8935 0.924 0.000 0.076
#> ERR659053 1 0.1753 0.8995 0.952 0.000 0.048
#> ERR659149 1 0.1964 0.8994 0.944 0.000 0.056
#> ERR659054 2 0.0747 0.9924 0.000 0.984 0.016
#> ERR659150 2 0.0424 0.9934 0.000 0.992 0.008
#> ERR659055 1 0.3038 0.8728 0.896 0.000 0.104
#> ERR659151 1 0.3038 0.8728 0.896 0.000 0.104
#> ERR659056 3 0.5098 0.6539 0.248 0.000 0.752
#> ERR659152 3 0.5016 0.6478 0.240 0.000 0.760
#> ERR659057 1 0.0892 0.9043 0.980 0.000 0.020
#> ERR659153 1 0.0747 0.9028 0.984 0.000 0.016
#> ERR659058 1 0.3038 0.8760 0.896 0.000 0.104
#> ERR659154 1 0.3038 0.8760 0.896 0.000 0.104
#> ERR659059 1 0.0592 0.9034 0.988 0.000 0.012
#> ERR659155 1 0.0592 0.9034 0.988 0.000 0.012
#> ERR659060 1 0.2066 0.8844 0.940 0.000 0.060
#> ERR659156 1 0.2066 0.8844 0.940 0.000 0.060
#> ERR659061 1 0.2356 0.8812 0.928 0.000 0.072
#> ERR659157 1 0.2448 0.8771 0.924 0.000 0.076
#> ERR659062 1 0.1411 0.9017 0.964 0.000 0.036
#> ERR659158 1 0.1411 0.9017 0.964 0.000 0.036
#> ERR659063 1 0.1289 0.9007 0.968 0.000 0.032
#> ERR659159 1 0.1289 0.9007 0.968 0.000 0.032
#> ERR659064 1 0.3116 0.8713 0.892 0.000 0.108
#> ERR659160 1 0.3192 0.8733 0.888 0.000 0.112
#> ERR659065 2 0.0592 0.9922 0.000 0.988 0.012
#> ERR659161 2 0.0747 0.9927 0.000 0.984 0.016
#> ERR659066 1 0.2165 0.8970 0.936 0.000 0.064
#> ERR659162 1 0.2165 0.8970 0.936 0.000 0.064
#> ERR659067 1 0.2711 0.8862 0.912 0.000 0.088
#> ERR659163 1 0.2711 0.8862 0.912 0.000 0.088
#> ERR659068 2 0.0747 0.9922 0.000 0.984 0.016
#> ERR659164 2 0.0424 0.9925 0.000 0.992 0.008
#> ERR659069 1 0.3482 0.8569 0.872 0.000 0.128
#> ERR659165 1 0.3482 0.8569 0.872 0.000 0.128
#> ERR659070 1 0.1289 0.8960 0.968 0.000 0.032
#> ERR659166 1 0.1411 0.8963 0.964 0.000 0.036
#> ERR659071 1 0.1643 0.8951 0.956 0.000 0.044
#> ERR659167 1 0.1753 0.8933 0.952 0.000 0.048
#> ERR659072 1 0.2448 0.8925 0.924 0.000 0.076
#> ERR659168 1 0.2261 0.8942 0.932 0.000 0.068
#> ERR659073 1 0.1753 0.8934 0.952 0.000 0.048
#> ERR659169 1 0.1753 0.8934 0.952 0.000 0.048
#> ERR659074 2 0.1031 0.9925 0.000 0.976 0.024
#> ERR659170 2 0.0747 0.9930 0.000 0.984 0.016
#> ERR659075 3 0.4007 0.4047 0.084 0.036 0.880
#> ERR659171 3 0.4007 0.4047 0.084 0.036 0.880
#> ERR659076 2 0.0747 0.9920 0.000 0.984 0.016
#> ERR659172 2 0.0592 0.9928 0.000 0.988 0.012
#> ERR659077 1 0.1964 0.8863 0.944 0.000 0.056
#> ERR659173 1 0.1964 0.8863 0.944 0.000 0.056
#> ERR659078 1 0.1031 0.9049 0.976 0.000 0.024
#> ERR659174 1 0.1031 0.9033 0.976 0.000 0.024
#> ERR659079 1 0.1643 0.8919 0.956 0.000 0.044
#> ERR659175 1 0.1753 0.8905 0.952 0.000 0.048
#> ERR659080 3 0.6309 0.4849 0.496 0.000 0.504
#> ERR659176 3 0.6309 0.4769 0.500 0.000 0.500
#> ERR659081 1 0.2796 0.8834 0.908 0.000 0.092
#> ERR659177 1 0.2796 0.8834 0.908 0.000 0.092
#> ERR659082 1 0.3267 0.8704 0.884 0.000 0.116
#> ERR659178 1 0.3340 0.8664 0.880 0.000 0.120
#> ERR659083 2 0.1031 0.9925 0.000 0.976 0.024
#> ERR659179 2 0.0892 0.9926 0.000 0.980 0.020
#> ERR659084 2 0.0747 0.9919 0.000 0.984 0.016
#> ERR659180 2 0.0424 0.9932 0.000 0.992 0.008
#> ERR659085 1 0.1860 0.9021 0.948 0.000 0.052
#> ERR659181 1 0.1860 0.9021 0.948 0.000 0.052
#> ERR659086 1 0.1031 0.9016 0.976 0.000 0.024
#> ERR659182 1 0.1289 0.9004 0.968 0.000 0.032
#> ERR659087 1 0.1753 0.8950 0.952 0.000 0.048
#> ERR659183 1 0.1753 0.8950 0.952 0.000 0.048
#> ERR659088 1 0.6309 -0.3238 0.504 0.000 0.496
#> ERR659184 1 0.6286 -0.1904 0.536 0.000 0.464
#> ERR659089 1 0.2165 0.8882 0.936 0.000 0.064
#> ERR659185 1 0.2261 0.8848 0.932 0.000 0.068
#> ERR659090 1 0.1031 0.9000 0.976 0.000 0.024
#> ERR659186 1 0.1031 0.9000 0.976 0.000 0.024
#> ERR659091 1 0.2066 0.8975 0.940 0.000 0.060
#> ERR659187 1 0.1964 0.8972 0.944 0.000 0.056
#> ERR659092 1 0.1753 0.9002 0.952 0.000 0.048
#> ERR659188 1 0.1753 0.9030 0.952 0.000 0.048
#> ERR659093 1 0.2711 0.8887 0.912 0.000 0.088
#> ERR659189 1 0.2711 0.8887 0.912 0.000 0.088
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.6248 0.372 0.212 0.000 0.660 0.128
#> ERR467498 3 0.6248 0.372 0.212 0.000 0.660 0.128
#> ERR658998 1 0.2949 0.773 0.888 0.000 0.024 0.088
#> ERR659094 1 0.2882 0.773 0.892 0.000 0.024 0.084
#> ERR658999 1 0.4088 0.696 0.764 0.000 0.004 0.232
#> ERR659095 1 0.3942 0.696 0.764 0.000 0.000 0.236
#> ERR659000 1 0.4936 0.192 0.624 0.000 0.372 0.004
#> ERR659096 1 0.4950 0.183 0.620 0.000 0.376 0.004
#> ERR659001 1 0.3991 0.727 0.808 0.000 0.020 0.172
#> ERR659097 1 0.3806 0.736 0.824 0.000 0.020 0.156
#> ERR659002 1 0.1635 0.778 0.948 0.000 0.044 0.008
#> ERR659098 1 0.1722 0.778 0.944 0.000 0.048 0.008
#> ERR659003 1 0.3156 0.781 0.884 0.000 0.068 0.048
#> ERR659099 1 0.3301 0.779 0.876 0.000 0.076 0.048
#> ERR659004 1 0.4741 0.677 0.744 0.000 0.028 0.228
#> ERR659100 1 0.4741 0.677 0.744 0.000 0.028 0.228
#> ERR659005 1 0.3569 0.664 0.804 0.000 0.196 0.000
#> ERR659101 1 0.3528 0.670 0.808 0.000 0.192 0.000
#> ERR659006 1 0.4399 0.694 0.760 0.000 0.016 0.224
#> ERR659102 1 0.4399 0.694 0.760 0.000 0.016 0.224
#> ERR659007 1 0.1867 0.762 0.928 0.000 0.072 0.000
#> ERR659103 1 0.1557 0.770 0.944 0.000 0.056 0.000
#> ERR659008 2 0.0779 0.983 0.000 0.980 0.004 0.016
#> ERR659104 2 0.0524 0.985 0.000 0.988 0.008 0.004
#> ERR659009 1 0.4327 0.697 0.768 0.000 0.016 0.216
#> ERR659105 1 0.4290 0.700 0.772 0.000 0.016 0.212
#> ERR659010 1 0.3873 0.701 0.772 0.000 0.000 0.228
#> ERR659106 1 0.3873 0.701 0.772 0.000 0.000 0.228
#> ERR659011 1 0.4123 0.699 0.772 0.000 0.008 0.220
#> ERR659107 1 0.4123 0.699 0.772 0.000 0.008 0.220
#> ERR659012 1 0.4122 0.690 0.760 0.000 0.004 0.236
#> ERR659108 1 0.4122 0.690 0.760 0.000 0.004 0.236
#> ERR659013 1 0.5328 0.520 0.704 0.000 0.248 0.048
#> ERR659109 1 0.5213 0.560 0.724 0.000 0.224 0.052
#> ERR659014 2 0.0779 0.985 0.000 0.980 0.004 0.016
#> ERR659110 2 0.1004 0.984 0.000 0.972 0.004 0.024
#> ERR659015 1 0.1929 0.779 0.940 0.000 0.036 0.024
#> ERR659111 1 0.2021 0.780 0.936 0.000 0.040 0.024
#> ERR659016 3 0.5865 0.558 0.412 0.000 0.552 0.036
#> ERR659112 3 0.5847 0.575 0.404 0.000 0.560 0.036
#> ERR659017 2 0.1151 0.983 0.000 0.968 0.008 0.024
#> ERR659113 2 0.1174 0.983 0.000 0.968 0.012 0.020
#> ERR659018 1 0.2888 0.758 0.872 0.000 0.004 0.124
#> ERR659114 1 0.2469 0.764 0.892 0.000 0.000 0.108
#> ERR659019 1 0.4123 0.700 0.772 0.000 0.008 0.220
#> ERR659115 1 0.4086 0.705 0.776 0.000 0.008 0.216
#> ERR659020 1 0.3681 0.730 0.816 0.000 0.008 0.176
#> ERR659116 1 0.3681 0.730 0.816 0.000 0.008 0.176
#> ERR659021 1 0.2760 0.728 0.872 0.000 0.128 0.000
#> ERR659117 1 0.2760 0.728 0.872 0.000 0.128 0.000
#> ERR659022 1 0.2928 0.761 0.880 0.000 0.108 0.012
#> ERR659118 1 0.2867 0.763 0.884 0.000 0.104 0.012
#> ERR659023 1 0.2714 0.746 0.884 0.000 0.112 0.004
#> ERR659119 1 0.2888 0.736 0.872 0.000 0.124 0.004
#> ERR659024 1 0.2563 0.775 0.908 0.000 0.072 0.020
#> ERR659120 1 0.2563 0.775 0.908 0.000 0.072 0.020
#> ERR659025 1 0.3908 0.633 0.784 0.000 0.212 0.004
#> ERR659121 1 0.3945 0.626 0.780 0.000 0.216 0.004
#> ERR659026 1 0.2918 0.760 0.876 0.000 0.008 0.116
#> ERR659122 1 0.2976 0.759 0.872 0.000 0.008 0.120
#> ERR659027 1 0.6301 0.312 0.636 0.000 0.260 0.104
#> ERR659123 1 0.6084 0.369 0.660 0.000 0.244 0.096
#> ERR659028 1 0.2413 0.775 0.916 0.000 0.064 0.020
#> ERR659124 1 0.2300 0.772 0.920 0.000 0.064 0.016
#> ERR659029 1 0.2741 0.753 0.892 0.000 0.096 0.012
#> ERR659125 1 0.2676 0.756 0.896 0.000 0.092 0.012
#> ERR659030 1 0.2706 0.771 0.900 0.000 0.020 0.080
#> ERR659126 1 0.2623 0.774 0.908 0.000 0.028 0.064
#> ERR659031 1 0.4410 0.745 0.808 0.000 0.064 0.128
#> ERR659127 1 0.4388 0.744 0.808 0.000 0.060 0.132
#> ERR659032 1 0.3105 0.751 0.868 0.000 0.120 0.012
#> ERR659128 1 0.3335 0.747 0.856 0.000 0.128 0.016
#> ERR659033 1 0.1936 0.779 0.940 0.000 0.028 0.032
#> ERR659129 1 0.2131 0.779 0.932 0.000 0.032 0.036
#> ERR659034 2 0.0817 0.983 0.000 0.976 0.000 0.024
#> ERR659130 2 0.1004 0.983 0.000 0.972 0.004 0.024
#> ERR659035 1 0.2742 0.776 0.900 0.000 0.076 0.024
#> ERR659131 1 0.2843 0.773 0.892 0.000 0.088 0.020
#> ERR659036 1 0.4079 0.664 0.800 0.000 0.180 0.020
#> ERR659132 1 0.4079 0.664 0.800 0.000 0.180 0.020
#> ERR659037 1 0.4127 0.743 0.824 0.000 0.124 0.052
#> ERR659133 1 0.4123 0.731 0.820 0.000 0.136 0.044
#> ERR659038 1 0.3975 0.693 0.760 0.000 0.000 0.240
#> ERR659134 1 0.3975 0.693 0.760 0.000 0.000 0.240
#> ERR659039 1 0.4018 0.702 0.772 0.000 0.004 0.224
#> ERR659135 1 0.4018 0.702 0.772 0.000 0.004 0.224
#> ERR659040 1 0.3942 0.597 0.764 0.000 0.236 0.000
#> ERR659136 1 0.3907 0.604 0.768 0.000 0.232 0.000
#> ERR659041 1 0.5256 0.614 0.732 0.000 0.204 0.064
#> ERR659137 1 0.5212 0.638 0.740 0.000 0.192 0.068
#> ERR659042 1 0.4957 0.431 0.668 0.000 0.320 0.012
#> ERR659138 1 0.5271 0.361 0.640 0.000 0.340 0.020
#> ERR659043 1 0.4281 0.647 0.792 0.000 0.180 0.028
#> ERR659139 1 0.4281 0.647 0.792 0.000 0.180 0.028
#> ERR659044 2 0.0592 0.985 0.000 0.984 0.000 0.016
#> ERR659140 2 0.1151 0.981 0.000 0.968 0.008 0.024
#> ERR659045 1 0.3870 0.711 0.788 0.000 0.004 0.208
#> ERR659141 1 0.3870 0.711 0.788 0.000 0.004 0.208
#> ERR659046 1 0.1716 0.768 0.936 0.000 0.064 0.000
#> ERR659142 1 0.1637 0.769 0.940 0.000 0.060 0.000
#> ERR659047 1 0.2032 0.778 0.936 0.000 0.028 0.036
#> ERR659143 1 0.1936 0.778 0.940 0.000 0.028 0.032
#> ERR659048 1 0.3105 0.717 0.856 0.000 0.140 0.004
#> ERR659144 1 0.2704 0.733 0.876 0.000 0.124 0.000
#> ERR659049 1 0.4174 0.751 0.816 0.000 0.044 0.140
#> ERR659145 1 0.4337 0.750 0.808 0.000 0.052 0.140
#> ERR659050 1 0.3099 0.753 0.876 0.000 0.104 0.020
#> ERR659146 1 0.2987 0.750 0.880 0.000 0.104 0.016
#> ERR659051 3 0.3948 -0.386 0.036 0.000 0.828 0.136
#> ERR659147 3 0.3948 -0.386 0.036 0.000 0.828 0.136
#> ERR659052 1 0.4053 0.700 0.768 0.000 0.004 0.228
#> ERR659148 1 0.4053 0.700 0.768 0.000 0.004 0.228
#> ERR659053 1 0.3123 0.708 0.844 0.000 0.156 0.000
#> ERR659149 1 0.3123 0.708 0.844 0.000 0.156 0.000
#> ERR659054 2 0.0921 0.983 0.000 0.972 0.000 0.028
#> ERR659150 2 0.0817 0.984 0.000 0.976 0.000 0.024
#> ERR659055 1 0.3444 0.733 0.816 0.000 0.000 0.184
#> ERR659151 1 0.3444 0.733 0.816 0.000 0.000 0.184
#> ERR659056 3 0.7711 0.595 0.340 0.000 0.428 0.232
#> ERR659152 3 0.7738 0.588 0.336 0.000 0.424 0.240
#> ERR659057 1 0.2928 0.759 0.880 0.000 0.012 0.108
#> ERR659153 1 0.2546 0.765 0.900 0.000 0.008 0.092
#> ERR659058 1 0.4018 0.705 0.772 0.000 0.004 0.224
#> ERR659154 1 0.3837 0.708 0.776 0.000 0.000 0.224
#> ERR659059 1 0.1807 0.773 0.940 0.000 0.052 0.008
#> ERR659155 1 0.1305 0.776 0.960 0.000 0.036 0.004
#> ERR659060 1 0.4158 0.620 0.768 0.000 0.224 0.008
#> ERR659156 1 0.4123 0.624 0.772 0.000 0.220 0.008
#> ERR659061 1 0.4244 0.709 0.804 0.000 0.160 0.036
#> ERR659157 1 0.4290 0.704 0.800 0.000 0.164 0.036
#> ERR659062 1 0.4199 0.736 0.804 0.000 0.032 0.164
#> ERR659158 1 0.3958 0.739 0.816 0.000 0.024 0.160
#> ERR659063 1 0.2473 0.771 0.908 0.000 0.080 0.012
#> ERR659159 1 0.2197 0.767 0.916 0.000 0.080 0.004
#> ERR659064 1 0.2644 0.776 0.908 0.000 0.060 0.032
#> ERR659160 1 0.2739 0.775 0.904 0.000 0.060 0.036
#> ERR659065 2 0.1398 0.974 0.000 0.956 0.004 0.040
#> ERR659161 2 0.0336 0.985 0.000 0.992 0.000 0.008
#> ERR659066 1 0.4248 0.698 0.768 0.000 0.012 0.220
#> ERR659162 1 0.4248 0.698 0.768 0.000 0.012 0.220
#> ERR659067 1 0.3726 0.712 0.788 0.000 0.000 0.212
#> ERR659163 1 0.3726 0.714 0.788 0.000 0.000 0.212
#> ERR659068 2 0.1584 0.979 0.000 0.952 0.012 0.036
#> ERR659164 2 0.1059 0.982 0.000 0.972 0.012 0.016
#> ERR659069 1 0.4295 0.690 0.752 0.000 0.008 0.240
#> ERR659165 1 0.4262 0.692 0.756 0.000 0.008 0.236
#> ERR659070 1 0.3219 0.697 0.836 0.000 0.164 0.000
#> ERR659166 1 0.3172 0.701 0.840 0.000 0.160 0.000
#> ERR659071 1 0.2345 0.755 0.900 0.000 0.100 0.000
#> ERR659167 1 0.2593 0.755 0.892 0.000 0.104 0.004
#> ERR659072 1 0.4284 0.694 0.764 0.000 0.012 0.224
#> ERR659168 1 0.4284 0.694 0.764 0.000 0.012 0.224
#> ERR659073 1 0.4677 0.712 0.776 0.000 0.048 0.176
#> ERR659169 1 0.4677 0.712 0.776 0.000 0.048 0.176
#> ERR659074 2 0.0469 0.985 0.000 0.988 0.000 0.012
#> ERR659170 2 0.0657 0.984 0.000 0.984 0.004 0.012
#> ERR659075 4 0.4739 1.000 0.012 0.008 0.240 0.740
#> ERR659171 4 0.4739 1.000 0.012 0.008 0.240 0.740
#> ERR659076 2 0.1677 0.966 0.000 0.948 0.012 0.040
#> ERR659172 2 0.0707 0.985 0.000 0.980 0.000 0.020
#> ERR659077 1 0.3074 0.711 0.848 0.000 0.152 0.000
#> ERR659173 1 0.3123 0.707 0.844 0.000 0.156 0.000
#> ERR659078 1 0.2542 0.769 0.904 0.000 0.084 0.012
#> ERR659174 1 0.2676 0.765 0.896 0.000 0.092 0.012
#> ERR659079 1 0.2530 0.760 0.896 0.000 0.100 0.004
#> ERR659175 1 0.2530 0.760 0.896 0.000 0.100 0.004
#> ERR659080 3 0.6483 0.629 0.392 0.000 0.532 0.076
#> ERR659176 3 0.6474 0.638 0.388 0.000 0.536 0.076
#> ERR659081 1 0.1807 0.775 0.940 0.000 0.052 0.008
#> ERR659177 1 0.1722 0.775 0.944 0.000 0.048 0.008
#> ERR659082 1 0.3606 0.721 0.840 0.000 0.140 0.020
#> ERR659178 1 0.3441 0.739 0.856 0.000 0.120 0.024
#> ERR659083 2 0.0336 0.985 0.000 0.992 0.000 0.008
#> ERR659179 2 0.0336 0.985 0.000 0.992 0.000 0.008
#> ERR659084 2 0.0927 0.984 0.000 0.976 0.008 0.016
#> ERR659180 2 0.0895 0.984 0.000 0.976 0.004 0.020
#> ERR659085 1 0.3577 0.738 0.832 0.000 0.012 0.156
#> ERR659181 1 0.3479 0.742 0.840 0.000 0.012 0.148
#> ERR659086 1 0.2256 0.778 0.924 0.000 0.056 0.020
#> ERR659182 1 0.2466 0.780 0.916 0.000 0.056 0.028
#> ERR659087 1 0.4485 0.702 0.772 0.000 0.028 0.200
#> ERR659183 1 0.4485 0.702 0.772 0.000 0.028 0.200
#> ERR659088 1 0.6773 0.250 0.588 0.000 0.136 0.276
#> ERR659184 1 0.6571 0.314 0.612 0.000 0.124 0.264
#> ERR659089 1 0.5222 0.722 0.756 0.000 0.132 0.112
#> ERR659185 1 0.5222 0.719 0.756 0.000 0.132 0.112
#> ERR659090 1 0.2542 0.772 0.904 0.000 0.084 0.012
#> ERR659186 1 0.2473 0.773 0.908 0.000 0.080 0.012
#> ERR659091 1 0.2334 0.769 0.908 0.000 0.004 0.088
#> ERR659187 1 0.2466 0.767 0.900 0.000 0.004 0.096
#> ERR659092 1 0.2101 0.771 0.928 0.000 0.060 0.012
#> ERR659188 1 0.1854 0.774 0.940 0.000 0.048 0.012
#> ERR659093 1 0.2081 0.759 0.916 0.000 0.084 0.000
#> ERR659189 1 0.2149 0.757 0.912 0.000 0.088 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.610 0.48728 0.176 0.000 0.560 0.264 0.000
#> ERR467498 3 0.605 0.49234 0.172 0.000 0.568 0.260 0.000
#> ERR658998 4 0.495 0.22229 0.448 0.000 0.020 0.528 0.004
#> ERR659094 4 0.497 0.15675 0.464 0.000 0.020 0.512 0.004
#> ERR658999 4 0.277 0.80264 0.124 0.000 0.008 0.864 0.004
#> ERR659095 4 0.265 0.80247 0.124 0.000 0.004 0.868 0.004
#> ERR659000 1 0.334 0.60174 0.836 0.000 0.124 0.040 0.000
#> ERR659096 1 0.339 0.59726 0.832 0.000 0.128 0.040 0.000
#> ERR659001 4 0.409 0.69613 0.284 0.000 0.012 0.704 0.000
#> ERR659097 4 0.426 0.68573 0.288 0.000 0.012 0.696 0.004
#> ERR659002 1 0.433 0.62076 0.672 0.000 0.016 0.312 0.000
#> ERR659098 1 0.433 0.62076 0.672 0.000 0.016 0.312 0.000
#> ERR659003 1 0.400 0.52256 0.656 0.000 0.000 0.344 0.000
#> ERR659099 1 0.412 0.54363 0.660 0.000 0.004 0.336 0.000
#> ERR659004 4 0.351 0.72932 0.120 0.000 0.052 0.828 0.000
#> ERR659100 4 0.351 0.72932 0.120 0.000 0.052 0.828 0.000
#> ERR659005 1 0.189 0.71978 0.916 0.000 0.004 0.080 0.000
#> ERR659101 1 0.189 0.71978 0.916 0.000 0.004 0.080 0.000
#> ERR659006 4 0.316 0.77312 0.116 0.000 0.036 0.848 0.000
#> ERR659102 4 0.311 0.77585 0.112 0.000 0.036 0.852 0.000
#> ERR659007 1 0.343 0.69997 0.776 0.000 0.004 0.220 0.000
#> ERR659103 1 0.366 0.67557 0.744 0.000 0.004 0.252 0.000
#> ERR659008 2 0.179 0.95968 0.000 0.940 0.012 0.032 0.016
#> ERR659104 2 0.181 0.95957 0.000 0.940 0.024 0.016 0.020
#> ERR659009 4 0.306 0.80254 0.136 0.000 0.020 0.844 0.000
#> ERR659105 4 0.297 0.80277 0.136 0.000 0.016 0.848 0.000
#> ERR659010 4 0.303 0.80129 0.128 0.000 0.016 0.852 0.004
#> ERR659106 4 0.303 0.80129 0.128 0.000 0.016 0.852 0.004
#> ERR659011 4 0.297 0.80189 0.128 0.000 0.020 0.852 0.000
#> ERR659107 4 0.297 0.80189 0.128 0.000 0.020 0.852 0.000
#> ERR659012 4 0.303 0.78852 0.112 0.000 0.032 0.856 0.000
#> ERR659108 4 0.286 0.79192 0.112 0.000 0.024 0.864 0.000
#> ERR659013 1 0.522 0.67284 0.700 0.000 0.108 0.184 0.008
#> ERR659109 1 0.527 0.66565 0.692 0.000 0.104 0.196 0.008
#> ERR659014 2 0.183 0.95907 0.000 0.936 0.028 0.032 0.004
#> ERR659110 2 0.197 0.95791 0.000 0.932 0.020 0.036 0.012
#> ERR659015 1 0.394 0.67537 0.736 0.000 0.008 0.252 0.004
#> ERR659111 1 0.396 0.67248 0.732 0.000 0.008 0.256 0.004
#> ERR659016 1 0.469 0.34248 0.720 0.000 0.228 0.040 0.012
#> ERR659112 1 0.484 0.32174 0.712 0.000 0.232 0.036 0.020
#> ERR659017 2 0.187 0.95802 0.000 0.936 0.012 0.036 0.016
#> ERR659113 2 0.160 0.95771 0.000 0.948 0.028 0.012 0.012
#> ERR659018 4 0.497 0.30795 0.436 0.000 0.016 0.540 0.008
#> ERR659114 4 0.499 0.22312 0.456 0.000 0.016 0.520 0.008
#> ERR659019 4 0.271 0.80347 0.132 0.000 0.008 0.860 0.000
#> ERR659115 4 0.271 0.80347 0.132 0.000 0.008 0.860 0.000
#> ERR659020 4 0.401 0.70307 0.284 0.000 0.004 0.708 0.004
#> ERR659116 4 0.418 0.68658 0.292 0.000 0.008 0.696 0.004
#> ERR659021 1 0.318 0.72588 0.828 0.000 0.016 0.156 0.000
#> ERR659117 1 0.310 0.72618 0.836 0.000 0.016 0.148 0.000
#> ERR659022 1 0.377 0.71407 0.780 0.000 0.012 0.200 0.008
#> ERR659118 1 0.384 0.71269 0.780 0.000 0.016 0.196 0.008
#> ERR659023 1 0.309 0.72827 0.828 0.000 0.004 0.164 0.004
#> ERR659119 1 0.309 0.72827 0.828 0.000 0.004 0.164 0.004
#> ERR659024 1 0.483 0.60430 0.660 0.000 0.036 0.300 0.004
#> ERR659120 1 0.495 0.55317 0.632 0.000 0.036 0.328 0.004
#> ERR659025 1 0.177 0.67927 0.940 0.000 0.032 0.020 0.008
#> ERR659121 1 0.185 0.67481 0.936 0.000 0.036 0.020 0.008
#> ERR659026 4 0.485 0.54365 0.352 0.000 0.020 0.620 0.008
#> ERR659122 4 0.485 0.54201 0.352 0.000 0.020 0.620 0.008
#> ERR659027 1 0.431 0.51615 0.808 0.000 0.088 0.056 0.048
#> ERR659123 1 0.428 0.51599 0.808 0.000 0.092 0.060 0.040
#> ERR659028 1 0.438 0.66937 0.720 0.000 0.028 0.248 0.004
#> ERR659124 1 0.430 0.68259 0.732 0.000 0.028 0.236 0.004
#> ERR659029 1 0.330 0.72633 0.828 0.000 0.016 0.152 0.004
#> ERR659125 1 0.330 0.72633 0.828 0.000 0.016 0.152 0.004
#> ERR659030 1 0.480 0.36647 0.584 0.000 0.012 0.396 0.008
#> ERR659126 1 0.477 0.41824 0.596 0.000 0.012 0.384 0.008
#> ERR659031 4 0.495 0.34530 0.436 0.000 0.028 0.536 0.000
#> ERR659127 4 0.493 0.39232 0.424 0.000 0.028 0.548 0.000
#> ERR659032 1 0.348 0.73083 0.812 0.000 0.008 0.168 0.012
#> ERR659128 1 0.369 0.73072 0.804 0.000 0.012 0.168 0.016
#> ERR659033 1 0.446 0.46553 0.620 0.000 0.012 0.368 0.000
#> ERR659129 1 0.448 0.43917 0.612 0.000 0.012 0.376 0.000
#> ERR659034 2 0.199 0.95935 0.000 0.932 0.016 0.032 0.020
#> ERR659130 2 0.210 0.95754 0.000 0.928 0.024 0.028 0.020
#> ERR659035 1 0.516 0.37197 0.568 0.000 0.036 0.392 0.004
#> ERR659131 1 0.508 0.45472 0.596 0.000 0.036 0.364 0.004
#> ERR659036 1 0.216 0.70662 0.916 0.000 0.012 0.064 0.008
#> ERR659132 1 0.240 0.70993 0.904 0.000 0.016 0.072 0.008
#> ERR659037 1 0.472 0.49980 0.628 0.000 0.028 0.344 0.000
#> ERR659133 1 0.464 0.56811 0.660 0.000 0.032 0.308 0.000
#> ERR659038 4 0.278 0.79722 0.116 0.000 0.012 0.868 0.004
#> ERR659134 4 0.283 0.79926 0.120 0.000 0.012 0.864 0.004
#> ERR659039 4 0.293 0.80484 0.152 0.000 0.008 0.840 0.000
#> ERR659135 4 0.304 0.80505 0.148 0.000 0.008 0.840 0.004
#> ERR659040 1 0.160 0.67841 0.940 0.000 0.048 0.012 0.000
#> ERR659136 1 0.163 0.68210 0.940 0.000 0.044 0.016 0.000
#> ERR659041 1 0.524 0.34264 0.632 0.000 0.060 0.304 0.004
#> ERR659137 1 0.520 0.33517 0.632 0.000 0.056 0.308 0.004
#> ERR659042 1 0.374 0.60520 0.828 0.000 0.096 0.068 0.008
#> ERR659138 1 0.382 0.58961 0.824 0.000 0.108 0.056 0.012
#> ERR659043 1 0.258 0.70716 0.900 0.000 0.040 0.052 0.008
#> ERR659139 1 0.251 0.70896 0.904 0.000 0.036 0.052 0.008
#> ERR659044 2 0.269 0.95556 0.000 0.900 0.024 0.040 0.036
#> ERR659140 2 0.285 0.95524 0.000 0.892 0.032 0.048 0.028
#> ERR659045 4 0.281 0.79989 0.168 0.000 0.000 0.832 0.000
#> ERR659141 4 0.281 0.80090 0.168 0.000 0.000 0.832 0.000
#> ERR659046 1 0.349 0.70924 0.780 0.000 0.008 0.212 0.000
#> ERR659142 1 0.364 0.69844 0.760 0.000 0.008 0.232 0.000
#> ERR659047 1 0.454 0.61065 0.676 0.000 0.016 0.300 0.008
#> ERR659143 1 0.438 0.63589 0.692 0.000 0.012 0.288 0.008
#> ERR659048 1 0.278 0.72488 0.872 0.000 0.016 0.108 0.004
#> ERR659144 1 0.278 0.72488 0.872 0.000 0.016 0.108 0.004
#> ERR659049 4 0.431 0.58045 0.328 0.000 0.012 0.660 0.000
#> ERR659145 4 0.437 0.55980 0.344 0.000 0.012 0.644 0.000
#> ERR659050 1 0.339 0.73225 0.824 0.000 0.020 0.152 0.004
#> ERR659146 1 0.331 0.73092 0.832 0.000 0.020 0.144 0.004
#> ERR659051 3 0.380 0.10237 0.044 0.000 0.836 0.032 0.088
#> ERR659147 3 0.380 0.10237 0.044 0.000 0.836 0.032 0.088
#> ERR659052 4 0.313 0.77708 0.120 0.000 0.032 0.848 0.000
#> ERR659148 4 0.310 0.78414 0.124 0.000 0.028 0.848 0.000
#> ERR659053 1 0.217 0.71737 0.904 0.000 0.004 0.088 0.004
#> ERR659149 1 0.217 0.71737 0.904 0.000 0.004 0.088 0.004
#> ERR659054 2 0.234 0.95888 0.000 0.916 0.032 0.036 0.016
#> ERR659150 2 0.191 0.95877 0.000 0.936 0.024 0.024 0.016
#> ERR659055 4 0.406 0.71435 0.272 0.000 0.008 0.716 0.004
#> ERR659151 4 0.409 0.70952 0.276 0.000 0.008 0.712 0.004
#> ERR659056 1 0.677 0.05389 0.604 0.000 0.112 0.096 0.188
#> ERR659152 1 0.672 0.07055 0.608 0.000 0.108 0.096 0.188
#> ERR659057 4 0.488 0.45705 0.392 0.000 0.016 0.584 0.008
#> ERR659153 4 0.492 0.40771 0.408 0.000 0.016 0.568 0.008
#> ERR659058 4 0.367 0.79074 0.188 0.000 0.012 0.792 0.008
#> ERR659154 4 0.371 0.78829 0.192 0.000 0.012 0.788 0.008
#> ERR659059 1 0.410 0.68826 0.744 0.000 0.020 0.232 0.004
#> ERR659155 1 0.432 0.66769 0.720 0.000 0.024 0.252 0.004
#> ERR659060 1 0.274 0.69973 0.880 0.000 0.036 0.084 0.000
#> ERR659156 1 0.268 0.69764 0.884 0.000 0.036 0.080 0.000
#> ERR659061 1 0.406 0.69945 0.772 0.000 0.048 0.180 0.000
#> ERR659157 1 0.410 0.69918 0.772 0.000 0.052 0.176 0.000
#> ERR659062 4 0.403 0.65476 0.316 0.000 0.004 0.680 0.000
#> ERR659158 4 0.407 0.64435 0.324 0.000 0.004 0.672 0.000
#> ERR659063 1 0.417 0.63125 0.688 0.000 0.012 0.300 0.000
#> ERR659159 1 0.417 0.63125 0.688 0.000 0.012 0.300 0.000
#> ERR659064 1 0.380 0.69573 0.756 0.000 0.008 0.232 0.004
#> ERR659160 1 0.374 0.69763 0.764 0.000 0.008 0.224 0.004
#> ERR659065 2 0.278 0.94832 0.000 0.896 0.036 0.028 0.040
#> ERR659161 2 0.228 0.95849 0.000 0.920 0.028 0.028 0.024
#> ERR659066 4 0.292 0.77606 0.124 0.000 0.020 0.856 0.000
#> ERR659162 4 0.292 0.77606 0.124 0.000 0.020 0.856 0.000
#> ERR659067 4 0.340 0.79451 0.184 0.000 0.008 0.804 0.004
#> ERR659163 4 0.340 0.79384 0.184 0.000 0.008 0.804 0.004
#> ERR659068 2 0.293 0.93787 0.000 0.888 0.036 0.028 0.048
#> ERR659164 2 0.272 0.94773 0.000 0.896 0.016 0.052 0.036
#> ERR659069 4 0.339 0.79847 0.140 0.000 0.020 0.832 0.008
#> ERR659165 4 0.339 0.79847 0.140 0.000 0.020 0.832 0.008
#> ERR659070 1 0.191 0.69177 0.932 0.000 0.028 0.036 0.004
#> ERR659166 1 0.174 0.68978 0.940 0.000 0.028 0.028 0.004
#> ERR659071 1 0.433 0.69429 0.740 0.000 0.036 0.220 0.004
#> ERR659167 1 0.436 0.69212 0.736 0.000 0.036 0.224 0.004
#> ERR659072 4 0.273 0.79674 0.116 0.000 0.016 0.868 0.000
#> ERR659168 4 0.282 0.79589 0.116 0.000 0.020 0.864 0.000
#> ERR659073 4 0.392 0.78329 0.188 0.000 0.036 0.776 0.000
#> ERR659169 4 0.402 0.77821 0.200 0.000 0.036 0.764 0.000
#> ERR659074 2 0.219 0.95768 0.000 0.924 0.024 0.028 0.024
#> ERR659170 2 0.217 0.95819 0.000 0.924 0.020 0.036 0.020
#> ERR659075 5 0.170 0.98724 0.008 0.000 0.044 0.008 0.940
#> ERR659171 5 0.164 0.98730 0.008 0.000 0.048 0.004 0.940
#> ERR659076 2 0.364 0.90851 0.000 0.844 0.028 0.040 0.088
#> ERR659172 2 0.270 0.95866 0.000 0.900 0.036 0.036 0.028
#> ERR659077 1 0.390 0.71471 0.776 0.000 0.024 0.196 0.004
#> ERR659173 1 0.407 0.71425 0.768 0.000 0.032 0.196 0.004
#> ERR659078 1 0.386 0.67391 0.728 0.000 0.008 0.264 0.000
#> ERR659174 1 0.381 0.68184 0.736 0.000 0.008 0.256 0.000
#> ERR659079 1 0.472 0.63465 0.680 0.000 0.036 0.280 0.004
#> ERR659175 1 0.461 0.66074 0.700 0.000 0.036 0.260 0.004
#> ERR659080 1 0.609 0.16200 0.612 0.000 0.232 0.140 0.016
#> ERR659176 1 0.608 0.15751 0.612 0.000 0.236 0.136 0.016
#> ERR659081 1 0.352 0.70666 0.780 0.000 0.004 0.212 0.004
#> ERR659177 1 0.349 0.70890 0.784 0.000 0.004 0.208 0.004
#> ERR659082 1 0.297 0.70140 0.876 0.000 0.028 0.084 0.012
#> ERR659178 1 0.308 0.70591 0.868 0.000 0.028 0.092 0.012
#> ERR659083 2 0.190 0.95815 0.000 0.936 0.020 0.028 0.016
#> ERR659179 2 0.223 0.95869 0.000 0.920 0.012 0.040 0.028
#> ERR659084 2 0.252 0.95820 0.000 0.908 0.028 0.040 0.024
#> ERR659180 2 0.269 0.95512 0.000 0.900 0.028 0.044 0.028
#> ERR659085 4 0.409 0.75312 0.240 0.000 0.024 0.736 0.000
#> ERR659181 4 0.416 0.72854 0.264 0.000 0.020 0.716 0.000
#> ERR659086 1 0.443 0.48932 0.628 0.000 0.012 0.360 0.000
#> ERR659182 1 0.444 0.47849 0.624 0.000 0.012 0.364 0.000
#> ERR659087 4 0.365 0.79427 0.176 0.000 0.028 0.796 0.000
#> ERR659183 4 0.381 0.79085 0.184 0.000 0.032 0.784 0.000
#> ERR659088 1 0.680 0.00587 0.468 0.000 0.068 0.392 0.072
#> ERR659184 1 0.672 -0.04907 0.452 0.000 0.072 0.416 0.060
#> ERR659089 1 0.529 0.25569 0.560 0.000 0.044 0.392 0.004
#> ERR659185 1 0.523 0.25105 0.564 0.000 0.040 0.392 0.004
#> ERR659090 1 0.393 0.65092 0.716 0.000 0.008 0.276 0.000
#> ERR659186 1 0.413 0.63996 0.704 0.000 0.008 0.284 0.004
#> ERR659091 4 0.497 0.04884 0.488 0.000 0.020 0.488 0.004
#> ERR659187 4 0.497 0.06901 0.484 0.000 0.020 0.492 0.004
#> ERR659092 1 0.480 0.64790 0.684 0.000 0.044 0.268 0.004
#> ERR659188 1 0.483 0.60359 0.660 0.000 0.036 0.300 0.004
#> ERR659093 1 0.347 0.71941 0.796 0.000 0.008 0.192 0.004
#> ERR659189 1 0.317 0.72518 0.820 0.000 0.004 0.172 0.004
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.7714 -0.25317 0.148 0.000 0.172 0.356 0.016 0.308
#> ERR467498 4 0.7660 -0.28009 0.136 0.000 0.172 0.356 0.016 0.320
#> ERR658998 1 0.5711 0.15483 0.472 0.000 0.392 0.128 0.000 0.008
#> ERR659094 1 0.5651 0.16938 0.480 0.000 0.392 0.120 0.000 0.008
#> ERR658999 3 0.0713 0.75321 0.028 0.000 0.972 0.000 0.000 0.000
#> ERR659095 3 0.0713 0.75321 0.028 0.000 0.972 0.000 0.000 0.000
#> ERR659000 1 0.4800 0.14960 0.636 0.000 0.032 0.304 0.000 0.028
#> ERR659096 1 0.4800 0.15360 0.636 0.000 0.028 0.304 0.000 0.032
#> ERR659001 3 0.5301 0.42151 0.324 0.000 0.576 0.088 0.000 0.012
#> ERR659097 3 0.5390 0.37616 0.340 0.000 0.556 0.092 0.000 0.012
#> ERR659002 1 0.4923 0.57224 0.676 0.000 0.184 0.132 0.000 0.008
#> ERR659098 1 0.4894 0.56935 0.680 0.000 0.180 0.132 0.000 0.008
#> ERR659003 1 0.4985 0.55581 0.644 0.000 0.240 0.112 0.000 0.004
#> ERR659099 1 0.5300 0.53248 0.612 0.000 0.252 0.128 0.000 0.008
#> ERR659004 3 0.2308 0.70476 0.016 0.000 0.896 0.076 0.000 0.012
#> ERR659100 3 0.2252 0.70699 0.016 0.000 0.900 0.072 0.000 0.012
#> ERR659005 1 0.3423 0.52643 0.808 0.000 0.036 0.148 0.000 0.008
#> ERR659101 1 0.3491 0.53177 0.804 0.000 0.040 0.148 0.000 0.008
#> ERR659006 3 0.1801 0.72360 0.016 0.000 0.924 0.056 0.000 0.004
#> ERR659102 3 0.1738 0.72573 0.016 0.000 0.928 0.052 0.000 0.004
#> ERR659007 1 0.3204 0.63312 0.820 0.000 0.144 0.032 0.000 0.004
#> ERR659103 1 0.3351 0.63048 0.808 0.000 0.152 0.036 0.000 0.004
#> ERR659008 2 0.2613 0.92840 0.000 0.848 0.000 0.000 0.012 0.140
#> ERR659104 2 0.2003 0.93338 0.000 0.884 0.000 0.000 0.000 0.116
#> ERR659009 3 0.2113 0.75540 0.060 0.000 0.908 0.028 0.000 0.004
#> ERR659105 3 0.2307 0.75418 0.068 0.000 0.896 0.032 0.000 0.004
#> ERR659010 3 0.1176 0.75058 0.024 0.000 0.956 0.020 0.000 0.000
#> ERR659106 3 0.0993 0.75253 0.024 0.000 0.964 0.012 0.000 0.000
#> ERR659011 3 0.1370 0.75648 0.036 0.000 0.948 0.012 0.000 0.004
#> ERR659107 3 0.1370 0.75648 0.036 0.000 0.948 0.012 0.000 0.004
#> ERR659012 3 0.1370 0.73323 0.012 0.000 0.948 0.036 0.000 0.004
#> ERR659108 3 0.1370 0.73323 0.012 0.000 0.948 0.036 0.000 0.004
#> ERR659013 1 0.5529 0.49406 0.652 0.000 0.116 0.196 0.012 0.024
#> ERR659109 1 0.5465 0.50123 0.656 0.000 0.120 0.192 0.012 0.020
#> ERR659014 2 0.2320 0.93071 0.000 0.864 0.000 0.000 0.004 0.132
#> ERR659110 2 0.2389 0.93064 0.000 0.864 0.000 0.008 0.000 0.128
#> ERR659015 1 0.4224 0.61619 0.744 0.000 0.156 0.096 0.000 0.004
#> ERR659111 1 0.3909 0.62339 0.772 0.000 0.148 0.076 0.000 0.004
#> ERR659016 1 0.5588 -0.14560 0.556 0.000 0.028 0.356 0.020 0.040
#> ERR659112 1 0.5519 -0.14223 0.560 0.000 0.024 0.356 0.020 0.040
#> ERR659017 2 0.2053 0.93002 0.000 0.888 0.000 0.000 0.004 0.108
#> ERR659113 2 0.1806 0.93088 0.000 0.908 0.000 0.000 0.004 0.088
#> ERR659018 1 0.5420 0.14965 0.500 0.000 0.392 0.104 0.000 0.004
#> ERR659114 1 0.5408 0.18065 0.508 0.000 0.384 0.104 0.000 0.004
#> ERR659019 3 0.1124 0.75534 0.036 0.000 0.956 0.008 0.000 0.000
#> ERR659115 3 0.1196 0.75627 0.040 0.000 0.952 0.008 0.000 0.000
#> ERR659020 3 0.4999 0.40683 0.344 0.000 0.584 0.064 0.000 0.008
#> ERR659116 3 0.5022 0.38644 0.352 0.000 0.576 0.064 0.000 0.008
#> ERR659021 1 0.3204 0.60114 0.836 0.000 0.068 0.092 0.000 0.004
#> ERR659117 1 0.3260 0.60091 0.832 0.000 0.072 0.092 0.000 0.004
#> ERR659022 1 0.4103 0.58593 0.764 0.000 0.092 0.136 0.000 0.008
#> ERR659118 1 0.4055 0.59271 0.768 0.000 0.088 0.136 0.000 0.008
#> ERR659023 1 0.2965 0.62586 0.848 0.000 0.080 0.072 0.000 0.000
#> ERR659119 1 0.2912 0.62228 0.852 0.000 0.076 0.072 0.000 0.000
#> ERR659024 1 0.4351 0.61478 0.720 0.000 0.172 0.108 0.000 0.000
#> ERR659120 1 0.4596 0.60142 0.692 0.000 0.188 0.120 0.000 0.000
#> ERR659025 1 0.3835 0.23927 0.668 0.000 0.012 0.320 0.000 0.000
#> ERR659121 1 0.4018 0.21291 0.656 0.000 0.020 0.324 0.000 0.000
#> ERR659026 1 0.5646 -0.06499 0.440 0.000 0.436 0.116 0.000 0.008
#> ERR659122 3 0.5675 0.05438 0.432 0.000 0.440 0.120 0.000 0.008
#> ERR659027 1 0.5503 -0.19750 0.520 0.000 0.044 0.396 0.036 0.004
#> ERR659123 1 0.5551 -0.20092 0.520 0.000 0.048 0.392 0.036 0.004
#> ERR659028 1 0.4406 0.60605 0.728 0.000 0.152 0.116 0.000 0.004
#> ERR659124 1 0.4339 0.60742 0.736 0.000 0.140 0.120 0.000 0.004
#> ERR659029 1 0.3118 0.60666 0.836 0.000 0.072 0.092 0.000 0.000
#> ERR659125 1 0.3308 0.60689 0.828 0.000 0.072 0.096 0.000 0.004
#> ERR659030 1 0.5028 0.53148 0.636 0.000 0.248 0.112 0.000 0.004
#> ERR659126 1 0.4843 0.56234 0.668 0.000 0.216 0.112 0.000 0.004
#> ERR659031 3 0.5403 0.14345 0.420 0.000 0.484 0.088 0.000 0.008
#> ERR659127 3 0.5377 0.23270 0.396 0.000 0.508 0.088 0.000 0.008
#> ERR659032 1 0.3603 0.61305 0.812 0.000 0.080 0.100 0.004 0.004
#> ERR659128 1 0.3415 0.61163 0.820 0.000 0.080 0.096 0.004 0.000
#> ERR659033 1 0.4991 0.56041 0.656 0.000 0.204 0.136 0.000 0.004
#> ERR659129 1 0.5026 0.55708 0.652 0.000 0.204 0.140 0.000 0.004
#> ERR659034 2 0.2377 0.92984 0.000 0.868 0.000 0.004 0.004 0.124
#> ERR659130 2 0.2445 0.92666 0.000 0.872 0.000 0.000 0.020 0.108
#> ERR659035 1 0.5286 0.52375 0.604 0.000 0.272 0.116 0.000 0.008
#> ERR659131 1 0.5248 0.53379 0.616 0.000 0.256 0.120 0.000 0.008
#> ERR659036 1 0.3245 0.50691 0.796 0.000 0.016 0.184 0.000 0.004
#> ERR659132 1 0.3154 0.50328 0.800 0.000 0.012 0.184 0.000 0.004
#> ERR659037 1 0.6054 0.00462 0.444 0.000 0.324 0.228 0.000 0.004
#> ERR659133 1 0.5981 0.07203 0.480 0.000 0.280 0.236 0.000 0.004
#> ERR659038 3 0.1232 0.74495 0.024 0.000 0.956 0.016 0.000 0.004
#> ERR659134 3 0.1138 0.74555 0.024 0.000 0.960 0.012 0.000 0.004
#> ERR659039 3 0.2653 0.75215 0.100 0.000 0.868 0.028 0.000 0.004
#> ERR659135 3 0.2554 0.75328 0.092 0.000 0.876 0.028 0.000 0.004
#> ERR659040 1 0.3081 0.40766 0.776 0.000 0.000 0.220 0.000 0.004
#> ERR659136 1 0.3052 0.41471 0.780 0.000 0.000 0.216 0.000 0.004
#> ERR659041 1 0.6401 -0.41993 0.368 0.000 0.304 0.316 0.000 0.012
#> ERR659137 1 0.6402 -0.41819 0.368 0.000 0.308 0.312 0.000 0.012
#> ERR659042 1 0.5245 -0.01037 0.580 0.000 0.060 0.340 0.004 0.016
#> ERR659138 1 0.5453 -0.02198 0.572 0.000 0.060 0.336 0.004 0.028
#> ERR659043 1 0.3087 0.47821 0.808 0.000 0.012 0.176 0.000 0.004
#> ERR659139 1 0.3087 0.47821 0.808 0.000 0.012 0.176 0.000 0.004
#> ERR659044 2 0.2553 0.92440 0.000 0.848 0.000 0.000 0.008 0.144
#> ERR659140 2 0.2706 0.92835 0.000 0.832 0.000 0.000 0.008 0.160
#> ERR659045 3 0.2723 0.74773 0.120 0.000 0.856 0.020 0.000 0.004
#> ERR659141 3 0.2804 0.74703 0.120 0.000 0.852 0.024 0.000 0.004
#> ERR659046 1 0.3361 0.63148 0.816 0.000 0.108 0.076 0.000 0.000
#> ERR659142 1 0.3501 0.63230 0.804 0.000 0.116 0.080 0.000 0.000
#> ERR659047 1 0.4010 0.61648 0.764 0.000 0.148 0.084 0.000 0.004
#> ERR659143 1 0.3820 0.62221 0.780 0.000 0.144 0.072 0.000 0.004
#> ERR659048 1 0.3168 0.58418 0.828 0.000 0.056 0.116 0.000 0.000
#> ERR659144 1 0.3092 0.59270 0.836 0.000 0.060 0.104 0.000 0.000
#> ERR659049 3 0.5037 0.44303 0.224 0.000 0.652 0.116 0.000 0.008
#> ERR659145 3 0.4991 0.42500 0.252 0.000 0.644 0.096 0.000 0.008
#> ERR659050 1 0.3174 0.59910 0.836 0.000 0.056 0.104 0.000 0.004
#> ERR659146 1 0.3237 0.60195 0.836 0.000 0.056 0.100 0.000 0.008
#> ERR659051 6 0.5497 1.00000 0.008 0.000 0.012 0.312 0.088 0.580
#> ERR659147 6 0.5497 1.00000 0.008 0.000 0.012 0.312 0.088 0.580
#> ERR659052 3 0.1592 0.74306 0.032 0.000 0.940 0.020 0.000 0.008
#> ERR659148 3 0.1515 0.74121 0.028 0.000 0.944 0.020 0.000 0.008
#> ERR659053 1 0.3485 0.47450 0.784 0.000 0.028 0.184 0.000 0.004
#> ERR659149 1 0.3485 0.47450 0.784 0.000 0.028 0.184 0.000 0.004
#> ERR659054 2 0.1910 0.92993 0.000 0.892 0.000 0.000 0.000 0.108
#> ERR659150 2 0.2006 0.93248 0.000 0.892 0.000 0.004 0.000 0.104
#> ERR659055 3 0.5109 0.49523 0.308 0.000 0.608 0.072 0.004 0.008
#> ERR659151 3 0.5018 0.46962 0.324 0.000 0.604 0.060 0.004 0.008
#> ERR659056 4 0.6221 0.47366 0.412 0.000 0.064 0.452 0.064 0.008
#> ERR659152 4 0.6264 0.47808 0.412 0.000 0.064 0.448 0.068 0.008
#> ERR659057 1 0.5217 0.14256 0.504 0.000 0.412 0.080 0.000 0.004
#> ERR659153 1 0.5190 0.20116 0.524 0.000 0.392 0.080 0.000 0.004
#> ERR659058 3 0.3691 0.70219 0.192 0.000 0.768 0.036 0.000 0.004
#> ERR659154 3 0.3758 0.69667 0.192 0.000 0.764 0.040 0.000 0.004
#> ERR659059 1 0.3782 0.62236 0.784 0.000 0.140 0.072 0.000 0.004
#> ERR659155 1 0.3997 0.62096 0.764 0.000 0.152 0.080 0.000 0.004
#> ERR659060 1 0.4536 0.30356 0.664 0.000 0.048 0.280 0.000 0.008
#> ERR659156 1 0.4436 0.31805 0.676 0.000 0.044 0.272 0.000 0.008
#> ERR659061 1 0.4967 0.42536 0.644 0.000 0.108 0.244 0.000 0.004
#> ERR659157 1 0.5061 0.42503 0.636 0.000 0.120 0.240 0.000 0.004
#> ERR659062 3 0.5138 0.35179 0.360 0.000 0.560 0.072 0.000 0.008
#> ERR659158 3 0.5237 0.33840 0.364 0.000 0.552 0.072 0.000 0.012
#> ERR659063 1 0.4662 0.59744 0.716 0.000 0.168 0.100 0.000 0.016
#> ERR659159 1 0.4551 0.60141 0.728 0.000 0.160 0.096 0.000 0.016
#> ERR659064 1 0.4490 0.57653 0.716 0.000 0.108 0.172 0.000 0.004
#> ERR659160 1 0.4582 0.56823 0.704 0.000 0.108 0.184 0.000 0.004
#> ERR659065 2 0.3306 0.90499 0.000 0.820 0.000 0.008 0.036 0.136
#> ERR659161 2 0.2378 0.92894 0.000 0.848 0.000 0.000 0.000 0.152
#> ERR659066 3 0.1863 0.72274 0.016 0.000 0.920 0.060 0.000 0.004
#> ERR659162 3 0.1863 0.72274 0.016 0.000 0.920 0.060 0.000 0.004
#> ERR659067 3 0.3314 0.73636 0.128 0.000 0.820 0.048 0.000 0.004
#> ERR659163 3 0.3768 0.72602 0.136 0.000 0.796 0.056 0.004 0.008
#> ERR659068 2 0.2876 0.91400 0.000 0.844 0.000 0.008 0.016 0.132
#> ERR659164 2 0.2692 0.92529 0.000 0.840 0.000 0.000 0.012 0.148
#> ERR659069 3 0.2436 0.74589 0.088 0.000 0.880 0.032 0.000 0.000
#> ERR659165 3 0.2294 0.74744 0.072 0.000 0.892 0.036 0.000 0.000
#> ERR659070 1 0.3721 0.36039 0.728 0.000 0.016 0.252 0.000 0.004
#> ERR659166 1 0.3908 0.37572 0.724 0.000 0.028 0.244 0.000 0.004
#> ERR659071 1 0.4016 0.62002 0.768 0.000 0.120 0.108 0.000 0.004
#> ERR659167 1 0.3920 0.62051 0.768 0.000 0.120 0.112 0.000 0.000
#> ERR659072 3 0.1749 0.73936 0.024 0.000 0.932 0.036 0.000 0.008
#> ERR659168 3 0.1749 0.73936 0.024 0.000 0.932 0.036 0.000 0.008
#> ERR659073 3 0.3227 0.74021 0.096 0.000 0.840 0.052 0.000 0.012
#> ERR659169 3 0.3620 0.72924 0.120 0.000 0.808 0.060 0.000 0.012
#> ERR659074 2 0.2234 0.92757 0.000 0.872 0.000 0.004 0.000 0.124
#> ERR659170 2 0.2053 0.93120 0.000 0.888 0.000 0.000 0.004 0.108
#> ERR659075 5 0.0260 1.00000 0.000 0.000 0.000 0.008 0.992 0.000
#> ERR659171 5 0.0260 1.00000 0.000 0.000 0.000 0.008 0.992 0.000
#> ERR659076 2 0.3370 0.89122 0.000 0.804 0.000 0.000 0.048 0.148
#> ERR659172 2 0.2402 0.93201 0.000 0.856 0.000 0.000 0.004 0.140
#> ERR659077 1 0.4093 0.58958 0.764 0.000 0.088 0.140 0.000 0.008
#> ERR659173 1 0.4093 0.59218 0.764 0.000 0.088 0.140 0.000 0.008
#> ERR659078 1 0.4379 0.60878 0.732 0.000 0.140 0.124 0.000 0.004
#> ERR659174 1 0.4339 0.60691 0.736 0.000 0.140 0.120 0.000 0.004
#> ERR659079 1 0.4804 0.59299 0.700 0.000 0.140 0.148 0.000 0.012
#> ERR659175 1 0.4836 0.59447 0.696 0.000 0.136 0.156 0.000 0.012
#> ERR659080 4 0.5847 0.54255 0.364 0.000 0.104 0.508 0.004 0.020
#> ERR659176 4 0.5861 0.53813 0.372 0.000 0.104 0.500 0.004 0.020
#> ERR659081 1 0.3958 0.61044 0.764 0.000 0.108 0.128 0.000 0.000
#> ERR659177 1 0.3828 0.61122 0.776 0.000 0.100 0.124 0.000 0.000
#> ERR659082 1 0.4139 0.36960 0.700 0.000 0.036 0.260 0.000 0.004
#> ERR659178 1 0.4222 0.39279 0.700 0.000 0.044 0.252 0.000 0.004
#> ERR659083 2 0.1806 0.93170 0.000 0.908 0.000 0.000 0.004 0.088
#> ERR659179 2 0.2135 0.92808 0.000 0.872 0.000 0.000 0.000 0.128
#> ERR659084 2 0.2504 0.92657 0.000 0.856 0.000 0.004 0.004 0.136
#> ERR659180 2 0.2278 0.93082 0.000 0.868 0.000 0.000 0.004 0.128
#> ERR659085 3 0.4604 0.62451 0.220 0.000 0.700 0.064 0.000 0.016
#> ERR659181 3 0.4568 0.59345 0.244 0.000 0.684 0.064 0.000 0.008
#> ERR659086 1 0.4628 0.58987 0.684 0.000 0.204 0.112 0.000 0.000
#> ERR659182 1 0.4490 0.59623 0.700 0.000 0.196 0.104 0.000 0.000
#> ERR659087 3 0.4197 0.68839 0.176 0.000 0.748 0.064 0.000 0.012
#> ERR659183 3 0.4197 0.68839 0.176 0.000 0.748 0.064 0.000 0.012
#> ERR659088 3 0.7181 -0.34661 0.248 0.000 0.360 0.332 0.040 0.020
#> ERR659184 3 0.7136 -0.29759 0.232 0.000 0.384 0.324 0.040 0.020
#> ERR659089 1 0.6382 0.04881 0.412 0.000 0.320 0.252 0.000 0.016
#> ERR659185 1 0.6400 0.03602 0.396 0.000 0.336 0.252 0.000 0.016
#> ERR659090 1 0.4881 0.60408 0.684 0.000 0.156 0.152 0.000 0.008
#> ERR659186 1 0.4843 0.60277 0.688 0.000 0.164 0.140 0.000 0.008
#> ERR659091 1 0.5621 0.27294 0.512 0.000 0.344 0.140 0.000 0.004
#> ERR659187 1 0.5595 0.23470 0.504 0.000 0.360 0.132 0.000 0.004
#> ERR659092 1 0.4700 0.60277 0.704 0.000 0.160 0.128 0.000 0.008
#> ERR659188 1 0.4833 0.59157 0.688 0.000 0.172 0.132 0.000 0.008
#> ERR659093 1 0.3565 0.62293 0.808 0.000 0.096 0.092 0.000 0.004
#> ERR659189 1 0.3612 0.61934 0.804 0.000 0.092 0.100 0.000 0.004
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.661 0.883 0.919 0.3266 0.723 0.723
#> 3 3 0.255 0.598 0.796 0.4993 0.963 0.949
#> 4 4 0.268 0.576 0.742 0.1577 0.896 0.851
#> 5 5 0.291 0.552 0.696 0.0947 0.984 0.973
#> 6 6 0.322 0.511 0.649 0.0727 0.950 0.914
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
#> ERR467487 1 0.8443 0.6849 0.728 0.272
#> ERR467498 1 0.8443 0.6849 0.728 0.272
#> ERR658998 1 0.2603 0.9346 0.956 0.044
#> ERR659094 1 0.2603 0.9346 0.956 0.044
#> ERR658999 1 0.2236 0.9239 0.964 0.036
#> ERR659095 1 0.2236 0.9239 0.964 0.036
#> ERR659000 1 0.9881 0.3033 0.564 0.436
#> ERR659096 1 0.9881 0.3033 0.564 0.436
#> ERR659001 1 0.1633 0.9336 0.976 0.024
#> ERR659097 1 0.1633 0.9336 0.976 0.024
#> ERR659002 1 0.2423 0.9356 0.960 0.040
#> ERR659098 1 0.2423 0.9356 0.960 0.040
#> ERR659003 1 0.1414 0.9337 0.980 0.020
#> ERR659099 1 0.1414 0.9337 0.980 0.020
#> ERR659004 1 0.6438 0.8607 0.836 0.164
#> ERR659100 1 0.6438 0.8607 0.836 0.164
#> ERR659005 1 0.1633 0.9331 0.976 0.024
#> ERR659101 1 0.1633 0.9331 0.976 0.024
#> ERR659006 1 0.4562 0.9142 0.904 0.096
#> ERR659102 1 0.4562 0.9142 0.904 0.096
#> ERR659007 1 0.2423 0.9349 0.960 0.040
#> ERR659103 1 0.2423 0.9349 0.960 0.040
#> ERR659008 2 0.2043 0.9373 0.032 0.968
#> ERR659104 2 0.2043 0.9373 0.032 0.968
#> ERR659009 1 0.4161 0.9272 0.916 0.084
#> ERR659105 1 0.4161 0.9272 0.916 0.084
#> ERR659010 1 0.2948 0.9347 0.948 0.052
#> ERR659106 1 0.2948 0.9347 0.948 0.052
#> ERR659011 1 0.3114 0.9259 0.944 0.056
#> ERR659107 1 0.3114 0.9259 0.944 0.056
#> ERR659012 1 0.5408 0.9045 0.876 0.124
#> ERR659108 1 0.5408 0.9045 0.876 0.124
#> ERR659013 1 0.9491 0.4871 0.632 0.368
#> ERR659109 1 0.9491 0.4871 0.632 0.368
#> ERR659014 2 0.2043 0.9373 0.032 0.968
#> ERR659110 2 0.2043 0.9373 0.032 0.968
#> ERR659015 1 0.2236 0.9350 0.964 0.036
#> ERR659111 1 0.2236 0.9350 0.964 0.036
#> ERR659016 2 0.9815 0.2708 0.420 0.580
#> ERR659112 2 0.9815 0.2708 0.420 0.580
#> ERR659017 2 0.2043 0.9373 0.032 0.968
#> ERR659113 2 0.2043 0.9373 0.032 0.968
#> ERR659018 1 0.0938 0.9310 0.988 0.012
#> ERR659114 1 0.0938 0.9310 0.988 0.012
#> ERR659019 1 0.2778 0.9230 0.952 0.048
#> ERR659115 1 0.2778 0.9230 0.952 0.048
#> ERR659020 1 0.2043 0.9333 0.968 0.032
#> ERR659116 1 0.2043 0.9333 0.968 0.032
#> ERR659021 1 0.1843 0.9343 0.972 0.028
#> ERR659117 1 0.1843 0.9343 0.972 0.028
#> ERR659022 1 0.1414 0.9348 0.980 0.020
#> ERR659118 1 0.1414 0.9348 0.980 0.020
#> ERR659023 1 0.4161 0.9221 0.916 0.084
#> ERR659119 1 0.4161 0.9221 0.916 0.084
#> ERR659024 1 0.4161 0.9201 0.916 0.084
#> ERR659120 1 0.4161 0.9201 0.916 0.084
#> ERR659025 1 0.3114 0.9328 0.944 0.056
#> ERR659121 1 0.3114 0.9328 0.944 0.056
#> ERR659026 1 0.1414 0.9323 0.980 0.020
#> ERR659122 1 0.1414 0.9323 0.980 0.020
#> ERR659027 1 0.7219 0.7941 0.800 0.200
#> ERR659123 1 0.7219 0.7941 0.800 0.200
#> ERR659028 1 0.4690 0.9107 0.900 0.100
#> ERR659124 1 0.4690 0.9107 0.900 0.100
#> ERR659029 1 0.3584 0.9249 0.932 0.068
#> ERR659125 1 0.3584 0.9249 0.932 0.068
#> ERR659030 1 0.0672 0.9300 0.992 0.008
#> ERR659126 1 0.0672 0.9300 0.992 0.008
#> ERR659031 1 0.4022 0.9205 0.920 0.080
#> ERR659127 1 0.4022 0.9205 0.920 0.080
#> ERR659032 1 0.4562 0.9122 0.904 0.096
#> ERR659128 1 0.4562 0.9122 0.904 0.096
#> ERR659033 1 0.0938 0.9293 0.988 0.012
#> ERR659129 1 0.0938 0.9293 0.988 0.012
#> ERR659034 2 0.2043 0.9373 0.032 0.968
#> ERR659130 2 0.2043 0.9373 0.032 0.968
#> ERR659035 1 0.3114 0.9341 0.944 0.056
#> ERR659131 1 0.3114 0.9341 0.944 0.056
#> ERR659036 1 0.4431 0.9140 0.908 0.092
#> ERR659132 1 0.4431 0.9140 0.908 0.092
#> ERR659037 1 0.3114 0.9334 0.944 0.056
#> ERR659133 1 0.3114 0.9334 0.944 0.056
#> ERR659038 1 0.2778 0.9264 0.952 0.048
#> ERR659134 1 0.2778 0.9264 0.952 0.048
#> ERR659039 1 0.2778 0.9317 0.952 0.048
#> ERR659135 1 0.2778 0.9317 0.952 0.048
#> ERR659040 1 0.6247 0.8636 0.844 0.156
#> ERR659136 1 0.6247 0.8636 0.844 0.156
#> ERR659041 1 0.8813 0.6531 0.700 0.300
#> ERR659137 1 0.8813 0.6531 0.700 0.300
#> ERR659042 1 0.9881 0.2923 0.564 0.436
#> ERR659138 1 0.9881 0.2923 0.564 0.436
#> ERR659043 1 0.4431 0.9083 0.908 0.092
#> ERR659139 1 0.4431 0.9083 0.908 0.092
#> ERR659044 2 0.2043 0.9373 0.032 0.968
#> ERR659140 2 0.2043 0.9373 0.032 0.968
#> ERR659045 1 0.2236 0.9239 0.964 0.036
#> ERR659141 1 0.2236 0.9239 0.964 0.036
#> ERR659046 1 0.1843 0.9353 0.972 0.028
#> ERR659142 1 0.1843 0.9353 0.972 0.028
#> ERR659047 1 0.1414 0.9327 0.980 0.020
#> ERR659143 1 0.1414 0.9327 0.980 0.020
#> ERR659048 1 0.3431 0.9302 0.936 0.064
#> ERR659144 1 0.3431 0.9302 0.936 0.064
#> ERR659049 1 0.5059 0.9106 0.888 0.112
#> ERR659145 1 0.5059 0.9106 0.888 0.112
#> ERR659050 1 0.4298 0.9174 0.912 0.088
#> ERR659146 1 0.4298 0.9174 0.912 0.088
#> ERR659051 2 0.2043 0.9373 0.032 0.968
#> ERR659147 2 0.2043 0.9373 0.032 0.968
#> ERR659052 1 0.5946 0.8794 0.856 0.144
#> ERR659148 1 0.5946 0.8794 0.856 0.144
#> ERR659053 1 0.2423 0.9359 0.960 0.040
#> ERR659149 1 0.2423 0.9359 0.960 0.040
#> ERR659054 2 0.2043 0.9373 0.032 0.968
#> ERR659150 2 0.2043 0.9373 0.032 0.968
#> ERR659055 1 0.2603 0.9311 0.956 0.044
#> ERR659151 1 0.2603 0.9311 0.956 0.044
#> ERR659056 2 0.9983 0.0421 0.476 0.524
#> ERR659152 2 0.9983 0.0421 0.476 0.524
#> ERR659057 1 0.3114 0.9322 0.944 0.056
#> ERR659153 1 0.3114 0.9322 0.944 0.056
#> ERR659058 1 0.2236 0.9239 0.964 0.036
#> ERR659154 1 0.2236 0.9239 0.964 0.036
#> ERR659059 1 0.2603 0.9356 0.956 0.044
#> ERR659155 1 0.2603 0.9356 0.956 0.044
#> ERR659060 1 0.3733 0.9260 0.928 0.072
#> ERR659156 1 0.3733 0.9260 0.928 0.072
#> ERR659061 1 0.3274 0.9334 0.940 0.060
#> ERR659157 1 0.3274 0.9334 0.940 0.060
#> ERR659062 1 0.4022 0.9266 0.920 0.080
#> ERR659158 1 0.4022 0.9266 0.920 0.080
#> ERR659063 1 0.3114 0.9334 0.944 0.056
#> ERR659159 1 0.3114 0.9334 0.944 0.056
#> ERR659064 1 0.0672 0.9285 0.992 0.008
#> ERR659160 1 0.0672 0.9285 0.992 0.008
#> ERR659065 2 0.2043 0.9373 0.032 0.968
#> ERR659161 2 0.2043 0.9373 0.032 0.968
#> ERR659066 1 0.3431 0.9238 0.936 0.064
#> ERR659162 1 0.3431 0.9238 0.936 0.064
#> ERR659067 1 0.3733 0.9312 0.928 0.072
#> ERR659163 1 0.3733 0.9312 0.928 0.072
#> ERR659068 2 0.2043 0.9373 0.032 0.968
#> ERR659164 2 0.2043 0.9373 0.032 0.968
#> ERR659069 1 0.3584 0.9314 0.932 0.068
#> ERR659165 1 0.3584 0.9314 0.932 0.068
#> ERR659070 1 0.0938 0.9286 0.988 0.012
#> ERR659166 1 0.0938 0.9286 0.988 0.012
#> ERR659071 1 0.2043 0.9342 0.968 0.032
#> ERR659167 1 0.2043 0.9342 0.968 0.032
#> ERR659072 1 0.3431 0.9288 0.936 0.064
#> ERR659168 1 0.3431 0.9288 0.936 0.064
#> ERR659073 1 0.3114 0.9320 0.944 0.056
#> ERR659169 1 0.3114 0.9320 0.944 0.056
#> ERR659074 2 0.2043 0.9373 0.032 0.968
#> ERR659170 2 0.2043 0.9373 0.032 0.968
#> ERR659075 2 0.2043 0.9373 0.032 0.968
#> ERR659171 2 0.2043 0.9373 0.032 0.968
#> ERR659076 2 0.2043 0.9373 0.032 0.968
#> ERR659172 2 0.2043 0.9373 0.032 0.968
#> ERR659077 1 0.2423 0.9351 0.960 0.040
#> ERR659173 1 0.2423 0.9351 0.960 0.040
#> ERR659078 1 0.1843 0.9337 0.972 0.028
#> ERR659174 1 0.1843 0.9337 0.972 0.028
#> ERR659079 1 0.2948 0.9317 0.948 0.052
#> ERR659175 1 0.2948 0.9317 0.948 0.052
#> ERR659080 1 0.9427 0.5293 0.640 0.360
#> ERR659176 1 0.9427 0.5293 0.640 0.360
#> ERR659081 1 0.0672 0.9300 0.992 0.008
#> ERR659177 1 0.0672 0.9300 0.992 0.008
#> ERR659082 1 0.0672 0.9311 0.992 0.008
#> ERR659178 1 0.0672 0.9311 0.992 0.008
#> ERR659083 2 0.2043 0.9373 0.032 0.968
#> ERR659179 2 0.2043 0.9373 0.032 0.968
#> ERR659084 2 0.2043 0.9373 0.032 0.968
#> ERR659180 2 0.2043 0.9373 0.032 0.968
#> ERR659085 1 0.0938 0.9310 0.988 0.012
#> ERR659181 1 0.0938 0.9310 0.988 0.012
#> ERR659086 1 0.1414 0.9338 0.980 0.020
#> ERR659182 1 0.1414 0.9338 0.980 0.020
#> ERR659087 1 0.3733 0.9309 0.928 0.072
#> ERR659183 1 0.3733 0.9309 0.928 0.072
#> ERR659088 1 0.6623 0.8319 0.828 0.172
#> ERR659184 1 0.6623 0.8319 0.828 0.172
#> ERR659089 1 0.2423 0.9316 0.960 0.040
#> ERR659185 1 0.2423 0.9316 0.960 0.040
#> ERR659090 1 0.2603 0.9360 0.956 0.044
#> ERR659186 1 0.2603 0.9360 0.956 0.044
#> ERR659091 1 0.2236 0.9357 0.964 0.036
#> ERR659187 1 0.2236 0.9357 0.964 0.036
#> ERR659092 1 0.3733 0.9270 0.928 0.072
#> ERR659188 1 0.3733 0.9270 0.928 0.072
#> ERR659093 1 0.0938 0.9302 0.988 0.012
#> ERR659189 1 0.0938 0.9302 0.988 0.012
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.7565 0.31295 0.660 0.256 0.084
#> ERR467498 1 0.7565 0.31295 0.660 0.256 0.084
#> ERR658998 1 0.4324 0.71093 0.860 0.028 0.112
#> ERR659094 1 0.4324 0.71093 0.860 0.028 0.112
#> ERR658999 1 0.4399 0.64230 0.812 0.000 0.188
#> ERR659095 1 0.4399 0.64230 0.812 0.000 0.188
#> ERR659000 2 0.9962 -0.00102 0.304 0.376 0.320
#> ERR659096 2 0.9962 -0.00102 0.304 0.376 0.320
#> ERR659001 1 0.4802 0.68068 0.824 0.020 0.156
#> ERR659097 1 0.4802 0.68068 0.824 0.020 0.156
#> ERR659002 1 0.5331 0.69620 0.792 0.024 0.184
#> ERR659098 1 0.5331 0.69620 0.792 0.024 0.184
#> ERR659003 1 0.4345 0.71793 0.848 0.016 0.136
#> ERR659099 1 0.4345 0.71793 0.848 0.016 0.136
#> ERR659004 1 0.8475 -0.10142 0.568 0.112 0.320
#> ERR659100 1 0.8475 -0.10142 0.568 0.112 0.320
#> ERR659005 1 0.3846 0.72031 0.876 0.016 0.108
#> ERR659101 1 0.3846 0.72031 0.876 0.016 0.108
#> ERR659006 3 0.7245 1.00000 0.368 0.036 0.596
#> ERR659102 3 0.7245 1.00000 0.368 0.036 0.596
#> ERR659007 1 0.4551 0.68641 0.840 0.020 0.140
#> ERR659103 1 0.4551 0.68641 0.840 0.020 0.140
#> ERR659008 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659104 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659009 1 0.6001 0.64941 0.772 0.052 0.176
#> ERR659105 1 0.6001 0.64941 0.772 0.052 0.176
#> ERR659010 1 0.5223 0.67300 0.800 0.024 0.176
#> ERR659106 1 0.5223 0.67300 0.800 0.024 0.176
#> ERR659011 1 0.6518 -0.49234 0.512 0.004 0.484
#> ERR659107 1 0.6518 -0.49234 0.512 0.004 0.484
#> ERR659012 1 0.7798 0.31035 0.624 0.080 0.296
#> ERR659108 1 0.7798 0.31035 0.624 0.080 0.296
#> ERR659013 1 0.9887 -0.14322 0.408 0.304 0.288
#> ERR659109 1 0.9887 -0.14322 0.408 0.304 0.288
#> ERR659014 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659110 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659015 1 0.3832 0.71728 0.880 0.020 0.100
#> ERR659111 1 0.3832 0.71728 0.880 0.020 0.100
#> ERR659016 2 0.9053 0.37633 0.224 0.556 0.220
#> ERR659112 2 0.9053 0.37633 0.224 0.556 0.220
#> ERR659017 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659113 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659018 1 0.3539 0.70853 0.888 0.012 0.100
#> ERR659114 1 0.3539 0.70853 0.888 0.012 0.100
#> ERR659019 1 0.6079 -0.04202 0.612 0.000 0.388
#> ERR659115 1 0.6079 -0.04202 0.612 0.000 0.388
#> ERR659020 1 0.4782 0.67283 0.820 0.016 0.164
#> ERR659116 1 0.4782 0.67283 0.820 0.016 0.164
#> ERR659021 1 0.3886 0.71224 0.880 0.024 0.096
#> ERR659117 1 0.3886 0.71224 0.880 0.024 0.096
#> ERR659022 1 0.4514 0.71604 0.832 0.012 0.156
#> ERR659118 1 0.4514 0.71604 0.832 0.012 0.156
#> ERR659023 1 0.5285 0.69150 0.824 0.064 0.112
#> ERR659119 1 0.5285 0.69150 0.824 0.064 0.112
#> ERR659024 1 0.5243 0.70089 0.828 0.072 0.100
#> ERR659120 1 0.5243 0.70089 0.828 0.072 0.100
#> ERR659025 1 0.5298 0.68817 0.804 0.032 0.164
#> ERR659121 1 0.5298 0.68817 0.804 0.032 0.164
#> ERR659026 1 0.3295 0.71671 0.896 0.008 0.096
#> ERR659122 1 0.3295 0.71671 0.896 0.008 0.096
#> ERR659027 1 0.8398 0.32111 0.624 0.184 0.192
#> ERR659123 1 0.8398 0.32111 0.624 0.184 0.192
#> ERR659028 1 0.5863 0.66970 0.796 0.084 0.120
#> ERR659124 1 0.5863 0.66970 0.796 0.084 0.120
#> ERR659029 1 0.5330 0.68369 0.812 0.044 0.144
#> ERR659125 1 0.5330 0.68369 0.812 0.044 0.144
#> ERR659030 1 0.3120 0.71040 0.908 0.012 0.080
#> ERR659126 1 0.3120 0.71040 0.908 0.012 0.080
#> ERR659031 1 0.6062 0.67637 0.776 0.064 0.160
#> ERR659127 1 0.6062 0.67637 0.776 0.064 0.160
#> ERR659032 1 0.5851 0.67099 0.792 0.068 0.140
#> ERR659128 1 0.5851 0.67099 0.792 0.068 0.140
#> ERR659033 1 0.3826 0.71123 0.868 0.008 0.124
#> ERR659129 1 0.3826 0.71123 0.868 0.008 0.124
#> ERR659034 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659130 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659035 1 0.5069 0.71168 0.828 0.044 0.128
#> ERR659131 1 0.5069 0.71168 0.828 0.044 0.128
#> ERR659036 1 0.5944 0.64948 0.784 0.064 0.152
#> ERR659132 1 0.5944 0.64948 0.784 0.064 0.152
#> ERR659037 1 0.6054 0.65536 0.768 0.052 0.180
#> ERR659133 1 0.6054 0.65536 0.768 0.052 0.180
#> ERR659038 1 0.5070 0.58174 0.772 0.004 0.224
#> ERR659134 1 0.5070 0.58174 0.772 0.004 0.224
#> ERR659039 1 0.5202 0.60879 0.772 0.008 0.220
#> ERR659135 1 0.5202 0.60879 0.772 0.008 0.220
#> ERR659040 1 0.7163 0.58774 0.720 0.136 0.144
#> ERR659136 1 0.7163 0.58774 0.720 0.136 0.144
#> ERR659041 1 0.9489 -0.13588 0.464 0.196 0.340
#> ERR659137 1 0.9489 -0.13588 0.464 0.196 0.340
#> ERR659042 1 0.9626 -0.14925 0.404 0.392 0.204
#> ERR659138 1 0.9626 -0.14925 0.404 0.392 0.204
#> ERR659043 1 0.5947 0.59758 0.776 0.052 0.172
#> ERR659139 1 0.5947 0.59758 0.776 0.052 0.172
#> ERR659044 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659140 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659045 1 0.4452 0.65513 0.808 0.000 0.192
#> ERR659141 1 0.4452 0.65513 0.808 0.000 0.192
#> ERR659046 1 0.4469 0.71486 0.852 0.028 0.120
#> ERR659142 1 0.4469 0.71486 0.852 0.028 0.120
#> ERR659047 1 0.2711 0.71467 0.912 0.000 0.088
#> ERR659143 1 0.2711 0.71467 0.912 0.000 0.088
#> ERR659048 1 0.3797 0.71949 0.892 0.056 0.052
#> ERR659144 1 0.3797 0.71949 0.892 0.056 0.052
#> ERR659049 1 0.6452 0.66708 0.760 0.088 0.152
#> ERR659145 1 0.6452 0.66708 0.760 0.088 0.152
#> ERR659050 1 0.5538 0.67820 0.808 0.060 0.132
#> ERR659146 1 0.5538 0.67820 0.808 0.060 0.132
#> ERR659051 2 0.0848 0.88961 0.008 0.984 0.008
#> ERR659147 2 0.0848 0.88961 0.008 0.984 0.008
#> ERR659052 1 0.7431 0.53855 0.696 0.116 0.188
#> ERR659148 1 0.7431 0.53855 0.696 0.116 0.188
#> ERR659053 1 0.4092 0.71905 0.876 0.036 0.088
#> ERR659149 1 0.4092 0.71905 0.876 0.036 0.088
#> ERR659054 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659150 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659055 1 0.4099 0.67405 0.852 0.008 0.140
#> ERR659151 1 0.4099 0.67405 0.852 0.008 0.140
#> ERR659056 2 0.9320 0.16578 0.320 0.496 0.184
#> ERR659152 2 0.9320 0.16578 0.320 0.496 0.184
#> ERR659057 1 0.4526 0.71888 0.856 0.040 0.104
#> ERR659153 1 0.4526 0.71888 0.856 0.040 0.104
#> ERR659058 1 0.4452 0.63795 0.808 0.000 0.192
#> ERR659154 1 0.4452 0.63795 0.808 0.000 0.192
#> ERR659059 1 0.4371 0.71949 0.860 0.032 0.108
#> ERR659155 1 0.4371 0.71949 0.860 0.032 0.108
#> ERR659060 1 0.6633 0.51283 0.700 0.040 0.260
#> ERR659156 1 0.6633 0.51283 0.700 0.040 0.260
#> ERR659061 1 0.5159 0.71360 0.820 0.040 0.140
#> ERR659157 1 0.5159 0.71360 0.820 0.040 0.140
#> ERR659062 1 0.5334 0.69768 0.820 0.060 0.120
#> ERR659158 1 0.5334 0.69768 0.820 0.060 0.120
#> ERR659063 1 0.5166 0.71243 0.828 0.056 0.116
#> ERR659159 1 0.5166 0.71243 0.828 0.056 0.116
#> ERR659064 1 0.3826 0.70054 0.868 0.008 0.124
#> ERR659160 1 0.3826 0.70054 0.868 0.008 0.124
#> ERR659065 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659161 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659066 1 0.6647 -0.36608 0.540 0.008 0.452
#> ERR659162 1 0.6647 -0.36608 0.540 0.008 0.452
#> ERR659067 1 0.5072 0.63054 0.792 0.012 0.196
#> ERR659163 1 0.5072 0.63054 0.792 0.012 0.196
#> ERR659068 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659164 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659069 1 0.5012 0.62690 0.788 0.008 0.204
#> ERR659165 1 0.5012 0.62690 0.788 0.008 0.204
#> ERR659070 1 0.4968 0.68202 0.800 0.012 0.188
#> ERR659166 1 0.4968 0.68202 0.800 0.012 0.188
#> ERR659071 1 0.3987 0.71331 0.872 0.020 0.108
#> ERR659167 1 0.3987 0.71331 0.872 0.020 0.108
#> ERR659072 1 0.6217 0.51285 0.712 0.024 0.264
#> ERR659168 1 0.6217 0.51285 0.712 0.024 0.264
#> ERR659073 1 0.6507 0.48079 0.688 0.028 0.284
#> ERR659169 1 0.6507 0.48079 0.688 0.028 0.284
#> ERR659074 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659170 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659075 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659171 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659076 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659172 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659077 1 0.3921 0.72104 0.872 0.016 0.112
#> ERR659173 1 0.3921 0.72104 0.872 0.016 0.112
#> ERR659078 1 0.4349 0.71285 0.852 0.020 0.128
#> ERR659174 1 0.4349 0.71285 0.852 0.020 0.128
#> ERR659079 1 0.4270 0.71186 0.860 0.024 0.116
#> ERR659175 1 0.4270 0.71186 0.860 0.024 0.116
#> ERR659080 1 0.9926 -0.14787 0.388 0.284 0.328
#> ERR659176 1 0.9926 -0.14787 0.388 0.284 0.328
#> ERR659081 1 0.3845 0.70793 0.872 0.012 0.116
#> ERR659177 1 0.3845 0.70793 0.872 0.012 0.116
#> ERR659082 1 0.3459 0.71144 0.892 0.012 0.096
#> ERR659178 1 0.3459 0.71144 0.892 0.012 0.096
#> ERR659083 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659179 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659084 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659180 2 0.0424 0.89492 0.008 0.992 0.000
#> ERR659085 1 0.3771 0.71061 0.876 0.012 0.112
#> ERR659181 1 0.3771 0.71061 0.876 0.012 0.112
#> ERR659086 1 0.3769 0.72201 0.880 0.016 0.104
#> ERR659182 1 0.3769 0.72201 0.880 0.016 0.104
#> ERR659087 1 0.5355 0.68288 0.804 0.036 0.160
#> ERR659183 1 0.5355 0.68288 0.804 0.036 0.160
#> ERR659088 1 0.8285 0.24517 0.600 0.112 0.288
#> ERR659184 1 0.8285 0.24517 0.600 0.112 0.288
#> ERR659089 1 0.6804 -0.30832 0.528 0.012 0.460
#> ERR659185 1 0.6804 -0.30832 0.528 0.012 0.460
#> ERR659090 1 0.4731 0.71836 0.840 0.032 0.128
#> ERR659186 1 0.4731 0.71836 0.840 0.032 0.128
#> ERR659091 1 0.4068 0.71051 0.864 0.016 0.120
#> ERR659187 1 0.4068 0.71051 0.864 0.016 0.120
#> ERR659092 1 0.5136 0.69541 0.824 0.044 0.132
#> ERR659188 1 0.5136 0.69541 0.824 0.044 0.132
#> ERR659093 1 0.3043 0.71230 0.908 0.008 0.084
#> ERR659189 1 0.3043 0.71230 0.908 0.008 0.084
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.7793 0.2434 0.564 0.248 0.148 0.040
#> ERR467498 1 0.7793 0.2434 0.564 0.248 0.148 0.040
#> ERR658998 1 0.5040 0.6710 0.796 0.020 0.096 0.088
#> ERR659094 1 0.5040 0.6710 0.796 0.020 0.096 0.088
#> ERR658999 1 0.5035 0.5824 0.744 0.000 0.052 0.204
#> ERR659095 1 0.5035 0.5824 0.744 0.000 0.052 0.204
#> ERR659000 3 0.8013 0.6724 0.140 0.292 0.524 0.044
#> ERR659096 3 0.8013 0.6724 0.140 0.292 0.524 0.044
#> ERR659001 1 0.5495 0.6313 0.752 0.012 0.084 0.152
#> ERR659097 1 0.5495 0.6313 0.752 0.012 0.084 0.152
#> ERR659002 1 0.6701 0.5770 0.652 0.012 0.188 0.148
#> ERR659098 1 0.6701 0.5770 0.652 0.012 0.188 0.148
#> ERR659003 1 0.5157 0.6596 0.784 0.016 0.084 0.116
#> ERR659099 1 0.5157 0.6596 0.784 0.016 0.084 0.116
#> ERR659004 1 0.8641 -0.3789 0.440 0.080 0.132 0.348
#> ERR659100 1 0.8641 -0.3789 0.440 0.080 0.132 0.348
#> ERR659005 1 0.4999 0.6849 0.792 0.012 0.096 0.100
#> ERR659101 1 0.4999 0.6849 0.792 0.012 0.096 0.100
#> ERR659006 4 0.5864 0.5521 0.248 0.004 0.068 0.680
#> ERR659102 4 0.5864 0.5521 0.248 0.004 0.068 0.680
#> ERR659007 1 0.4984 0.6520 0.788 0.012 0.068 0.132
#> ERR659103 1 0.4984 0.6520 0.788 0.012 0.068 0.132
#> ERR659008 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659104 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659009 1 0.6800 0.5890 0.684 0.048 0.120 0.148
#> ERR659105 1 0.6800 0.5890 0.684 0.048 0.120 0.148
#> ERR659010 1 0.5837 0.6181 0.724 0.012 0.092 0.172
#> ERR659106 1 0.5837 0.6181 0.724 0.012 0.092 0.172
#> ERR659011 4 0.5738 0.5351 0.432 0.000 0.028 0.540
#> ERR659107 4 0.5738 0.5351 0.432 0.000 0.028 0.540
#> ERR659012 1 0.8380 -0.0439 0.492 0.060 0.148 0.300
#> ERR659108 1 0.8380 -0.0439 0.492 0.060 0.148 0.300
#> ERR659013 3 0.8480 0.7097 0.248 0.232 0.476 0.044
#> ERR659109 3 0.8480 0.7097 0.248 0.232 0.476 0.044
#> ERR659014 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659110 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659015 1 0.4496 0.6838 0.816 0.008 0.116 0.060
#> ERR659111 1 0.4496 0.6838 0.816 0.008 0.116 0.060
#> ERR659016 2 0.8378 0.1181 0.084 0.528 0.256 0.132
#> ERR659112 2 0.8378 0.1181 0.084 0.528 0.256 0.132
#> ERR659017 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659113 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659018 1 0.3948 0.6799 0.852 0.008 0.072 0.068
#> ERR659114 1 0.3948 0.6799 0.852 0.008 0.072 0.068
#> ERR659019 1 0.5643 -0.1649 0.548 0.000 0.024 0.428
#> ERR659115 1 0.5643 -0.1649 0.548 0.000 0.024 0.428
#> ERR659020 1 0.4985 0.6422 0.780 0.008 0.064 0.148
#> ERR659116 1 0.4985 0.6422 0.780 0.008 0.064 0.148
#> ERR659021 1 0.3996 0.6814 0.852 0.016 0.088 0.044
#> ERR659117 1 0.3996 0.6814 0.852 0.016 0.088 0.044
#> ERR659022 1 0.5363 0.6585 0.760 0.008 0.136 0.096
#> ERR659118 1 0.5363 0.6585 0.760 0.008 0.136 0.096
#> ERR659023 1 0.6120 0.6405 0.732 0.056 0.148 0.064
#> ERR659119 1 0.6120 0.6405 0.732 0.056 0.148 0.064
#> ERR659024 1 0.5940 0.6448 0.736 0.064 0.160 0.040
#> ERR659120 1 0.5940 0.6448 0.736 0.064 0.160 0.040
#> ERR659025 1 0.6389 0.5762 0.680 0.016 0.200 0.104
#> ERR659121 1 0.6389 0.5762 0.680 0.016 0.200 0.104
#> ERR659026 1 0.4716 0.6791 0.796 0.004 0.132 0.068
#> ERR659122 1 0.4716 0.6791 0.796 0.004 0.132 0.068
#> ERR659027 1 0.8413 0.2099 0.548 0.176 0.184 0.092
#> ERR659123 1 0.8413 0.2099 0.548 0.176 0.184 0.092
#> ERR659028 1 0.6050 0.6125 0.708 0.068 0.200 0.024
#> ERR659124 1 0.6050 0.6125 0.708 0.068 0.200 0.024
#> ERR659029 1 0.5946 0.6168 0.712 0.032 0.208 0.048
#> ERR659125 1 0.5946 0.6168 0.712 0.032 0.208 0.048
#> ERR659030 1 0.3538 0.6791 0.868 0.004 0.084 0.044
#> ERR659126 1 0.3538 0.6791 0.868 0.004 0.084 0.044
#> ERR659031 1 0.6677 0.5868 0.684 0.060 0.188 0.068
#> ERR659127 1 0.6677 0.5868 0.684 0.060 0.188 0.068
#> ERR659032 1 0.6453 0.6112 0.704 0.060 0.172 0.064
#> ERR659128 1 0.6453 0.6112 0.704 0.060 0.172 0.064
#> ERR659033 1 0.4215 0.6707 0.824 0.000 0.104 0.072
#> ERR659129 1 0.4215 0.6707 0.824 0.000 0.104 0.072
#> ERR659034 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659130 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659035 1 0.5632 0.6714 0.748 0.032 0.168 0.052
#> ERR659131 1 0.5632 0.6714 0.748 0.032 0.168 0.052
#> ERR659036 1 0.6514 0.5516 0.672 0.056 0.228 0.044
#> ERR659132 1 0.6514 0.5516 0.672 0.056 0.228 0.044
#> ERR659037 1 0.6253 0.6065 0.708 0.028 0.092 0.172
#> ERR659133 1 0.6253 0.6065 0.708 0.028 0.092 0.172
#> ERR659038 1 0.4986 0.5429 0.724 0.004 0.024 0.248
#> ERR659134 1 0.4986 0.5429 0.724 0.004 0.024 0.248
#> ERR659039 1 0.5508 0.5371 0.692 0.000 0.056 0.252
#> ERR659135 1 0.5508 0.5371 0.692 0.000 0.056 0.252
#> ERR659040 1 0.7510 0.4677 0.596 0.128 0.236 0.040
#> ERR659136 1 0.7510 0.4677 0.596 0.128 0.236 0.040
#> ERR659041 3 0.8883 0.5242 0.260 0.144 0.480 0.116
#> ERR659137 3 0.8883 0.5242 0.260 0.144 0.480 0.116
#> ERR659042 2 0.9027 -0.5588 0.240 0.372 0.324 0.064
#> ERR659138 2 0.9027 -0.5588 0.240 0.372 0.324 0.064
#> ERR659043 1 0.5968 0.4746 0.640 0.020 0.312 0.028
#> ERR659139 1 0.5968 0.4746 0.640 0.020 0.312 0.028
#> ERR659044 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659140 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659045 1 0.4679 0.6164 0.772 0.000 0.044 0.184
#> ERR659141 1 0.4679 0.6164 0.772 0.000 0.044 0.184
#> ERR659046 1 0.5006 0.6710 0.780 0.020 0.160 0.040
#> ERR659142 1 0.5006 0.6710 0.780 0.020 0.160 0.040
#> ERR659047 1 0.3687 0.6902 0.856 0.000 0.080 0.064
#> ERR659143 1 0.3687 0.6902 0.856 0.000 0.080 0.064
#> ERR659048 1 0.4125 0.6861 0.848 0.048 0.084 0.020
#> ERR659144 1 0.4125 0.6861 0.848 0.048 0.084 0.020
#> ERR659049 1 0.6954 0.6090 0.684 0.076 0.112 0.128
#> ERR659145 1 0.6954 0.6090 0.684 0.076 0.112 0.128
#> ERR659050 1 0.6053 0.6258 0.724 0.052 0.176 0.048
#> ERR659146 1 0.6053 0.6258 0.724 0.052 0.176 0.048
#> ERR659051 2 0.0967 0.8494 0.004 0.976 0.016 0.004
#> ERR659147 2 0.0967 0.8494 0.004 0.976 0.016 0.004
#> ERR659052 1 0.7574 0.5005 0.636 0.104 0.108 0.152
#> ERR659148 1 0.7574 0.5005 0.636 0.104 0.108 0.152
#> ERR659053 1 0.4327 0.6837 0.836 0.028 0.100 0.036
#> ERR659149 1 0.4327 0.6837 0.836 0.028 0.100 0.036
#> ERR659054 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659150 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659055 1 0.4173 0.6375 0.804 0.004 0.020 0.172
#> ERR659151 1 0.4173 0.6375 0.804 0.004 0.020 0.172
#> ERR659056 2 0.8509 -0.3508 0.212 0.476 0.264 0.048
#> ERR659152 2 0.8509 -0.3508 0.212 0.476 0.264 0.048
#> ERR659057 1 0.5106 0.6828 0.796 0.036 0.112 0.056
#> ERR659153 1 0.5106 0.6828 0.796 0.036 0.112 0.056
#> ERR659058 1 0.4914 0.6006 0.748 0.000 0.044 0.208
#> ERR659154 1 0.4914 0.6006 0.748 0.000 0.044 0.208
#> ERR659059 1 0.4781 0.6875 0.812 0.024 0.104 0.060
#> ERR659155 1 0.4781 0.6875 0.812 0.024 0.104 0.060
#> ERR659060 1 0.7654 0.2325 0.564 0.024 0.228 0.184
#> ERR659156 1 0.7654 0.2325 0.564 0.024 0.228 0.184
#> ERR659061 1 0.6079 0.6442 0.728 0.036 0.156 0.080
#> ERR659157 1 0.6079 0.6442 0.728 0.036 0.156 0.080
#> ERR659062 1 0.5802 0.6645 0.760 0.048 0.096 0.096
#> ERR659158 1 0.5802 0.6645 0.760 0.048 0.096 0.096
#> ERR659063 1 0.5511 0.6658 0.744 0.036 0.188 0.032
#> ERR659159 1 0.5511 0.6658 0.744 0.036 0.188 0.032
#> ERR659064 1 0.3948 0.6610 0.840 0.000 0.064 0.096
#> ERR659160 1 0.3948 0.6610 0.840 0.000 0.064 0.096
#> ERR659065 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659161 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659066 1 0.5695 -0.3892 0.500 0.000 0.024 0.476
#> ERR659162 1 0.5695 -0.3892 0.500 0.000 0.024 0.476
#> ERR659067 1 0.5317 0.5927 0.740 0.008 0.052 0.200
#> ERR659163 1 0.5317 0.5927 0.740 0.008 0.052 0.200
#> ERR659068 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659164 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659069 1 0.5466 0.5895 0.732 0.008 0.060 0.200
#> ERR659165 1 0.5466 0.5895 0.732 0.008 0.060 0.200
#> ERR659070 1 0.6423 0.4943 0.648 0.000 0.196 0.156
#> ERR659166 1 0.6423 0.4943 0.648 0.000 0.196 0.156
#> ERR659071 1 0.4745 0.6709 0.784 0.008 0.168 0.040
#> ERR659167 1 0.4745 0.6709 0.784 0.008 0.168 0.040
#> ERR659072 1 0.6356 0.4397 0.636 0.012 0.068 0.284
#> ERR659168 1 0.6356 0.4397 0.636 0.012 0.068 0.284
#> ERR659073 1 0.6491 0.4022 0.620 0.004 0.096 0.280
#> ERR659169 1 0.6491 0.4022 0.620 0.004 0.096 0.280
#> ERR659074 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659170 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659075 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659171 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659076 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659172 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659077 1 0.5050 0.6773 0.784 0.008 0.108 0.100
#> ERR659173 1 0.5050 0.6773 0.784 0.008 0.108 0.100
#> ERR659078 1 0.5547 0.6444 0.752 0.012 0.100 0.136
#> ERR659174 1 0.5547 0.6444 0.752 0.012 0.100 0.136
#> ERR659079 1 0.4675 0.6744 0.800 0.012 0.144 0.044
#> ERR659175 1 0.4675 0.6744 0.800 0.012 0.144 0.044
#> ERR659080 3 0.9147 0.6889 0.224 0.228 0.444 0.104
#> ERR659176 3 0.9147 0.6889 0.224 0.228 0.444 0.104
#> ERR659081 1 0.4083 0.6682 0.840 0.004 0.072 0.084
#> ERR659177 1 0.4083 0.6682 0.840 0.004 0.072 0.084
#> ERR659082 1 0.4424 0.6724 0.812 0.000 0.088 0.100
#> ERR659178 1 0.4424 0.6724 0.812 0.000 0.088 0.100
#> ERR659083 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659179 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659084 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659180 2 0.0188 0.8670 0.004 0.996 0.000 0.000
#> ERR659085 1 0.4261 0.6762 0.832 0.008 0.060 0.100
#> ERR659181 1 0.4261 0.6762 0.832 0.008 0.060 0.100
#> ERR659086 1 0.4480 0.6851 0.820 0.008 0.100 0.072
#> ERR659182 1 0.4480 0.6851 0.820 0.008 0.100 0.072
#> ERR659087 1 0.6293 0.6247 0.712 0.028 0.128 0.132
#> ERR659183 1 0.6293 0.6247 0.712 0.028 0.128 0.132
#> ERR659088 1 0.8524 -0.0957 0.476 0.088 0.320 0.116
#> ERR659184 1 0.8524 -0.0957 0.476 0.088 0.320 0.116
#> ERR659089 4 0.7506 0.5900 0.376 0.000 0.184 0.440
#> ERR659185 4 0.7506 0.5900 0.376 0.000 0.184 0.440
#> ERR659090 1 0.5720 0.6728 0.748 0.020 0.100 0.132
#> ERR659186 1 0.5720 0.6728 0.748 0.020 0.100 0.132
#> ERR659091 1 0.4353 0.6769 0.820 0.004 0.060 0.116
#> ERR659187 1 0.4353 0.6769 0.820 0.004 0.060 0.116
#> ERR659092 1 0.5690 0.6553 0.744 0.024 0.164 0.068
#> ERR659188 1 0.5690 0.6553 0.744 0.024 0.164 0.068
#> ERR659093 1 0.3349 0.6798 0.880 0.004 0.064 0.052
#> ERR659189 1 0.3349 0.6798 0.880 0.004 0.064 0.052
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 1 0.7424 0.2547 0.520 0.240 0.044 0.180 0.016
#> ERR467498 1 0.7424 0.2547 0.520 0.240 0.044 0.180 0.016
#> ERR658998 1 0.4860 0.6437 0.720 0.020 0.004 0.224 0.032
#> ERR659094 1 0.4860 0.6437 0.720 0.020 0.004 0.224 0.032
#> ERR658999 1 0.5495 0.5647 0.700 0.000 0.024 0.152 0.124
#> ERR659095 1 0.5495 0.5647 0.700 0.000 0.024 0.152 0.124
#> ERR659000 3 0.7227 0.5263 0.072 0.224 0.532 0.172 0.000
#> ERR659096 3 0.7227 0.5263 0.072 0.224 0.532 0.172 0.000
#> ERR659001 1 0.5425 0.6074 0.704 0.008 0.024 0.200 0.064
#> ERR659097 1 0.5425 0.6074 0.704 0.008 0.024 0.200 0.064
#> ERR659002 1 0.6594 0.5312 0.592 0.004 0.068 0.260 0.076
#> ERR659098 1 0.6594 0.5312 0.592 0.004 0.068 0.260 0.076
#> ERR659003 1 0.5148 0.6283 0.732 0.016 0.028 0.188 0.036
#> ERR659099 1 0.5148 0.6283 0.732 0.016 0.028 0.188 0.036
#> ERR659004 1 0.9018 -0.3679 0.356 0.044 0.152 0.176 0.272
#> ERR659100 1 0.9018 -0.3679 0.356 0.044 0.152 0.176 0.272
#> ERR659005 1 0.4977 0.6531 0.720 0.012 0.028 0.220 0.020
#> ERR659101 1 0.4977 0.6531 0.720 0.012 0.028 0.220 0.020
#> ERR659006 5 0.4761 0.4921 0.176 0.000 0.024 0.052 0.748
#> ERR659102 5 0.4761 0.4921 0.176 0.000 0.024 0.052 0.748
#> ERR659007 1 0.5042 0.6269 0.756 0.008 0.032 0.140 0.064
#> ERR659103 1 0.5042 0.6269 0.756 0.008 0.032 0.140 0.064
#> ERR659008 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659104 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659009 1 0.6793 0.5469 0.624 0.028 0.068 0.208 0.072
#> ERR659105 1 0.6793 0.5469 0.624 0.028 0.068 0.208 0.072
#> ERR659010 1 0.6035 0.5855 0.672 0.008 0.044 0.188 0.088
#> ERR659106 1 0.6035 0.5855 0.672 0.008 0.044 0.188 0.088
#> ERR659011 5 0.6634 0.4830 0.376 0.000 0.020 0.132 0.472
#> ERR659107 5 0.6634 0.4830 0.376 0.000 0.020 0.132 0.472
#> ERR659012 1 0.8702 -0.0950 0.416 0.032 0.148 0.228 0.176
#> ERR659108 1 0.8702 -0.0950 0.416 0.032 0.148 0.228 0.176
#> ERR659013 3 0.7982 0.4821 0.152 0.168 0.448 0.232 0.000
#> ERR659109 3 0.7982 0.4821 0.152 0.168 0.448 0.232 0.000
#> ERR659014 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659110 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659015 1 0.4243 0.6620 0.776 0.008 0.028 0.180 0.008
#> ERR659111 1 0.4243 0.6620 0.776 0.008 0.028 0.180 0.008
#> ERR659016 2 0.8063 0.1421 0.028 0.504 0.116 0.216 0.136
#> ERR659112 2 0.8063 0.1421 0.028 0.504 0.116 0.216 0.136
#> ERR659017 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659113 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659018 1 0.4064 0.6564 0.808 0.004 0.032 0.136 0.020
#> ERR659114 1 0.4064 0.6564 0.808 0.004 0.032 0.136 0.020
#> ERR659019 1 0.6533 -0.1345 0.488 0.000 0.016 0.132 0.364
#> ERR659115 1 0.6533 -0.1345 0.488 0.000 0.016 0.132 0.364
#> ERR659020 1 0.5370 0.6282 0.736 0.008 0.032 0.120 0.104
#> ERR659116 1 0.5370 0.6282 0.736 0.008 0.032 0.120 0.104
#> ERR659021 1 0.4382 0.6634 0.792 0.012 0.032 0.144 0.020
#> ERR659117 1 0.4382 0.6634 0.792 0.012 0.032 0.144 0.020
#> ERR659022 1 0.5630 0.6074 0.676 0.012 0.044 0.236 0.032
#> ERR659118 1 0.5630 0.6074 0.676 0.012 0.044 0.236 0.032
#> ERR659023 1 0.5603 0.6177 0.676 0.052 0.024 0.236 0.012
#> ERR659119 1 0.5603 0.6177 0.676 0.052 0.024 0.236 0.012
#> ERR659024 1 0.5731 0.6175 0.680 0.064 0.028 0.216 0.012
#> ERR659120 1 0.5731 0.6175 0.680 0.064 0.028 0.216 0.012
#> ERR659025 1 0.6574 0.5305 0.616 0.012 0.088 0.232 0.052
#> ERR659121 1 0.6574 0.5305 0.616 0.012 0.088 0.232 0.052
#> ERR659026 1 0.5036 0.6458 0.708 0.000 0.060 0.216 0.016
#> ERR659122 1 0.5036 0.6458 0.708 0.000 0.060 0.216 0.016
#> ERR659027 1 0.8142 0.1037 0.480 0.176 0.068 0.236 0.040
#> ERR659123 1 0.8142 0.1037 0.480 0.176 0.068 0.236 0.040
#> ERR659028 1 0.5854 0.5964 0.656 0.068 0.048 0.228 0.000
#> ERR659124 1 0.5854 0.5964 0.656 0.068 0.048 0.228 0.000
#> ERR659029 1 0.5637 0.5903 0.644 0.024 0.068 0.264 0.000
#> ERR659125 1 0.5637 0.5903 0.644 0.024 0.068 0.264 0.000
#> ERR659030 1 0.3891 0.6594 0.792 0.000 0.028 0.172 0.008
#> ERR659126 1 0.3891 0.6594 0.792 0.000 0.028 0.172 0.008
#> ERR659031 1 0.6552 0.5631 0.608 0.056 0.040 0.264 0.032
#> ERR659127 1 0.6552 0.5631 0.608 0.056 0.040 0.264 0.032
#> ERR659032 1 0.5864 0.5834 0.644 0.056 0.032 0.260 0.008
#> ERR659128 1 0.5864 0.5834 0.644 0.056 0.032 0.260 0.008
#> ERR659033 1 0.4720 0.6431 0.768 0.004 0.040 0.152 0.036
#> ERR659129 1 0.4720 0.6431 0.768 0.004 0.040 0.152 0.036
#> ERR659034 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659130 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659035 1 0.5408 0.6486 0.684 0.028 0.028 0.244 0.016
#> ERR659131 1 0.5408 0.6486 0.684 0.028 0.028 0.244 0.016
#> ERR659036 1 0.6646 0.4939 0.580 0.052 0.096 0.268 0.004
#> ERR659132 1 0.6646 0.4939 0.580 0.052 0.096 0.268 0.004
#> ERR659037 1 0.6311 0.6057 0.656 0.024 0.024 0.176 0.120
#> ERR659133 1 0.6311 0.6057 0.656 0.024 0.024 0.176 0.120
#> ERR659038 1 0.5821 0.5162 0.668 0.000 0.032 0.108 0.192
#> ERR659134 1 0.5821 0.5162 0.668 0.000 0.032 0.108 0.192
#> ERR659039 1 0.5998 0.5182 0.652 0.000 0.028 0.164 0.156
#> ERR659135 1 0.5998 0.5182 0.652 0.000 0.028 0.164 0.156
#> ERR659040 1 0.7037 0.4426 0.540 0.124 0.072 0.264 0.000
#> ERR659136 1 0.7037 0.4426 0.540 0.124 0.072 0.264 0.000
#> ERR659041 3 0.8520 0.3253 0.148 0.080 0.476 0.216 0.080
#> ERR659137 3 0.8520 0.3253 0.148 0.080 0.476 0.216 0.080
#> ERR659042 2 0.9274 -0.4508 0.164 0.356 0.196 0.220 0.064
#> ERR659138 2 0.9274 -0.4508 0.164 0.356 0.196 0.220 0.064
#> ERR659043 1 0.6117 0.4535 0.588 0.008 0.152 0.252 0.000
#> ERR659139 1 0.6117 0.4535 0.588 0.008 0.152 0.252 0.000
#> ERR659044 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659140 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659045 1 0.5476 0.5972 0.696 0.000 0.020 0.164 0.120
#> ERR659141 1 0.5476 0.5972 0.696 0.000 0.020 0.164 0.120
#> ERR659046 1 0.5050 0.6480 0.708 0.012 0.032 0.232 0.016
#> ERR659142 1 0.5050 0.6480 0.708 0.012 0.032 0.232 0.016
#> ERR659047 1 0.3653 0.6716 0.808 0.000 0.016 0.164 0.012
#> ERR659143 1 0.3653 0.6716 0.808 0.000 0.016 0.164 0.012
#> ERR659048 1 0.4545 0.6614 0.768 0.040 0.020 0.168 0.004
#> ERR659144 1 0.4545 0.6614 0.768 0.040 0.020 0.168 0.004
#> ERR659049 1 0.7028 0.5769 0.612 0.072 0.060 0.208 0.048
#> ERR659145 1 0.7028 0.5769 0.612 0.072 0.060 0.208 0.048
#> ERR659050 1 0.5591 0.6061 0.668 0.048 0.028 0.248 0.008
#> ERR659146 1 0.5591 0.6061 0.668 0.048 0.028 0.248 0.008
#> ERR659051 2 0.1243 0.8396 0.004 0.960 0.028 0.008 0.000
#> ERR659147 2 0.1243 0.8396 0.004 0.960 0.028 0.008 0.000
#> ERR659052 1 0.7670 0.4605 0.548 0.100 0.024 0.200 0.128
#> ERR659148 1 0.7670 0.4605 0.548 0.100 0.024 0.200 0.128
#> ERR659053 1 0.4631 0.6631 0.776 0.024 0.036 0.152 0.012
#> ERR659149 1 0.4631 0.6631 0.776 0.024 0.036 0.152 0.012
#> ERR659054 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659150 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659055 1 0.4930 0.6081 0.764 0.004 0.028 0.100 0.104
#> ERR659151 1 0.4930 0.6081 0.764 0.004 0.028 0.100 0.104
#> ERR659056 2 0.8751 -0.2074 0.144 0.460 0.168 0.164 0.064
#> ERR659152 2 0.8751 -0.2074 0.144 0.460 0.168 0.164 0.064
#> ERR659057 1 0.4798 0.6568 0.732 0.032 0.008 0.212 0.016
#> ERR659153 1 0.4798 0.6568 0.732 0.032 0.008 0.212 0.016
#> ERR659058 1 0.5666 0.5775 0.680 0.000 0.024 0.176 0.120
#> ERR659154 1 0.5666 0.5775 0.680 0.000 0.024 0.176 0.120
#> ERR659059 1 0.4399 0.6642 0.756 0.016 0.012 0.204 0.012
#> ERR659155 1 0.4399 0.6642 0.756 0.016 0.012 0.204 0.012
#> ERR659060 1 0.8074 0.1835 0.488 0.016 0.144 0.212 0.140
#> ERR659156 1 0.8074 0.1835 0.488 0.016 0.144 0.212 0.140
#> ERR659061 1 0.5947 0.6190 0.676 0.028 0.096 0.188 0.012
#> ERR659157 1 0.5947 0.6190 0.676 0.028 0.096 0.188 0.012
#> ERR659062 1 0.5707 0.6391 0.704 0.044 0.028 0.188 0.036
#> ERR659158 1 0.5707 0.6391 0.704 0.044 0.028 0.188 0.036
#> ERR659063 1 0.5443 0.6375 0.680 0.024 0.056 0.236 0.004
#> ERR659159 1 0.5443 0.6375 0.680 0.024 0.056 0.236 0.004
#> ERR659064 1 0.3943 0.6335 0.796 0.000 0.020 0.164 0.020
#> ERR659160 1 0.3943 0.6335 0.796 0.000 0.020 0.164 0.020
#> ERR659065 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659161 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659066 1 0.6466 -0.3198 0.436 0.000 0.008 0.140 0.416
#> ERR659162 1 0.6466 -0.3198 0.436 0.000 0.008 0.140 0.416
#> ERR659067 1 0.5790 0.5559 0.688 0.000 0.044 0.148 0.120
#> ERR659163 1 0.5790 0.5559 0.688 0.000 0.044 0.148 0.120
#> ERR659068 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659164 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659069 1 0.5895 0.5567 0.680 0.000 0.048 0.152 0.120
#> ERR659165 1 0.5895 0.5567 0.680 0.000 0.048 0.152 0.120
#> ERR659070 1 0.6801 0.3661 0.560 0.000 0.132 0.256 0.052
#> ERR659166 1 0.6801 0.3661 0.560 0.000 0.132 0.256 0.052
#> ERR659071 1 0.4724 0.6473 0.728 0.004 0.044 0.216 0.008
#> ERR659167 1 0.4724 0.6473 0.728 0.004 0.044 0.216 0.008
#> ERR659072 1 0.6792 0.4526 0.588 0.008 0.036 0.176 0.192
#> ERR659168 1 0.6792 0.4526 0.588 0.008 0.036 0.176 0.192
#> ERR659073 1 0.6637 0.4323 0.568 0.008 0.016 0.168 0.240
#> ERR659169 1 0.6637 0.4323 0.568 0.008 0.016 0.168 0.240
#> ERR659074 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659170 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659075 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659171 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659076 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659172 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659077 1 0.4967 0.6449 0.736 0.008 0.024 0.192 0.040
#> ERR659173 1 0.4967 0.6449 0.736 0.008 0.024 0.192 0.040
#> ERR659078 1 0.5706 0.6100 0.684 0.012 0.048 0.216 0.040
#> ERR659174 1 0.5706 0.6100 0.684 0.012 0.048 0.216 0.040
#> ERR659079 1 0.4622 0.6475 0.736 0.008 0.040 0.212 0.004
#> ERR659175 1 0.4622 0.6475 0.736 0.008 0.040 0.212 0.004
#> ERR659080 4 0.9089 0.0992 0.120 0.172 0.320 0.324 0.064
#> ERR659176 4 0.9089 0.0992 0.120 0.172 0.320 0.324 0.064
#> ERR659081 1 0.3977 0.6381 0.792 0.000 0.024 0.168 0.016
#> ERR659177 1 0.3977 0.6381 0.792 0.000 0.024 0.168 0.016
#> ERR659082 1 0.4437 0.6477 0.780 0.000 0.044 0.148 0.028
#> ERR659178 1 0.4437 0.6477 0.780 0.000 0.044 0.148 0.028
#> ERR659083 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659179 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659084 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659180 2 0.0162 0.8723 0.004 0.996 0.000 0.000 0.000
#> ERR659085 1 0.4597 0.6559 0.784 0.004 0.032 0.128 0.052
#> ERR659181 1 0.4597 0.6559 0.784 0.004 0.032 0.128 0.052
#> ERR659086 1 0.4271 0.6657 0.768 0.008 0.044 0.180 0.000
#> ERR659182 1 0.4271 0.6657 0.768 0.008 0.044 0.180 0.000
#> ERR659087 1 0.6048 0.5799 0.644 0.012 0.044 0.248 0.052
#> ERR659183 1 0.6048 0.5799 0.644 0.012 0.044 0.248 0.052
#> ERR659088 4 0.8613 0.4230 0.340 0.060 0.160 0.368 0.072
#> ERR659184 4 0.8613 0.4230 0.340 0.060 0.160 0.368 0.072
#> ERR659089 5 0.8171 0.4917 0.276 0.004 0.092 0.260 0.368
#> ERR659185 5 0.8171 0.4917 0.276 0.004 0.092 0.260 0.368
#> ERR659090 1 0.5460 0.6447 0.704 0.016 0.032 0.208 0.040
#> ERR659186 1 0.5460 0.6447 0.704 0.016 0.032 0.208 0.040
#> ERR659091 1 0.4312 0.6530 0.772 0.000 0.020 0.176 0.032
#> ERR659187 1 0.4312 0.6530 0.772 0.000 0.020 0.176 0.032
#> ERR659092 1 0.5468 0.6316 0.692 0.016 0.048 0.224 0.020
#> ERR659188 1 0.5468 0.6316 0.692 0.016 0.048 0.224 0.020
#> ERR659093 1 0.3739 0.6609 0.820 0.000 0.024 0.136 0.020
#> ERR659189 1 0.3739 0.6609 0.820 0.000 0.024 0.136 0.020
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 1 0.746 0.2324 0.456 0.244 0.052 0.012 0.028 0.208
#> ERR467498 1 0.746 0.2324 0.456 0.244 0.052 0.012 0.028 0.208
#> ERR658998 1 0.551 0.5425 0.648 0.008 0.008 0.020 0.088 0.228
#> ERR659094 1 0.551 0.5425 0.648 0.008 0.008 0.020 0.088 0.228
#> ERR658999 1 0.527 0.4652 0.672 0.000 0.012 0.016 0.192 0.108
#> ERR659095 1 0.527 0.4652 0.672 0.000 0.012 0.016 0.192 0.108
#> ERR659000 6 0.815 0.7144 0.032 0.208 0.112 0.156 0.040 0.452
#> ERR659096 6 0.815 0.7144 0.032 0.208 0.112 0.156 0.040 0.452
#> ERR659001 1 0.563 0.5315 0.684 0.008 0.036 0.016 0.112 0.144
#> ERR659097 1 0.563 0.5315 0.684 0.008 0.036 0.016 0.112 0.144
#> ERR659002 1 0.722 0.4363 0.536 0.004 0.140 0.036 0.100 0.184
#> ERR659098 1 0.722 0.4363 0.536 0.004 0.140 0.036 0.100 0.184
#> ERR659003 1 0.615 0.5133 0.628 0.012 0.140 0.000 0.088 0.132
#> ERR659099 1 0.615 0.5133 0.628 0.012 0.140 0.000 0.088 0.132
#> ERR659004 5 0.895 0.3886 0.248 0.044 0.080 0.140 0.348 0.140
#> ERR659100 5 0.895 0.3886 0.248 0.044 0.080 0.140 0.348 0.140
#> ERR659005 1 0.614 0.5663 0.632 0.008 0.108 0.004 0.092 0.156
#> ERR659101 1 0.614 0.5663 0.632 0.008 0.108 0.004 0.092 0.156
#> ERR659006 5 0.573 0.2346 0.120 0.000 0.112 0.076 0.676 0.016
#> ERR659102 5 0.573 0.2346 0.120 0.000 0.112 0.076 0.676 0.016
#> ERR659007 1 0.511 0.5462 0.740 0.012 0.036 0.016 0.108 0.088
#> ERR659103 1 0.511 0.5462 0.740 0.012 0.036 0.016 0.108 0.088
#> ERR659008 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 1 0.691 0.4212 0.548 0.012 0.016 0.076 0.124 0.224
#> ERR659105 1 0.691 0.4212 0.548 0.012 0.016 0.076 0.124 0.224
#> ERR659010 1 0.614 0.4959 0.612 0.008 0.020 0.024 0.136 0.200
#> ERR659106 1 0.614 0.4959 0.612 0.008 0.020 0.024 0.136 0.200
#> ERR659011 5 0.478 0.5821 0.316 0.000 0.032 0.008 0.632 0.012
#> ERR659107 5 0.478 0.5821 0.316 0.000 0.032 0.008 0.632 0.012
#> ERR659012 1 0.888 -0.2988 0.320 0.024 0.084 0.140 0.260 0.172
#> ERR659108 1 0.888 -0.2988 0.320 0.024 0.084 0.140 0.260 0.172
#> ERR659013 6 0.799 0.6953 0.092 0.148 0.048 0.188 0.036 0.488
#> ERR659109 6 0.799 0.6953 0.092 0.148 0.048 0.188 0.036 0.488
#> ERR659014 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.445 0.6033 0.724 0.000 0.024 0.012 0.024 0.216
#> ERR659111 1 0.445 0.6033 0.724 0.000 0.024 0.012 0.024 0.216
#> ERR659016 3 0.564 1.0000 0.016 0.444 0.480 0.020 0.012 0.028
#> ERR659112 3 0.564 1.0000 0.016 0.444 0.480 0.020 0.012 0.028
#> ERR659017 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.484 0.5842 0.764 0.008 0.048 0.016 0.080 0.084
#> ERR659114 1 0.484 0.5842 0.764 0.008 0.048 0.016 0.080 0.084
#> ERR659019 5 0.515 0.3806 0.428 0.000 0.004 0.016 0.512 0.040
#> ERR659115 5 0.515 0.3806 0.428 0.000 0.004 0.016 0.512 0.040
#> ERR659020 1 0.556 0.5199 0.684 0.012 0.040 0.020 0.188 0.056
#> ERR659116 1 0.556 0.5199 0.684 0.012 0.040 0.020 0.188 0.056
#> ERR659021 1 0.498 0.5978 0.736 0.016 0.052 0.004 0.048 0.144
#> ERR659117 1 0.498 0.5978 0.736 0.016 0.052 0.004 0.048 0.144
#> ERR659022 1 0.611 0.5184 0.616 0.004 0.152 0.000 0.084 0.144
#> ERR659118 1 0.611 0.5184 0.616 0.004 0.152 0.000 0.084 0.144
#> ERR659023 1 0.599 0.5397 0.600 0.048 0.008 0.024 0.044 0.276
#> ERR659119 1 0.599 0.5397 0.600 0.048 0.008 0.024 0.044 0.276
#> ERR659024 1 0.580 0.5561 0.624 0.064 0.012 0.024 0.020 0.256
#> ERR659120 1 0.580 0.5561 0.624 0.064 0.012 0.024 0.020 0.256
#> ERR659025 1 0.718 0.4291 0.540 0.008 0.180 0.028 0.092 0.152
#> ERR659121 1 0.718 0.4291 0.540 0.008 0.180 0.028 0.092 0.152
#> ERR659026 1 0.557 0.5643 0.672 0.000 0.036 0.048 0.048 0.196
#> ERR659122 1 0.557 0.5643 0.672 0.000 0.036 0.048 0.048 0.196
#> ERR659027 1 0.871 0.0899 0.412 0.168 0.064 0.080 0.076 0.200
#> ERR659123 1 0.871 0.0899 0.412 0.168 0.064 0.080 0.076 0.200
#> ERR659028 1 0.546 0.5455 0.596 0.056 0.012 0.012 0.008 0.316
#> ERR659124 1 0.546 0.5455 0.596 0.056 0.012 0.012 0.008 0.316
#> ERR659029 1 0.550 0.5339 0.604 0.016 0.036 0.016 0.016 0.312
#> ERR659125 1 0.550 0.5339 0.604 0.016 0.036 0.016 0.016 0.312
#> ERR659030 1 0.401 0.5958 0.784 0.000 0.048 0.000 0.032 0.136
#> ERR659126 1 0.401 0.5958 0.784 0.000 0.048 0.000 0.032 0.136
#> ERR659031 1 0.704 0.4740 0.532 0.056 0.088 0.008 0.056 0.260
#> ERR659127 1 0.704 0.4740 0.532 0.056 0.088 0.008 0.056 0.260
#> ERR659032 1 0.585 0.5123 0.584 0.052 0.008 0.024 0.024 0.308
#> ERR659128 1 0.585 0.5123 0.584 0.052 0.008 0.024 0.024 0.308
#> ERR659033 1 0.516 0.5683 0.724 0.000 0.108 0.012 0.084 0.072
#> ERR659129 1 0.516 0.5683 0.724 0.000 0.108 0.012 0.084 0.072
#> ERR659034 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 1 0.579 0.5918 0.640 0.024 0.044 0.012 0.040 0.240
#> ERR659131 1 0.579 0.5918 0.640 0.024 0.044 0.012 0.040 0.240
#> ERR659036 1 0.723 0.4448 0.540 0.052 0.084 0.060 0.024 0.240
#> ERR659132 1 0.723 0.4448 0.540 0.052 0.084 0.060 0.024 0.240
#> ERR659037 1 0.641 0.5415 0.640 0.024 0.036 0.036 0.140 0.124
#> ERR659133 1 0.641 0.5415 0.640 0.024 0.036 0.036 0.140 0.124
#> ERR659038 1 0.555 0.4069 0.628 0.000 0.008 0.036 0.252 0.076
#> ERR659134 1 0.555 0.4069 0.628 0.000 0.008 0.036 0.252 0.076
#> ERR659039 1 0.574 0.4180 0.624 0.000 0.008 0.028 0.204 0.136
#> ERR659135 1 0.574 0.4180 0.624 0.000 0.008 0.028 0.204 0.136
#> ERR659040 1 0.694 0.4178 0.504 0.120 0.036 0.032 0.012 0.296
#> ERR659136 1 0.694 0.4178 0.504 0.120 0.036 0.032 0.012 0.296
#> ERR659041 4 0.904 0.1011 0.088 0.064 0.236 0.292 0.068 0.252
#> ERR659137 4 0.904 0.1011 0.088 0.064 0.236 0.292 0.068 0.252
#> ERR659042 2 0.838 -0.4536 0.120 0.348 0.212 0.024 0.032 0.264
#> ERR659138 2 0.838 -0.4536 0.120 0.348 0.212 0.024 0.032 0.264
#> ERR659043 1 0.601 0.3898 0.508 0.008 0.036 0.060 0.008 0.380
#> ERR659139 1 0.601 0.3898 0.508 0.008 0.036 0.060 0.008 0.380
#> ERR659044 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.519 0.5022 0.664 0.000 0.008 0.012 0.208 0.108
#> ERR659141 1 0.519 0.5022 0.664 0.000 0.008 0.012 0.208 0.108
#> ERR659046 1 0.534 0.5919 0.664 0.008 0.064 0.012 0.020 0.232
#> ERR659142 1 0.534 0.5919 0.664 0.008 0.064 0.012 0.020 0.232
#> ERR659047 1 0.463 0.6122 0.752 0.004 0.044 0.004 0.052 0.144
#> ERR659143 1 0.463 0.6122 0.752 0.004 0.044 0.004 0.052 0.144
#> ERR659048 1 0.485 0.6064 0.708 0.044 0.028 0.004 0.008 0.208
#> ERR659144 1 0.485 0.6064 0.708 0.044 0.028 0.004 0.008 0.208
#> ERR659049 1 0.767 0.4127 0.536 0.072 0.060 0.040 0.112 0.180
#> ERR659145 1 0.767 0.4127 0.536 0.072 0.060 0.040 0.112 0.180
#> ERR659050 1 0.570 0.5373 0.616 0.044 0.008 0.028 0.024 0.280
#> ERR659146 1 0.570 0.5373 0.616 0.044 0.008 0.028 0.024 0.280
#> ERR659051 2 0.210 0.6989 0.000 0.916 0.004 0.052 0.016 0.012
#> ERR659147 2 0.210 0.6989 0.000 0.916 0.004 0.052 0.016 0.012
#> ERR659052 1 0.803 0.3059 0.468 0.096 0.060 0.020 0.156 0.200
#> ERR659148 1 0.803 0.3059 0.468 0.096 0.060 0.020 0.156 0.200
#> ERR659053 1 0.526 0.5944 0.712 0.028 0.052 0.004 0.040 0.164
#> ERR659149 1 0.526 0.5944 0.712 0.028 0.052 0.004 0.040 0.164
#> ERR659054 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.470 0.5251 0.736 0.004 0.012 0.012 0.160 0.076
#> ERR659151 1 0.470 0.5251 0.736 0.004 0.012 0.012 0.160 0.076
#> ERR659056 2 0.826 -0.4705 0.092 0.456 0.148 0.064 0.036 0.204
#> ERR659152 2 0.826 -0.4705 0.092 0.456 0.148 0.064 0.036 0.204
#> ERR659057 1 0.531 0.6017 0.700 0.036 0.028 0.008 0.040 0.188
#> ERR659153 1 0.531 0.6017 0.700 0.036 0.028 0.008 0.040 0.188
#> ERR659058 1 0.556 0.4504 0.640 0.000 0.012 0.020 0.212 0.116
#> ERR659154 1 0.556 0.4504 0.640 0.000 0.012 0.020 0.212 0.116
#> ERR659059 1 0.482 0.6076 0.732 0.012 0.032 0.012 0.032 0.180
#> ERR659155 1 0.482 0.6076 0.732 0.012 0.032 0.012 0.032 0.180
#> ERR659060 1 0.817 0.1237 0.440 0.016 0.220 0.072 0.156 0.096
#> ERR659156 1 0.817 0.1237 0.440 0.016 0.220 0.072 0.156 0.096
#> ERR659061 1 0.709 0.5278 0.588 0.024 0.112 0.064 0.052 0.160
#> ERR659157 1 0.709 0.5278 0.588 0.024 0.112 0.064 0.052 0.160
#> ERR659062 1 0.625 0.5472 0.628 0.036 0.012 0.040 0.080 0.204
#> ERR659158 1 0.625 0.5472 0.628 0.036 0.012 0.040 0.080 0.204
#> ERR659063 1 0.572 0.5785 0.624 0.016 0.076 0.016 0.012 0.256
#> ERR659159 1 0.572 0.5785 0.624 0.016 0.076 0.016 0.012 0.256
#> ERR659064 1 0.483 0.5453 0.744 0.000 0.080 0.004 0.096 0.076
#> ERR659160 1 0.483 0.5453 0.744 0.000 0.080 0.004 0.096 0.076
#> ERR659065 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 5 0.547 0.4927 0.376 0.000 0.028 0.012 0.544 0.040
#> ERR659162 5 0.547 0.4927 0.376 0.000 0.028 0.012 0.544 0.040
#> ERR659067 1 0.553 0.4661 0.660 0.000 0.016 0.024 0.184 0.116
#> ERR659163 1 0.553 0.4661 0.660 0.000 0.016 0.024 0.184 0.116
#> ERR659068 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 1 0.566 0.4665 0.648 0.000 0.016 0.024 0.176 0.136
#> ERR659165 1 0.566 0.4665 0.648 0.000 0.016 0.024 0.176 0.136
#> ERR659070 1 0.701 0.1772 0.468 0.000 0.300 0.016 0.136 0.080
#> ERR659166 1 0.701 0.1772 0.468 0.000 0.300 0.016 0.136 0.080
#> ERR659071 1 0.483 0.5885 0.672 0.004 0.020 0.020 0.016 0.268
#> ERR659167 1 0.483 0.5885 0.672 0.004 0.020 0.020 0.016 0.268
#> ERR659072 1 0.640 0.2905 0.544 0.004 0.016 0.044 0.292 0.100
#> ERR659168 1 0.640 0.2905 0.544 0.004 0.016 0.044 0.292 0.100
#> ERR659073 1 0.732 0.2825 0.512 0.004 0.064 0.052 0.216 0.152
#> ERR659169 1 0.732 0.2825 0.512 0.004 0.064 0.052 0.216 0.152
#> ERR659074 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659171 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659076 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 1 0.598 0.5588 0.652 0.008 0.040 0.036 0.072 0.192
#> ERR659173 1 0.598 0.5588 0.652 0.008 0.040 0.036 0.072 0.192
#> ERR659078 1 0.691 0.4742 0.568 0.008 0.124 0.016 0.132 0.152
#> ERR659174 1 0.691 0.4742 0.568 0.008 0.124 0.016 0.132 0.152
#> ERR659079 1 0.492 0.5744 0.664 0.004 0.016 0.020 0.024 0.272
#> ERR659175 1 0.492 0.5744 0.664 0.004 0.016 0.020 0.024 0.272
#> ERR659080 4 0.675 0.1554 0.068 0.160 0.036 0.596 0.008 0.132
#> ERR659176 4 0.675 0.1554 0.068 0.160 0.036 0.596 0.008 0.132
#> ERR659081 1 0.455 0.5555 0.760 0.000 0.080 0.000 0.080 0.080
#> ERR659177 1 0.455 0.5555 0.760 0.000 0.080 0.000 0.080 0.080
#> ERR659082 1 0.496 0.5659 0.732 0.000 0.068 0.004 0.096 0.100
#> ERR659178 1 0.496 0.5659 0.732 0.000 0.068 0.004 0.096 0.100
#> ERR659083 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.000 0.8376 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.530 0.5803 0.724 0.008 0.060 0.012 0.104 0.092
#> ERR659181 1 0.530 0.5803 0.724 0.008 0.060 0.012 0.104 0.092
#> ERR659086 1 0.577 0.5882 0.684 0.008 0.056 0.036 0.056 0.160
#> ERR659182 1 0.577 0.5882 0.684 0.008 0.056 0.036 0.056 0.160
#> ERR659087 1 0.659 0.4835 0.568 0.008 0.040 0.040 0.088 0.256
#> ERR659183 1 0.659 0.4835 0.568 0.008 0.040 0.040 0.088 0.256
#> ERR659088 4 0.836 0.3222 0.264 0.056 0.036 0.380 0.064 0.200
#> ERR659184 4 0.836 0.3222 0.264 0.056 0.036 0.380 0.064 0.200
#> ERR659089 5 0.781 0.3257 0.220 0.000 0.308 0.068 0.352 0.052
#> ERR659185 5 0.781 0.3257 0.220 0.000 0.308 0.068 0.352 0.052
#> ERR659090 1 0.654 0.5516 0.616 0.016 0.100 0.016 0.088 0.164
#> ERR659186 1 0.654 0.5516 0.616 0.016 0.100 0.016 0.088 0.164
#> ERR659091 1 0.465 0.5815 0.760 0.004 0.036 0.008 0.072 0.120
#> ERR659187 1 0.465 0.5815 0.760 0.004 0.036 0.008 0.072 0.120
#> ERR659092 1 0.578 0.5631 0.628 0.008 0.016 0.052 0.044 0.252
#> ERR659188 1 0.578 0.5631 0.628 0.008 0.016 0.052 0.044 0.252
#> ERR659093 1 0.413 0.5969 0.796 0.004 0.036 0.004 0.052 0.108
#> ERR659189 1 0.413 0.5969 0.796 0.004 0.036 0.004 0.052 0.108
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.992 0.993 0.2323 0.767 0.767
#> 3 3 0.266 0.887 0.823 0.8854 1.000 1.000
#> 4 4 0.263 0.831 0.732 0.2296 1.000 1.000
#> 5 5 0.262 0.439 0.655 0.1274 0.932 0.911
#> 6 6 0.262 0.447 0.628 0.0636 0.965 0.952
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
#> ERR467487 1 0.0000 0.996 1.000 0.000
#> ERR467498 1 0.0000 0.996 1.000 0.000
#> ERR658998 1 0.0000 0.996 1.000 0.000
#> ERR659094 1 0.0000 0.996 1.000 0.000
#> ERR658999 1 0.0000 0.996 1.000 0.000
#> ERR659095 1 0.0000 0.996 1.000 0.000
#> ERR659000 1 0.0000 0.996 1.000 0.000
#> ERR659096 1 0.0000 0.996 1.000 0.000
#> ERR659001 1 0.0000 0.996 1.000 0.000
#> ERR659097 1 0.0000 0.996 1.000 0.000
#> ERR659002 1 0.0672 0.989 0.992 0.008
#> ERR659098 1 0.0672 0.989 0.992 0.008
#> ERR659003 1 0.0000 0.996 1.000 0.000
#> ERR659099 1 0.0000 0.996 1.000 0.000
#> ERR659004 1 0.0000 0.996 1.000 0.000
#> ERR659100 1 0.0000 0.996 1.000 0.000
#> ERR659005 1 0.0000 0.996 1.000 0.000
#> ERR659101 1 0.0000 0.996 1.000 0.000
#> ERR659006 1 0.0000 0.996 1.000 0.000
#> ERR659102 1 0.0000 0.996 1.000 0.000
#> ERR659007 1 0.0000 0.996 1.000 0.000
#> ERR659103 1 0.0000 0.996 1.000 0.000
#> ERR659008 2 0.1843 0.998 0.028 0.972
#> ERR659104 2 0.1843 0.998 0.028 0.972
#> ERR659009 1 0.0672 0.989 0.992 0.008
#> ERR659105 1 0.0672 0.989 0.992 0.008
#> ERR659010 1 0.0376 0.993 0.996 0.004
#> ERR659106 1 0.0376 0.993 0.996 0.004
#> ERR659011 1 0.0376 0.993 0.996 0.004
#> ERR659107 1 0.0376 0.993 0.996 0.004
#> ERR659012 1 0.0376 0.993 0.996 0.004
#> ERR659108 1 0.0376 0.993 0.996 0.004
#> ERR659013 1 0.0000 0.996 1.000 0.000
#> ERR659109 1 0.0000 0.996 1.000 0.000
#> ERR659014 2 0.1843 0.998 0.028 0.972
#> ERR659110 2 0.1843 0.998 0.028 0.972
#> ERR659015 1 0.0000 0.996 1.000 0.000
#> ERR659111 1 0.0000 0.996 1.000 0.000
#> ERR659016 1 0.0000 0.996 1.000 0.000
#> ERR659112 1 0.0000 0.996 1.000 0.000
#> ERR659017 2 0.1843 0.998 0.028 0.972
#> ERR659113 2 0.1843 0.998 0.028 0.972
#> ERR659018 1 0.0000 0.996 1.000 0.000
#> ERR659114 1 0.0000 0.996 1.000 0.000
#> ERR659019 1 0.0000 0.996 1.000 0.000
#> ERR659115 1 0.0000 0.996 1.000 0.000
#> ERR659020 1 0.0000 0.996 1.000 0.000
#> ERR659116 1 0.0000 0.996 1.000 0.000
#> ERR659021 1 0.0000 0.996 1.000 0.000
#> ERR659117 1 0.0000 0.996 1.000 0.000
#> ERR659022 1 0.0000 0.996 1.000 0.000
#> ERR659118 1 0.0000 0.996 1.000 0.000
#> ERR659023 1 0.0000 0.996 1.000 0.000
#> ERR659119 1 0.0000 0.996 1.000 0.000
#> ERR659024 1 0.0000 0.996 1.000 0.000
#> ERR659120 1 0.0000 0.996 1.000 0.000
#> ERR659025 1 0.0000 0.996 1.000 0.000
#> ERR659121 1 0.0000 0.996 1.000 0.000
#> ERR659026 1 0.0376 0.993 0.996 0.004
#> ERR659122 1 0.0376 0.993 0.996 0.004
#> ERR659027 1 0.0000 0.996 1.000 0.000
#> ERR659123 1 0.0000 0.996 1.000 0.000
#> ERR659028 1 0.0000 0.996 1.000 0.000
#> ERR659124 1 0.0000 0.996 1.000 0.000
#> ERR659029 1 0.0000 0.996 1.000 0.000
#> ERR659125 1 0.0000 0.996 1.000 0.000
#> ERR659030 1 0.0000 0.996 1.000 0.000
#> ERR659126 1 0.0000 0.996 1.000 0.000
#> ERR659031 1 0.0000 0.996 1.000 0.000
#> ERR659127 1 0.0000 0.996 1.000 0.000
#> ERR659032 1 0.0000 0.996 1.000 0.000
#> ERR659128 1 0.0000 0.996 1.000 0.000
#> ERR659033 1 0.0000 0.996 1.000 0.000
#> ERR659129 1 0.0000 0.996 1.000 0.000
#> ERR659034 2 0.1843 0.998 0.028 0.972
#> ERR659130 2 0.1843 0.998 0.028 0.972
#> ERR659035 1 0.0000 0.996 1.000 0.000
#> ERR659131 1 0.0000 0.996 1.000 0.000
#> ERR659036 1 0.0000 0.996 1.000 0.000
#> ERR659132 1 0.0000 0.996 1.000 0.000
#> ERR659037 1 0.0000 0.996 1.000 0.000
#> ERR659133 1 0.0000 0.996 1.000 0.000
#> ERR659038 1 0.0000 0.996 1.000 0.000
#> ERR659134 1 0.0000 0.996 1.000 0.000
#> ERR659039 1 0.0000 0.996 1.000 0.000
#> ERR659135 1 0.0000 0.996 1.000 0.000
#> ERR659040 1 0.0000 0.996 1.000 0.000
#> ERR659136 1 0.0000 0.996 1.000 0.000
#> ERR659041 1 0.0376 0.993 0.996 0.004
#> ERR659137 1 0.0376 0.993 0.996 0.004
#> ERR659042 1 0.0000 0.996 1.000 0.000
#> ERR659138 1 0.0000 0.996 1.000 0.000
#> ERR659043 1 0.0000 0.996 1.000 0.000
#> ERR659139 1 0.0000 0.996 1.000 0.000
#> ERR659044 2 0.1843 0.998 0.028 0.972
#> ERR659140 2 0.1843 0.998 0.028 0.972
#> ERR659045 1 0.0000 0.996 1.000 0.000
#> ERR659141 1 0.0000 0.996 1.000 0.000
#> ERR659046 1 0.0000 0.996 1.000 0.000
#> ERR659142 1 0.0000 0.996 1.000 0.000
#> ERR659047 1 0.0000 0.996 1.000 0.000
#> ERR659143 1 0.0000 0.996 1.000 0.000
#> ERR659048 1 0.0000 0.996 1.000 0.000
#> ERR659144 1 0.0000 0.996 1.000 0.000
#> ERR659049 1 0.0000 0.996 1.000 0.000
#> ERR659145 1 0.0000 0.996 1.000 0.000
#> ERR659050 1 0.0000 0.996 1.000 0.000
#> ERR659146 1 0.0000 0.996 1.000 0.000
#> ERR659051 1 0.8386 0.621 0.732 0.268
#> ERR659147 1 0.8386 0.621 0.732 0.268
#> ERR659052 1 0.0000 0.996 1.000 0.000
#> ERR659148 1 0.0000 0.996 1.000 0.000
#> ERR659053 1 0.0000 0.996 1.000 0.000
#> ERR659149 1 0.0000 0.996 1.000 0.000
#> ERR659054 2 0.1843 0.998 0.028 0.972
#> ERR659150 2 0.1843 0.998 0.028 0.972
#> ERR659055 1 0.0000 0.996 1.000 0.000
#> ERR659151 1 0.0000 0.996 1.000 0.000
#> ERR659056 1 0.0000 0.996 1.000 0.000
#> ERR659152 1 0.0000 0.996 1.000 0.000
#> ERR659057 1 0.0000 0.996 1.000 0.000
#> ERR659153 1 0.0000 0.996 1.000 0.000
#> ERR659058 1 0.0000 0.996 1.000 0.000
#> ERR659154 1 0.0000 0.996 1.000 0.000
#> ERR659059 1 0.0000 0.996 1.000 0.000
#> ERR659155 1 0.0000 0.996 1.000 0.000
#> ERR659060 1 0.0000 0.996 1.000 0.000
#> ERR659156 1 0.0000 0.996 1.000 0.000
#> ERR659061 1 0.0000 0.996 1.000 0.000
#> ERR659157 1 0.0000 0.996 1.000 0.000
#> ERR659062 1 0.0000 0.996 1.000 0.000
#> ERR659158 1 0.0000 0.996 1.000 0.000
#> ERR659063 1 0.0000 0.996 1.000 0.000
#> ERR659159 1 0.0000 0.996 1.000 0.000
#> ERR659064 1 0.0000 0.996 1.000 0.000
#> ERR659160 1 0.0000 0.996 1.000 0.000
#> ERR659065 2 0.1843 0.998 0.028 0.972
#> ERR659161 2 0.1843 0.998 0.028 0.972
#> ERR659066 1 0.0376 0.993 0.996 0.004
#> ERR659162 1 0.0376 0.993 0.996 0.004
#> ERR659067 1 0.0000 0.996 1.000 0.000
#> ERR659163 1 0.0000 0.996 1.000 0.000
#> ERR659068 2 0.1843 0.998 0.028 0.972
#> ERR659164 2 0.1843 0.998 0.028 0.972
#> ERR659069 1 0.0376 0.993 0.996 0.004
#> ERR659165 1 0.0376 0.993 0.996 0.004
#> ERR659070 1 0.0000 0.996 1.000 0.000
#> ERR659166 1 0.0000 0.996 1.000 0.000
#> ERR659071 1 0.0000 0.996 1.000 0.000
#> ERR659167 1 0.0000 0.996 1.000 0.000
#> ERR659072 1 0.0000 0.996 1.000 0.000
#> ERR659168 1 0.0000 0.996 1.000 0.000
#> ERR659073 1 0.0000 0.996 1.000 0.000
#> ERR659169 1 0.0000 0.996 1.000 0.000
#> ERR659074 2 0.1843 0.998 0.028 0.972
#> ERR659170 2 0.1843 0.998 0.028 0.972
#> ERR659075 2 0.3114 0.971 0.056 0.944
#> ERR659171 2 0.3114 0.971 0.056 0.944
#> ERR659076 2 0.1843 0.998 0.028 0.972
#> ERR659172 2 0.1843 0.998 0.028 0.972
#> ERR659077 1 0.0376 0.993 0.996 0.004
#> ERR659173 1 0.0376 0.993 0.996 0.004
#> ERR659078 1 0.0000 0.996 1.000 0.000
#> ERR659174 1 0.0000 0.996 1.000 0.000
#> ERR659079 1 0.0000 0.996 1.000 0.000
#> ERR659175 1 0.0000 0.996 1.000 0.000
#> ERR659080 1 0.0000 0.996 1.000 0.000
#> ERR659176 1 0.0000 0.996 1.000 0.000
#> ERR659081 1 0.0000 0.996 1.000 0.000
#> ERR659177 1 0.0000 0.996 1.000 0.000
#> ERR659082 1 0.0376 0.993 0.996 0.004
#> ERR659178 1 0.0376 0.993 0.996 0.004
#> ERR659083 2 0.1843 0.998 0.028 0.972
#> ERR659179 2 0.1843 0.998 0.028 0.972
#> ERR659084 2 0.1843 0.998 0.028 0.972
#> ERR659180 2 0.1843 0.998 0.028 0.972
#> ERR659085 1 0.0000 0.996 1.000 0.000
#> ERR659181 1 0.0000 0.996 1.000 0.000
#> ERR659086 1 0.0000 0.996 1.000 0.000
#> ERR659182 1 0.0000 0.996 1.000 0.000
#> ERR659087 1 0.0376 0.993 0.996 0.004
#> ERR659183 1 0.0376 0.993 0.996 0.004
#> ERR659088 1 0.0000 0.996 1.000 0.000
#> ERR659184 1 0.0000 0.996 1.000 0.000
#> ERR659089 1 0.0000 0.996 1.000 0.000
#> ERR659185 1 0.0000 0.996 1.000 0.000
#> ERR659090 1 0.0000 0.996 1.000 0.000
#> ERR659186 1 0.0000 0.996 1.000 0.000
#> ERR659091 1 0.0000 0.996 1.000 0.000
#> ERR659187 1 0.0000 0.996 1.000 0.000
#> ERR659092 1 0.0000 0.996 1.000 0.000
#> ERR659188 1 0.0000 0.996 1.000 0.000
#> ERR659093 1 0.0000 0.996 1.000 0.000
#> ERR659189 1 0.0000 0.996 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.5327 0.813 0.728 0.000 0.272
#> ERR467498 1 0.5327 0.813 0.728 0.000 0.272
#> ERR658998 1 0.4235 0.892 0.824 0.000 0.176
#> ERR659094 1 0.4235 0.892 0.824 0.000 0.176
#> ERR658999 1 0.5560 0.835 0.700 0.000 0.300
#> ERR659095 1 0.5560 0.835 0.700 0.000 0.300
#> ERR659000 1 0.5138 0.834 0.748 0.000 0.252
#> ERR659096 1 0.5138 0.834 0.748 0.000 0.252
#> ERR659001 1 0.4842 0.878 0.776 0.000 0.224
#> ERR659097 1 0.4842 0.878 0.776 0.000 0.224
#> ERR659002 1 0.4504 0.895 0.804 0.000 0.196
#> ERR659098 1 0.4504 0.895 0.804 0.000 0.196
#> ERR659003 1 0.4178 0.893 0.828 0.000 0.172
#> ERR659099 1 0.4178 0.893 0.828 0.000 0.172
#> ERR659004 1 0.5785 0.826 0.668 0.000 0.332
#> ERR659100 1 0.5785 0.826 0.668 0.000 0.332
#> ERR659005 1 0.4178 0.892 0.828 0.000 0.172
#> ERR659101 1 0.4178 0.892 0.828 0.000 0.172
#> ERR659006 1 0.5621 0.825 0.692 0.000 0.308
#> ERR659102 1 0.5621 0.825 0.692 0.000 0.308
#> ERR659007 1 0.3816 0.884 0.852 0.000 0.148
#> ERR659103 1 0.3816 0.884 0.852 0.000 0.148
#> ERR659008 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659104 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659009 1 0.5098 0.873 0.752 0.000 0.248
#> ERR659105 1 0.5098 0.873 0.752 0.000 0.248
#> ERR659010 1 0.4702 0.880 0.788 0.000 0.212
#> ERR659106 1 0.4702 0.880 0.788 0.000 0.212
#> ERR659011 1 0.5678 0.832 0.684 0.000 0.316
#> ERR659107 1 0.5678 0.832 0.684 0.000 0.316
#> ERR659012 1 0.5016 0.870 0.760 0.000 0.240
#> ERR659108 1 0.5016 0.870 0.760 0.000 0.240
#> ERR659013 1 0.4504 0.865 0.804 0.000 0.196
#> ERR659109 1 0.4504 0.865 0.804 0.000 0.196
#> ERR659014 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659110 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659015 1 0.3267 0.894 0.884 0.000 0.116
#> ERR659111 1 0.3267 0.894 0.884 0.000 0.116
#> ERR659016 1 0.4974 0.835 0.764 0.000 0.236
#> ERR659112 1 0.4974 0.835 0.764 0.000 0.236
#> ERR659017 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659113 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659018 1 0.4235 0.886 0.824 0.000 0.176
#> ERR659114 1 0.4235 0.886 0.824 0.000 0.176
#> ERR659019 1 0.5465 0.837 0.712 0.000 0.288
#> ERR659115 1 0.5465 0.837 0.712 0.000 0.288
#> ERR659020 1 0.4750 0.879 0.784 0.000 0.216
#> ERR659116 1 0.4750 0.879 0.784 0.000 0.216
#> ERR659021 1 0.3551 0.897 0.868 0.000 0.132
#> ERR659117 1 0.3551 0.897 0.868 0.000 0.132
#> ERR659022 1 0.4399 0.896 0.812 0.000 0.188
#> ERR659118 1 0.4399 0.896 0.812 0.000 0.188
#> ERR659023 1 0.3619 0.888 0.864 0.000 0.136
#> ERR659119 1 0.3619 0.888 0.864 0.000 0.136
#> ERR659024 1 0.3192 0.891 0.888 0.000 0.112
#> ERR659120 1 0.3192 0.891 0.888 0.000 0.112
#> ERR659025 1 0.4291 0.881 0.820 0.000 0.180
#> ERR659121 1 0.4291 0.881 0.820 0.000 0.180
#> ERR659026 1 0.4931 0.876 0.768 0.000 0.232
#> ERR659122 1 0.4931 0.876 0.768 0.000 0.232
#> ERR659027 1 0.4452 0.880 0.808 0.000 0.192
#> ERR659123 1 0.4452 0.880 0.808 0.000 0.192
#> ERR659028 1 0.3412 0.889 0.876 0.000 0.124
#> ERR659124 1 0.3412 0.889 0.876 0.000 0.124
#> ERR659029 1 0.3267 0.893 0.884 0.000 0.116
#> ERR659125 1 0.3267 0.893 0.884 0.000 0.116
#> ERR659030 1 0.4842 0.879 0.776 0.000 0.224
#> ERR659126 1 0.4842 0.879 0.776 0.000 0.224
#> ERR659031 1 0.3686 0.889 0.860 0.000 0.140
#> ERR659127 1 0.3686 0.889 0.860 0.000 0.140
#> ERR659032 1 0.3619 0.891 0.864 0.000 0.136
#> ERR659128 1 0.3619 0.891 0.864 0.000 0.136
#> ERR659033 1 0.4842 0.890 0.776 0.000 0.224
#> ERR659129 1 0.4842 0.890 0.776 0.000 0.224
#> ERR659034 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659130 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659035 1 0.3192 0.892 0.888 0.000 0.112
#> ERR659131 1 0.3192 0.892 0.888 0.000 0.112
#> ERR659036 1 0.4062 0.891 0.836 0.000 0.164
#> ERR659132 1 0.4062 0.891 0.836 0.000 0.164
#> ERR659037 1 0.4002 0.896 0.840 0.000 0.160
#> ERR659133 1 0.4002 0.896 0.840 0.000 0.160
#> ERR659038 1 0.5178 0.857 0.744 0.000 0.256
#> ERR659134 1 0.5178 0.857 0.744 0.000 0.256
#> ERR659039 1 0.5560 0.848 0.700 0.000 0.300
#> ERR659135 1 0.5560 0.848 0.700 0.000 0.300
#> ERR659040 1 0.4235 0.871 0.824 0.000 0.176
#> ERR659136 1 0.4235 0.871 0.824 0.000 0.176
#> ERR659041 1 0.5363 0.834 0.724 0.000 0.276
#> ERR659137 1 0.5363 0.834 0.724 0.000 0.276
#> ERR659042 1 0.4842 0.844 0.776 0.000 0.224
#> ERR659138 1 0.4842 0.844 0.776 0.000 0.224
#> ERR659043 1 0.3752 0.886 0.856 0.000 0.144
#> ERR659139 1 0.3752 0.886 0.856 0.000 0.144
#> ERR659044 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659140 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659045 1 0.4605 0.880 0.796 0.000 0.204
#> ERR659141 1 0.4605 0.880 0.796 0.000 0.204
#> ERR659046 1 0.3412 0.895 0.876 0.000 0.124
#> ERR659142 1 0.3412 0.895 0.876 0.000 0.124
#> ERR659047 1 0.4062 0.896 0.836 0.000 0.164
#> ERR659143 1 0.4062 0.896 0.836 0.000 0.164
#> ERR659048 1 0.3267 0.891 0.884 0.000 0.116
#> ERR659144 1 0.3267 0.891 0.884 0.000 0.116
#> ERR659049 1 0.4555 0.884 0.800 0.000 0.200
#> ERR659145 1 0.4555 0.884 0.800 0.000 0.200
#> ERR659050 1 0.3816 0.890 0.852 0.000 0.148
#> ERR659146 1 0.3816 0.890 0.852 0.000 0.148
#> ERR659051 1 0.9410 0.468 0.504 0.220 0.276
#> ERR659147 1 0.9410 0.468 0.504 0.220 0.276
#> ERR659052 1 0.4654 0.884 0.792 0.000 0.208
#> ERR659148 1 0.4654 0.884 0.792 0.000 0.208
#> ERR659053 1 0.3482 0.893 0.872 0.000 0.128
#> ERR659149 1 0.3482 0.893 0.872 0.000 0.128
#> ERR659054 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659150 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659055 1 0.4931 0.870 0.768 0.000 0.232
#> ERR659151 1 0.4931 0.870 0.768 0.000 0.232
#> ERR659056 1 0.5098 0.825 0.752 0.000 0.248
#> ERR659152 1 0.5098 0.825 0.752 0.000 0.248
#> ERR659057 1 0.3551 0.896 0.868 0.000 0.132
#> ERR659153 1 0.3551 0.896 0.868 0.000 0.132
#> ERR659058 1 0.4750 0.873 0.784 0.000 0.216
#> ERR659154 1 0.4750 0.873 0.784 0.000 0.216
#> ERR659059 1 0.3412 0.895 0.876 0.000 0.124
#> ERR659155 1 0.3412 0.895 0.876 0.000 0.124
#> ERR659060 1 0.4887 0.877 0.772 0.000 0.228
#> ERR659156 1 0.4887 0.877 0.772 0.000 0.228
#> ERR659061 1 0.4291 0.894 0.820 0.000 0.180
#> ERR659157 1 0.4291 0.894 0.820 0.000 0.180
#> ERR659062 1 0.3941 0.883 0.844 0.000 0.156
#> ERR659158 1 0.3941 0.883 0.844 0.000 0.156
#> ERR659063 1 0.3551 0.897 0.868 0.000 0.132
#> ERR659159 1 0.3551 0.897 0.868 0.000 0.132
#> ERR659064 1 0.4796 0.879 0.780 0.000 0.220
#> ERR659160 1 0.4796 0.879 0.780 0.000 0.220
#> ERR659065 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659161 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659066 1 0.5621 0.844 0.692 0.000 0.308
#> ERR659162 1 0.5621 0.844 0.692 0.000 0.308
#> ERR659067 1 0.5178 0.859 0.744 0.000 0.256
#> ERR659163 1 0.5178 0.859 0.744 0.000 0.256
#> ERR659068 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659164 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659069 1 0.5529 0.853 0.704 0.000 0.296
#> ERR659165 1 0.5529 0.853 0.704 0.000 0.296
#> ERR659070 1 0.5244 0.873 0.756 0.004 0.240
#> ERR659166 1 0.5244 0.873 0.756 0.004 0.240
#> ERR659071 1 0.2959 0.891 0.900 0.000 0.100
#> ERR659167 1 0.2959 0.891 0.900 0.000 0.100
#> ERR659072 1 0.5363 0.855 0.724 0.000 0.276
#> ERR659168 1 0.5363 0.855 0.724 0.000 0.276
#> ERR659073 1 0.5098 0.879 0.752 0.000 0.248
#> ERR659169 1 0.5098 0.879 0.752 0.000 0.248
#> ERR659074 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659170 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659075 2 0.3832 0.931 0.020 0.880 0.100
#> ERR659171 2 0.3832 0.931 0.020 0.880 0.100
#> ERR659076 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659172 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659077 1 0.3941 0.898 0.844 0.000 0.156
#> ERR659173 1 0.3941 0.898 0.844 0.000 0.156
#> ERR659078 1 0.4346 0.896 0.816 0.000 0.184
#> ERR659174 1 0.4346 0.896 0.816 0.000 0.184
#> ERR659079 1 0.4002 0.888 0.840 0.000 0.160
#> ERR659175 1 0.4002 0.888 0.840 0.000 0.160
#> ERR659080 1 0.4796 0.853 0.780 0.000 0.220
#> ERR659176 1 0.4796 0.853 0.780 0.000 0.220
#> ERR659081 1 0.4555 0.882 0.800 0.000 0.200
#> ERR659177 1 0.4555 0.882 0.800 0.000 0.200
#> ERR659082 1 0.4796 0.877 0.780 0.000 0.220
#> ERR659178 1 0.4796 0.877 0.780 0.000 0.220
#> ERR659083 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659179 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659084 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659180 2 0.0237 0.995 0.004 0.996 0.000
#> ERR659085 1 0.3752 0.896 0.856 0.000 0.144
#> ERR659181 1 0.3752 0.896 0.856 0.000 0.144
#> ERR659086 1 0.4346 0.894 0.816 0.000 0.184
#> ERR659182 1 0.4346 0.894 0.816 0.000 0.184
#> ERR659087 1 0.4399 0.885 0.812 0.000 0.188
#> ERR659183 1 0.4399 0.885 0.812 0.000 0.188
#> ERR659088 1 0.4654 0.887 0.792 0.000 0.208
#> ERR659184 1 0.4654 0.887 0.792 0.000 0.208
#> ERR659089 1 0.5397 0.863 0.720 0.000 0.280
#> ERR659185 1 0.5397 0.863 0.720 0.000 0.280
#> ERR659090 1 0.4605 0.895 0.796 0.000 0.204
#> ERR659186 1 0.4605 0.895 0.796 0.000 0.204
#> ERR659091 1 0.3619 0.895 0.864 0.000 0.136
#> ERR659187 1 0.3619 0.895 0.864 0.000 0.136
#> ERR659092 1 0.3412 0.895 0.876 0.000 0.124
#> ERR659188 1 0.3412 0.895 0.876 0.000 0.124
#> ERR659093 1 0.4121 0.891 0.832 0.000 0.168
#> ERR659189 1 0.4121 0.891 0.832 0.000 0.168
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.699 0.745 0.564 0.000 NA 0.280
#> ERR467498 1 0.699 0.745 0.564 0.000 NA 0.280
#> ERR658998 1 0.573 0.837 0.704 0.000 NA 0.200
#> ERR659094 1 0.573 0.837 0.704 0.000 NA 0.200
#> ERR658999 1 0.551 0.776 0.660 0.000 NA 0.300
#> ERR659095 1 0.551 0.776 0.660 0.000 NA 0.300
#> ERR659000 1 0.728 0.719 0.536 0.000 NA 0.256
#> ERR659096 1 0.728 0.719 0.536 0.000 NA 0.256
#> ERR659001 1 0.507 0.828 0.736 0.000 NA 0.216
#> ERR659097 1 0.507 0.828 0.736 0.000 NA 0.216
#> ERR659002 1 0.556 0.846 0.720 0.000 NA 0.188
#> ERR659098 1 0.556 0.846 0.720 0.000 NA 0.188
#> ERR659003 1 0.529 0.835 0.740 0.000 NA 0.180
#> ERR659099 1 0.529 0.835 0.740 0.000 NA 0.180
#> ERR659004 1 0.708 0.743 0.536 0.000 NA 0.316
#> ERR659100 1 0.708 0.743 0.536 0.000 NA 0.316
#> ERR659005 1 0.545 0.835 0.732 0.000 NA 0.172
#> ERR659101 1 0.545 0.835 0.732 0.000 NA 0.172
#> ERR659006 1 0.712 0.722 0.524 0.000 NA 0.328
#> ERR659102 1 0.712 0.722 0.524 0.000 NA 0.328
#> ERR659007 1 0.381 0.825 0.812 0.000 NA 0.176
#> ERR659103 1 0.381 0.825 0.812 0.000 NA 0.176
#> ERR659008 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659104 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659009 1 0.645 0.787 0.616 0.000 NA 0.276
#> ERR659105 1 0.645 0.787 0.616 0.000 NA 0.276
#> ERR659010 1 0.531 0.829 0.712 0.000 NA 0.236
#> ERR659106 1 0.531 0.829 0.712 0.000 NA 0.236
#> ERR659011 1 0.640 0.748 0.576 0.000 NA 0.344
#> ERR659107 1 0.640 0.748 0.576 0.000 NA 0.344
#> ERR659012 1 0.604 0.812 0.648 0.000 NA 0.272
#> ERR659108 1 0.604 0.812 0.648 0.000 NA 0.272
#> ERR659013 1 0.635 0.777 0.632 0.000 NA 0.260
#> ERR659109 1 0.635 0.777 0.632 0.000 NA 0.260
#> ERR659014 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659110 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659015 1 0.462 0.838 0.784 0.000 NA 0.164
#> ERR659111 1 0.462 0.838 0.784 0.000 NA 0.164
#> ERR659016 1 0.659 0.787 0.628 0.000 NA 0.216
#> ERR659112 1 0.659 0.787 0.628 0.000 NA 0.216
#> ERR659017 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659113 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659018 1 0.542 0.807 0.676 0.000 NA 0.284
#> ERR659114 1 0.542 0.807 0.676 0.000 NA 0.284
#> ERR659019 1 0.597 0.768 0.624 0.000 NA 0.316
#> ERR659115 1 0.597 0.768 0.624 0.000 NA 0.316
#> ERR659020 1 0.528 0.810 0.696 0.000 NA 0.264
#> ERR659116 1 0.528 0.810 0.696 0.000 NA 0.264
#> ERR659021 1 0.507 0.836 0.736 0.000 NA 0.216
#> ERR659117 1 0.507 0.836 0.736 0.000 NA 0.216
#> ERR659022 1 0.599 0.830 0.656 0.000 NA 0.264
#> ERR659118 1 0.599 0.830 0.656 0.000 NA 0.264
#> ERR659023 1 0.595 0.823 0.688 0.000 NA 0.200
#> ERR659119 1 0.595 0.823 0.688 0.000 NA 0.200
#> ERR659024 1 0.460 0.834 0.796 0.000 NA 0.132
#> ERR659120 1 0.460 0.834 0.796 0.000 NA 0.132
#> ERR659025 1 0.594 0.818 0.672 0.000 NA 0.240
#> ERR659121 1 0.594 0.818 0.672 0.000 NA 0.240
#> ERR659026 1 0.540 0.818 0.716 0.000 NA 0.220
#> ERR659122 1 0.540 0.818 0.716 0.000 NA 0.220
#> ERR659027 1 0.632 0.809 0.660 0.000 NA 0.184
#> ERR659123 1 0.632 0.809 0.660 0.000 NA 0.184
#> ERR659028 1 0.538 0.820 0.728 0.000 NA 0.196
#> ERR659124 1 0.538 0.820 0.728 0.000 NA 0.196
#> ERR659029 1 0.536 0.826 0.728 0.000 NA 0.200
#> ERR659125 1 0.536 0.826 0.728 0.000 NA 0.200
#> ERR659030 1 0.526 0.818 0.700 0.000 NA 0.260
#> ERR659126 1 0.526 0.818 0.700 0.000 NA 0.260
#> ERR659031 1 0.625 0.815 0.660 0.000 NA 0.212
#> ERR659127 1 0.625 0.815 0.660 0.000 NA 0.212
#> ERR659032 1 0.573 0.832 0.712 0.000 NA 0.172
#> ERR659128 1 0.573 0.832 0.712 0.000 NA 0.172
#> ERR659033 1 0.518 0.835 0.732 0.000 NA 0.212
#> ERR659129 1 0.518 0.835 0.732 0.000 NA 0.212
#> ERR659034 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659130 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659035 1 0.489 0.836 0.768 0.000 NA 0.168
#> ERR659131 1 0.489 0.836 0.768 0.000 NA 0.168
#> ERR659036 1 0.556 0.837 0.708 0.000 NA 0.216
#> ERR659132 1 0.556 0.837 0.708 0.000 NA 0.216
#> ERR659037 1 0.476 0.840 0.780 0.000 NA 0.156
#> ERR659133 1 0.476 0.840 0.780 0.000 NA 0.156
#> ERR659038 1 0.599 0.775 0.620 0.000 NA 0.320
#> ERR659134 1 0.599 0.775 0.620 0.000 NA 0.320
#> ERR659039 1 0.554 0.779 0.644 0.000 NA 0.320
#> ERR659135 1 0.554 0.779 0.644 0.000 NA 0.320
#> ERR659040 1 0.580 0.805 0.704 0.000 NA 0.184
#> ERR659136 1 0.580 0.805 0.704 0.000 NA 0.184
#> ERR659041 1 0.674 0.778 0.600 0.000 NA 0.256
#> ERR659137 1 0.674 0.778 0.600 0.000 NA 0.256
#> ERR659042 1 0.697 0.751 0.576 0.000 NA 0.256
#> ERR659138 1 0.697 0.751 0.576 0.000 NA 0.256
#> ERR659043 1 0.560 0.812 0.700 0.000 NA 0.228
#> ERR659139 1 0.560 0.812 0.700 0.000 NA 0.228
#> ERR659044 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659140 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659045 1 0.510 0.831 0.748 0.000 NA 0.188
#> ERR659141 1 0.510 0.831 0.748 0.000 NA 0.188
#> ERR659046 1 0.485 0.838 0.772 0.000 NA 0.164
#> ERR659142 1 0.485 0.838 0.772 0.000 NA 0.164
#> ERR659047 1 0.462 0.844 0.784 0.000 NA 0.164
#> ERR659143 1 0.462 0.844 0.784 0.000 NA 0.164
#> ERR659048 1 0.528 0.834 0.736 0.000 NA 0.192
#> ERR659144 1 0.528 0.834 0.736 0.000 NA 0.192
#> ERR659049 1 0.613 0.832 0.660 0.000 NA 0.236
#> ERR659145 1 0.613 0.832 0.660 0.000 NA 0.236
#> ERR659050 1 0.553 0.825 0.720 0.000 NA 0.192
#> ERR659146 1 0.553 0.825 0.720 0.000 NA 0.192
#> ERR659051 1 0.964 0.452 0.388 0.176 NA 0.224
#> ERR659147 1 0.964 0.452 0.388 0.176 NA 0.224
#> ERR659052 1 0.625 0.806 0.640 0.000 NA 0.260
#> ERR659148 1 0.625 0.806 0.640 0.000 NA 0.260
#> ERR659053 1 0.484 0.841 0.764 0.000 NA 0.184
#> ERR659149 1 0.484 0.841 0.764 0.000 NA 0.184
#> ERR659054 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659150 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659055 1 0.464 0.813 0.756 0.000 NA 0.216
#> ERR659151 1 0.464 0.813 0.756 0.000 NA 0.216
#> ERR659056 1 0.708 0.732 0.564 0.000 NA 0.252
#> ERR659152 1 0.708 0.732 0.564 0.000 NA 0.252
#> ERR659057 1 0.446 0.846 0.804 0.000 NA 0.132
#> ERR659153 1 0.446 0.846 0.804 0.000 NA 0.132
#> ERR659058 1 0.502 0.813 0.724 0.000 NA 0.240
#> ERR659154 1 0.502 0.813 0.724 0.000 NA 0.240
#> ERR659059 1 0.432 0.842 0.816 0.000 NA 0.116
#> ERR659155 1 0.432 0.842 0.816 0.000 NA 0.116
#> ERR659060 1 0.617 0.816 0.668 0.000 NA 0.208
#> ERR659156 1 0.617 0.816 0.668 0.000 NA 0.208
#> ERR659061 1 0.570 0.838 0.692 0.000 NA 0.232
#> ERR659157 1 0.570 0.838 0.692 0.000 NA 0.232
#> ERR659062 1 0.619 0.815 0.656 0.000 NA 0.236
#> ERR659158 1 0.619 0.815 0.656 0.000 NA 0.236
#> ERR659063 1 0.488 0.836 0.752 0.000 NA 0.204
#> ERR659159 1 0.488 0.836 0.752 0.000 NA 0.204
#> ERR659064 1 0.544 0.808 0.688 0.000 NA 0.264
#> ERR659160 1 0.544 0.808 0.688 0.000 NA 0.264
#> ERR659065 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659161 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659066 1 0.561 0.805 0.684 0.000 NA 0.256
#> ERR659162 1 0.561 0.805 0.684 0.000 NA 0.256
#> ERR659067 1 0.543 0.801 0.708 0.000 NA 0.232
#> ERR659163 1 0.543 0.801 0.708 0.000 NA 0.232
#> ERR659068 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659164 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659069 1 0.586 0.786 0.644 0.000 NA 0.296
#> ERR659165 1 0.586 0.786 0.644 0.000 NA 0.296
#> ERR659070 1 0.611 0.804 0.656 0.000 NA 0.248
#> ERR659166 1 0.611 0.804 0.656 0.000 NA 0.248
#> ERR659071 1 0.415 0.842 0.820 0.000 NA 0.132
#> ERR659167 1 0.415 0.842 0.820 0.000 NA 0.132
#> ERR659072 1 0.564 0.808 0.680 0.000 NA 0.260
#> ERR659168 1 0.564 0.808 0.680 0.000 NA 0.260
#> ERR659073 1 0.617 0.822 0.648 0.000 NA 0.256
#> ERR659169 1 0.617 0.822 0.648 0.000 NA 0.256
#> ERR659074 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659170 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659075 2 0.521 0.846 0.032 0.784 NA 0.052
#> ERR659171 2 0.521 0.846 0.032 0.784 NA 0.052
#> ERR659076 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659172 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659077 1 0.555 0.840 0.716 0.000 NA 0.200
#> ERR659173 1 0.555 0.840 0.716 0.000 NA 0.200
#> ERR659078 1 0.546 0.839 0.728 0.000 NA 0.184
#> ERR659174 1 0.546 0.839 0.728 0.000 NA 0.184
#> ERR659079 1 0.556 0.821 0.696 0.000 NA 0.240
#> ERR659175 1 0.556 0.821 0.696 0.000 NA 0.240
#> ERR659080 1 0.664 0.781 0.616 0.000 NA 0.240
#> ERR659176 1 0.664 0.781 0.616 0.000 NA 0.240
#> ERR659081 1 0.490 0.818 0.744 0.000 NA 0.216
#> ERR659177 1 0.490 0.818 0.744 0.000 NA 0.216
#> ERR659082 1 0.526 0.801 0.692 0.000 NA 0.272
#> ERR659178 1 0.526 0.801 0.692 0.000 NA 0.272
#> ERR659083 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659179 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659084 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659180 2 0.000 0.988 0.000 1.000 NA 0.000
#> ERR659085 1 0.529 0.837 0.732 0.000 NA 0.200
#> ERR659181 1 0.529 0.837 0.732 0.000 NA 0.200
#> ERR659086 1 0.515 0.840 0.740 0.000 NA 0.200
#> ERR659182 1 0.515 0.840 0.740 0.000 NA 0.200
#> ERR659087 1 0.560 0.828 0.696 0.000 NA 0.236
#> ERR659183 1 0.560 0.828 0.696 0.000 NA 0.236
#> ERR659088 1 0.550 0.839 0.728 0.000 NA 0.176
#> ERR659184 1 0.550 0.839 0.728 0.000 NA 0.176
#> ERR659089 1 0.633 0.816 0.652 0.000 NA 0.216
#> ERR659185 1 0.633 0.816 0.652 0.000 NA 0.216
#> ERR659090 1 0.485 0.846 0.772 0.000 NA 0.164
#> ERR659186 1 0.485 0.846 0.772 0.000 NA 0.164
#> ERR659091 1 0.400 0.836 0.812 0.000 NA 0.164
#> ERR659187 1 0.400 0.836 0.812 0.000 NA 0.164
#> ERR659092 1 0.459 0.841 0.784 0.000 NA 0.168
#> ERR659188 1 0.459 0.841 0.784 0.000 NA 0.168
#> ERR659093 1 0.464 0.829 0.756 0.000 NA 0.216
#> ERR659189 1 0.464 0.829 0.756 0.000 NA 0.216
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 4 0.6417 0.4739 0.416 0.000 NA 0.476 0.048
#> ERR467498 4 0.6417 0.4739 0.416 0.000 NA 0.476 0.048
#> ERR658998 1 0.6718 0.3510 0.580 0.000 NA 0.236 0.056
#> ERR659094 1 0.6718 0.3510 0.580 0.000 NA 0.236 0.056
#> ERR658999 1 0.5296 0.4433 0.600 0.000 NA 0.028 0.020
#> ERR659095 1 0.5296 0.4433 0.600 0.000 NA 0.028 0.020
#> ERR659000 4 0.6325 0.4568 0.440 0.000 NA 0.460 0.052
#> ERR659096 4 0.6325 0.4568 0.440 0.000 NA 0.460 0.052
#> ERR659001 1 0.5456 0.5227 0.712 0.000 NA 0.100 0.036
#> ERR659097 1 0.5456 0.5227 0.712 0.000 NA 0.100 0.036
#> ERR659002 1 0.6692 0.3062 0.588 0.000 NA 0.228 0.060
#> ERR659098 1 0.6692 0.3062 0.588 0.000 NA 0.228 0.060
#> ERR659003 1 0.5516 0.5001 0.712 0.000 NA 0.132 0.040
#> ERR659099 1 0.5516 0.5001 0.712 0.000 NA 0.132 0.040
#> ERR659004 1 0.7360 0.1820 0.436 0.000 NA 0.152 0.060
#> ERR659100 1 0.7360 0.1820 0.436 0.000 NA 0.152 0.060
#> ERR659005 1 0.5759 0.4701 0.680 0.000 NA 0.192 0.048
#> ERR659101 1 0.5759 0.4701 0.680 0.000 NA 0.192 0.048
#> ERR659006 1 0.7069 0.3215 0.488 0.000 NA 0.112 0.064
#> ERR659102 1 0.7069 0.3215 0.488 0.000 NA 0.112 0.064
#> ERR659007 1 0.4028 0.5285 0.816 0.000 NA 0.084 0.016
#> ERR659103 1 0.4028 0.5285 0.816 0.000 NA 0.084 0.016
#> ERR659008 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659104 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659009 1 0.7350 0.1876 0.468 0.000 NA 0.208 0.048
#> ERR659105 1 0.7350 0.1876 0.468 0.000 NA 0.208 0.048
#> ERR659010 1 0.6418 0.4142 0.572 0.000 NA 0.152 0.020
#> ERR659106 1 0.6418 0.4142 0.572 0.000 NA 0.152 0.020
#> ERR659011 1 0.6157 0.4106 0.560 0.000 NA 0.052 0.048
#> ERR659107 1 0.6157 0.4106 0.560 0.000 NA 0.052 0.048
#> ERR659012 1 0.7138 0.2411 0.476 0.000 NA 0.212 0.032
#> ERR659108 1 0.7138 0.2411 0.476 0.000 NA 0.212 0.032
#> ERR659013 1 0.6805 -0.2565 0.472 0.000 NA 0.384 0.052
#> ERR659109 1 0.6805 -0.2565 0.472 0.000 NA 0.384 0.052
#> ERR659014 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659110 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659015 1 0.5041 0.4770 0.736 0.000 NA 0.168 0.032
#> ERR659111 1 0.5041 0.4770 0.736 0.000 NA 0.168 0.032
#> ERR659016 1 0.6081 -0.2195 0.492 0.000 NA 0.420 0.064
#> ERR659112 1 0.6081 -0.2195 0.492 0.000 NA 0.420 0.064
#> ERR659017 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659113 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659018 1 0.4249 0.5396 0.800 0.000 NA 0.056 0.024
#> ERR659114 1 0.4249 0.5396 0.800 0.000 NA 0.056 0.024
#> ERR659019 1 0.5300 0.4647 0.632 0.000 NA 0.024 0.032
#> ERR659115 1 0.5300 0.4647 0.632 0.000 NA 0.024 0.032
#> ERR659020 1 0.4930 0.5325 0.740 0.000 NA 0.076 0.020
#> ERR659116 1 0.4930 0.5325 0.740 0.000 NA 0.076 0.020
#> ERR659021 1 0.4996 0.5016 0.748 0.000 NA 0.132 0.028
#> ERR659117 1 0.4996 0.5016 0.748 0.000 NA 0.132 0.028
#> ERR659022 1 0.6309 0.3884 0.612 0.000 NA 0.244 0.048
#> ERR659118 1 0.6309 0.3884 0.612 0.000 NA 0.244 0.048
#> ERR659023 1 0.5276 0.3128 0.624 0.000 NA 0.324 0.024
#> ERR659119 1 0.5276 0.3128 0.624 0.000 NA 0.324 0.024
#> ERR659024 1 0.6306 0.2651 0.576 0.000 NA 0.304 0.048
#> ERR659120 1 0.6306 0.2651 0.576 0.000 NA 0.304 0.048
#> ERR659025 1 0.6556 0.1572 0.564 0.000 NA 0.296 0.064
#> ERR659121 1 0.6556 0.1572 0.564 0.000 NA 0.296 0.064
#> ERR659026 1 0.5959 0.5085 0.668 0.000 NA 0.088 0.056
#> ERR659122 1 0.5959 0.5085 0.668 0.000 NA 0.088 0.056
#> ERR659027 1 0.5872 0.2484 0.620 0.000 NA 0.284 0.044
#> ERR659123 1 0.5872 0.2484 0.620 0.000 NA 0.284 0.044
#> ERR659028 1 0.5652 0.2839 0.616 0.000 NA 0.308 0.036
#> ERR659124 1 0.5652 0.2839 0.616 0.000 NA 0.308 0.036
#> ERR659029 1 0.5486 0.3766 0.648 0.000 NA 0.268 0.016
#> ERR659125 1 0.5486 0.3766 0.648 0.000 NA 0.268 0.016
#> ERR659030 1 0.4954 0.5250 0.756 0.000 NA 0.104 0.032
#> ERR659126 1 0.4954 0.5250 0.756 0.000 NA 0.104 0.032
#> ERR659031 1 0.6534 0.1088 0.548 0.000 NA 0.304 0.032
#> ERR659127 1 0.6534 0.1088 0.548 0.000 NA 0.304 0.032
#> ERR659032 1 0.5302 0.4009 0.688 0.000 NA 0.232 0.036
#> ERR659128 1 0.5302 0.4009 0.688 0.000 NA 0.232 0.036
#> ERR659033 1 0.6022 0.5085 0.676 0.000 NA 0.104 0.068
#> ERR659129 1 0.6022 0.5085 0.676 0.000 NA 0.104 0.068
#> ERR659034 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659130 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659035 1 0.5444 0.3445 0.648 0.000 NA 0.276 0.020
#> ERR659131 1 0.5444 0.3445 0.648 0.000 NA 0.276 0.020
#> ERR659036 1 0.6067 0.4337 0.660 0.000 NA 0.192 0.072
#> ERR659132 1 0.6067 0.4337 0.660 0.000 NA 0.192 0.072
#> ERR659037 1 0.5737 0.4749 0.688 0.000 NA 0.132 0.036
#> ERR659133 1 0.5737 0.4749 0.688 0.000 NA 0.132 0.036
#> ERR659038 1 0.5343 0.4424 0.592 0.000 NA 0.068 0.000
#> ERR659134 1 0.5343 0.4424 0.592 0.000 NA 0.068 0.000
#> ERR659039 1 0.5840 0.4424 0.584 0.000 NA 0.084 0.012
#> ERR659135 1 0.5840 0.4424 0.584 0.000 NA 0.084 0.012
#> ERR659040 1 0.5909 -0.0664 0.524 0.000 NA 0.400 0.028
#> ERR659136 1 0.5909 -0.0664 0.524 0.000 NA 0.400 0.028
#> ERR659041 1 0.7673 -0.3613 0.412 0.000 NA 0.348 0.092
#> ERR659137 1 0.7673 -0.3613 0.412 0.000 NA 0.348 0.092
#> ERR659042 1 0.6184 -0.3185 0.472 0.000 NA 0.436 0.060
#> ERR659138 1 0.6184 -0.3185 0.472 0.000 NA 0.436 0.060
#> ERR659043 1 0.6441 -0.0878 0.524 0.000 NA 0.360 0.056
#> ERR659139 1 0.6441 -0.0878 0.524 0.000 NA 0.360 0.056
#> ERR659044 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659140 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659045 1 0.5546 0.5143 0.680 0.000 NA 0.100 0.020
#> ERR659141 1 0.5546 0.5143 0.680 0.000 NA 0.100 0.020
#> ERR659046 1 0.5139 0.4140 0.688 0.000 NA 0.236 0.012
#> ERR659142 1 0.5139 0.4140 0.688 0.000 NA 0.236 0.012
#> ERR659047 1 0.5065 0.5387 0.744 0.000 NA 0.112 0.028
#> ERR659143 1 0.5065 0.5387 0.744 0.000 NA 0.112 0.028
#> ERR659048 1 0.5546 0.3422 0.644 0.000 NA 0.276 0.052
#> ERR659144 1 0.5546 0.3422 0.644 0.000 NA 0.276 0.052
#> ERR659049 1 0.6438 0.3387 0.608 0.000 NA 0.220 0.044
#> ERR659145 1 0.6438 0.3387 0.608 0.000 NA 0.220 0.044
#> ERR659050 1 0.5695 0.3254 0.636 0.000 NA 0.276 0.036
#> ERR659146 1 0.5695 0.3254 0.636 0.000 NA 0.276 0.036
#> ERR659051 4 0.8431 0.4388 0.188 0.184 NA 0.448 0.160
#> ERR659147 4 0.8431 0.4388 0.188 0.184 NA 0.448 0.160
#> ERR659052 1 0.7291 0.1017 0.496 0.000 NA 0.272 0.060
#> ERR659148 1 0.7291 0.1017 0.496 0.000 NA 0.272 0.060
#> ERR659053 1 0.4722 0.4904 0.764 0.000 NA 0.148 0.032
#> ERR659149 1 0.4722 0.4904 0.764 0.000 NA 0.148 0.032
#> ERR659054 2 0.0162 0.9796 0.000 0.996 NA 0.000 0.000
#> ERR659150 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659055 1 0.4676 0.5184 0.728 0.000 NA 0.032 0.020
#> ERR659151 1 0.4676 0.5184 0.728 0.000 NA 0.032 0.020
#> ERR659056 4 0.5927 0.5090 0.412 0.000 NA 0.512 0.048
#> ERR659152 4 0.5927 0.5090 0.412 0.000 NA 0.512 0.048
#> ERR659057 1 0.5036 0.5000 0.732 0.000 NA 0.180 0.036
#> ERR659153 1 0.5036 0.5000 0.732 0.000 NA 0.180 0.036
#> ERR659058 1 0.5607 0.4899 0.640 0.000 NA 0.056 0.028
#> ERR659154 1 0.5607 0.4899 0.640 0.000 NA 0.056 0.028
#> ERR659059 1 0.4729 0.4823 0.752 0.000 NA 0.168 0.020
#> ERR659155 1 0.4729 0.4823 0.752 0.000 NA 0.168 0.020
#> ERR659060 1 0.6487 0.3800 0.620 0.000 NA 0.200 0.064
#> ERR659156 1 0.6487 0.3800 0.620 0.000 NA 0.200 0.064
#> ERR659061 1 0.6171 0.3882 0.652 0.000 NA 0.192 0.072
#> ERR659157 1 0.6171 0.3882 0.652 0.000 NA 0.192 0.072
#> ERR659062 1 0.6147 0.2013 0.568 0.000 NA 0.320 0.024
#> ERR659158 1 0.6147 0.2013 0.568 0.000 NA 0.320 0.024
#> ERR659063 1 0.5667 0.2999 0.636 0.000 NA 0.276 0.028
#> ERR659159 1 0.5667 0.2999 0.636 0.000 NA 0.276 0.028
#> ERR659064 1 0.5691 0.5099 0.704 0.000 NA 0.088 0.064
#> ERR659160 1 0.5691 0.5099 0.704 0.000 NA 0.088 0.064
#> ERR659065 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659161 2 0.0162 0.9796 0.000 0.996 NA 0.000 0.000
#> ERR659066 1 0.5781 0.4746 0.628 0.000 NA 0.068 0.028
#> ERR659162 1 0.5781 0.4746 0.628 0.000 NA 0.068 0.028
#> ERR659067 1 0.5987 0.4694 0.600 0.000 NA 0.084 0.024
#> ERR659163 1 0.5987 0.4694 0.600 0.000 NA 0.084 0.024
#> ERR659068 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659164 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659069 1 0.6063 0.4290 0.556 0.000 NA 0.100 0.012
#> ERR659165 1 0.6063 0.4290 0.556 0.000 NA 0.100 0.012
#> ERR659070 1 0.6446 0.4391 0.644 0.000 NA 0.128 0.136
#> ERR659166 1 0.6446 0.4391 0.644 0.000 NA 0.128 0.136
#> ERR659071 1 0.5744 0.4168 0.636 0.000 NA 0.272 0.040
#> ERR659167 1 0.5744 0.4168 0.636 0.000 NA 0.272 0.040
#> ERR659072 1 0.6163 0.4545 0.608 0.000 NA 0.108 0.028
#> ERR659168 1 0.6163 0.4545 0.608 0.000 NA 0.108 0.028
#> ERR659073 1 0.6981 0.3505 0.560 0.000 NA 0.204 0.060
#> ERR659169 1 0.6981 0.3505 0.560 0.000 NA 0.204 0.060
#> ERR659074 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659170 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659075 2 0.5608 0.7383 0.012 0.712 NA 0.148 0.104
#> ERR659171 2 0.5608 0.7383 0.012 0.712 NA 0.148 0.104
#> ERR659076 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659172 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659077 1 0.6107 0.3809 0.628 0.000 NA 0.240 0.040
#> ERR659173 1 0.6107 0.3809 0.628 0.000 NA 0.240 0.040
#> ERR659078 1 0.6070 0.4416 0.648 0.000 NA 0.200 0.040
#> ERR659174 1 0.6070 0.4416 0.648 0.000 NA 0.200 0.040
#> ERR659079 1 0.6256 0.2548 0.588 0.000 NA 0.292 0.048
#> ERR659175 1 0.6256 0.2548 0.588 0.000 NA 0.292 0.048
#> ERR659080 1 0.6283 -0.2204 0.524 0.000 NA 0.372 0.064
#> ERR659176 1 0.6283 -0.2204 0.524 0.000 NA 0.372 0.064
#> ERR659081 1 0.5304 0.5196 0.724 0.000 NA 0.088 0.036
#> ERR659177 1 0.5304 0.5196 0.724 0.000 NA 0.088 0.036
#> ERR659082 1 0.5709 0.5158 0.700 0.000 NA 0.096 0.056
#> ERR659178 1 0.5709 0.5158 0.700 0.000 NA 0.096 0.056
#> ERR659083 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659179 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659084 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659180 2 0.0000 0.9817 0.000 1.000 NA 0.000 0.000
#> ERR659085 1 0.5357 0.5230 0.724 0.000 NA 0.116 0.036
#> ERR659181 1 0.5357 0.5230 0.724 0.000 NA 0.116 0.036
#> ERR659086 1 0.5371 0.4988 0.716 0.000 NA 0.140 0.028
#> ERR659182 1 0.5371 0.4988 0.716 0.000 NA 0.140 0.028
#> ERR659087 1 0.6880 0.3199 0.556 0.000 NA 0.192 0.044
#> ERR659183 1 0.6880 0.3199 0.556 0.000 NA 0.192 0.044
#> ERR659088 1 0.6532 0.4055 0.624 0.000 NA 0.180 0.072
#> ERR659184 1 0.6532 0.4055 0.624 0.000 NA 0.180 0.072
#> ERR659089 1 0.7295 0.3969 0.552 0.000 NA 0.164 0.116
#> ERR659185 1 0.7295 0.3969 0.552 0.000 NA 0.164 0.116
#> ERR659090 1 0.5401 0.5050 0.708 0.000 NA 0.168 0.028
#> ERR659186 1 0.5401 0.5050 0.708 0.000 NA 0.168 0.028
#> ERR659091 1 0.4840 0.5365 0.752 0.000 NA 0.104 0.016
#> ERR659187 1 0.4840 0.5365 0.752 0.000 NA 0.104 0.016
#> ERR659092 1 0.6065 0.4230 0.644 0.000 NA 0.220 0.048
#> ERR659188 1 0.6065 0.4230 0.644 0.000 NA 0.220 0.048
#> ERR659093 1 0.4558 0.5257 0.784 0.000 NA 0.068 0.032
#> ERR659189 1 0.4558 0.5257 0.784 0.000 NA 0.068 0.032
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 1 0.615 -0.2621 0.484 0.000 NA 0.388 NA 0.012
#> ERR467498 1 0.615 -0.2621 0.484 0.000 NA 0.388 NA 0.012
#> ERR658998 1 0.673 0.3825 0.552 0.000 NA 0.224 NA 0.064
#> ERR659094 1 0.673 0.3825 0.552 0.000 NA 0.224 NA 0.064
#> ERR658999 1 0.571 0.4226 0.488 0.000 NA 0.016 NA 0.080
#> ERR659095 1 0.571 0.4226 0.488 0.000 NA 0.016 NA 0.080
#> ERR659000 1 0.670 -0.3170 0.420 0.000 NA 0.416 NA 0.052
#> ERR659096 1 0.670 -0.3170 0.420 0.000 NA 0.416 NA 0.052
#> ERR659001 1 0.540 0.5306 0.680 0.000 NA 0.048 NA 0.056
#> ERR659097 1 0.540 0.5306 0.680 0.000 NA 0.048 NA 0.056
#> ERR659002 1 0.656 0.4136 0.604 0.000 NA 0.172 NA 0.068
#> ERR659098 1 0.656 0.4136 0.604 0.000 NA 0.172 NA 0.068
#> ERR659003 1 0.599 0.4867 0.624 0.000 NA 0.080 NA 0.052
#> ERR659099 1 0.599 0.4867 0.624 0.000 NA 0.080 NA 0.052
#> ERR659004 1 0.774 0.1897 0.372 0.000 NA 0.176 NA 0.092
#> ERR659100 1 0.774 0.1897 0.372 0.000 NA 0.176 NA 0.092
#> ERR659005 1 0.604 0.4734 0.632 0.000 NA 0.128 NA 0.044
#> ERR659101 1 0.604 0.4734 0.632 0.000 NA 0.128 NA 0.044
#> ERR659006 1 0.738 0.2564 0.424 0.000 NA 0.080 NA 0.160
#> ERR659102 1 0.738 0.2564 0.424 0.000 NA 0.080 NA 0.160
#> ERR659007 1 0.491 0.5283 0.680 0.000 NA 0.056 NA 0.036
#> ERR659103 1 0.491 0.5283 0.680 0.000 NA 0.056 NA 0.036
#> ERR659008 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659104 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659009 1 0.734 0.2759 0.472 0.000 NA 0.180 NA 0.124
#> ERR659105 1 0.734 0.2759 0.472 0.000 NA 0.180 NA 0.124
#> ERR659010 1 0.645 0.4443 0.552 0.000 NA 0.112 NA 0.076
#> ERR659106 1 0.645 0.4443 0.552 0.000 NA 0.112 NA 0.076
#> ERR659011 1 0.656 0.3793 0.456 0.000 NA 0.032 NA 0.152
#> ERR659107 1 0.656 0.3793 0.456 0.000 NA 0.032 NA 0.152
#> ERR659012 1 0.738 0.3425 0.480 0.000 NA 0.136 NA 0.088
#> ERR659108 1 0.738 0.3425 0.480 0.000 NA 0.136 NA 0.088
#> ERR659013 1 0.655 -0.1507 0.456 0.000 NA 0.392 NA 0.068
#> ERR659109 1 0.655 -0.1507 0.456 0.000 NA 0.392 NA 0.068
#> ERR659014 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659110 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659015 1 0.596 0.4784 0.652 0.000 NA 0.156 NA 0.096
#> ERR659111 1 0.596 0.4784 0.652 0.000 NA 0.156 NA 0.096
#> ERR659016 1 0.648 -0.0404 0.516 0.000 NA 0.324 NA 0.024
#> ERR659112 1 0.648 -0.0404 0.516 0.000 NA 0.324 NA 0.024
#> ERR659017 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659113 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659018 1 0.585 0.5098 0.600 0.000 NA 0.048 NA 0.072
#> ERR659114 1 0.585 0.5098 0.600 0.000 NA 0.048 NA 0.072
#> ERR659019 1 0.545 0.4471 0.500 0.000 NA 0.016 NA 0.056
#> ERR659115 1 0.545 0.4471 0.500 0.000 NA 0.016 NA 0.056
#> ERR659020 1 0.553 0.5198 0.608 0.000 NA 0.044 NA 0.052
#> ERR659116 1 0.553 0.5198 0.608 0.000 NA 0.044 NA 0.052
#> ERR659021 1 0.529 0.5094 0.704 0.000 NA 0.092 NA 0.052
#> ERR659117 1 0.529 0.5094 0.704 0.000 NA 0.092 NA 0.052
#> ERR659022 1 0.614 0.4487 0.648 0.000 NA 0.136 NA 0.040
#> ERR659118 1 0.614 0.4487 0.648 0.000 NA 0.136 NA 0.040
#> ERR659023 1 0.526 0.3603 0.648 0.000 NA 0.260 NA 0.020
#> ERR659119 1 0.526 0.3603 0.648 0.000 NA 0.260 NA 0.020
#> ERR659024 1 0.663 0.3490 0.576 0.000 NA 0.204 NA 0.048
#> ERR659120 1 0.663 0.3490 0.576 0.000 NA 0.204 NA 0.048
#> ERR659025 1 0.683 0.2162 0.532 0.000 NA 0.260 NA 0.060
#> ERR659121 1 0.683 0.2162 0.532 0.000 NA 0.260 NA 0.060
#> ERR659026 1 0.642 0.5039 0.600 0.000 NA 0.092 NA 0.072
#> ERR659122 1 0.642 0.5039 0.600 0.000 NA 0.092 NA 0.072
#> ERR659027 1 0.622 0.1492 0.568 0.000 NA 0.272 NA 0.036
#> ERR659123 1 0.622 0.1492 0.568 0.000 NA 0.272 NA 0.036
#> ERR659028 1 0.593 0.3209 0.612 0.000 NA 0.240 NA 0.032
#> ERR659124 1 0.593 0.3209 0.612 0.000 NA 0.240 NA 0.032
#> ERR659029 1 0.607 0.3538 0.604 0.000 NA 0.232 NA 0.036
#> ERR659125 1 0.607 0.3538 0.604 0.000 NA 0.232 NA 0.036
#> ERR659030 1 0.520 0.5141 0.636 0.000 NA 0.056 NA 0.040
#> ERR659126 1 0.520 0.5141 0.636 0.000 NA 0.056 NA 0.040
#> ERR659031 1 0.611 0.3117 0.608 0.000 NA 0.240 NA 0.036
#> ERR659127 1 0.611 0.3117 0.608 0.000 NA 0.240 NA 0.036
#> ERR659032 1 0.561 0.4001 0.648 0.000 NA 0.216 NA 0.044
#> ERR659128 1 0.561 0.4001 0.648 0.000 NA 0.216 NA 0.044
#> ERR659033 1 0.677 0.4604 0.556 0.000 NA 0.112 NA 0.076
#> ERR659129 1 0.677 0.4604 0.556 0.000 NA 0.112 NA 0.076
#> ERR659034 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659130 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659035 1 0.540 0.3860 0.672 0.000 NA 0.204 NA 0.036
#> ERR659131 1 0.540 0.3860 0.672 0.000 NA 0.204 NA 0.036
#> ERR659036 1 0.659 0.3749 0.592 0.000 NA 0.188 NA 0.060
#> ERR659132 1 0.659 0.3749 0.592 0.000 NA 0.188 NA 0.060
#> ERR659037 1 0.633 0.4791 0.596 0.000 NA 0.084 NA 0.084
#> ERR659133 1 0.633 0.4791 0.596 0.000 NA 0.084 NA 0.084
#> ERR659038 1 0.585 0.4202 0.496 0.000 NA 0.036 NA 0.064
#> ERR659134 1 0.585 0.4202 0.496 0.000 NA 0.036 NA 0.064
#> ERR659039 1 0.599 0.4222 0.504 0.000 NA 0.048 NA 0.056
#> ERR659135 1 0.599 0.4222 0.504 0.000 NA 0.048 NA 0.056
#> ERR659040 1 0.614 0.1484 0.568 0.000 NA 0.288 NA 0.048
#> ERR659136 1 0.614 0.1484 0.568 0.000 NA 0.288 NA 0.048
#> ERR659041 1 0.713 -0.2371 0.448 0.000 NA 0.332 NA 0.032
#> ERR659137 1 0.713 -0.2371 0.448 0.000 NA 0.332 NA 0.032
#> ERR659042 1 0.610 -0.3164 0.472 0.000 NA 0.408 NA 0.016
#> ERR659138 1 0.610 -0.3164 0.472 0.000 NA 0.408 NA 0.016
#> ERR659043 1 0.636 0.2227 0.556 0.000 NA 0.276 NA 0.068
#> ERR659139 1 0.636 0.2227 0.556 0.000 NA 0.276 NA 0.068
#> ERR659044 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659140 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659045 1 0.508 0.5152 0.648 0.000 NA 0.040 NA 0.020
#> ERR659141 1 0.508 0.5152 0.648 0.000 NA 0.040 NA 0.020
#> ERR659046 1 0.554 0.4676 0.696 0.000 NA 0.136 NA 0.072
#> ERR659142 1 0.554 0.4676 0.696 0.000 NA 0.136 NA 0.072
#> ERR659047 1 0.554 0.5124 0.672 0.000 NA 0.100 NA 0.028
#> ERR659143 1 0.554 0.5124 0.672 0.000 NA 0.100 NA 0.028
#> ERR659048 1 0.624 0.3432 0.584 0.000 NA 0.252 NA 0.044
#> ERR659144 1 0.624 0.3432 0.584 0.000 NA 0.252 NA 0.044
#> ERR659049 1 0.660 0.3878 0.608 0.000 NA 0.164 NA 0.068
#> ERR659145 1 0.660 0.3878 0.608 0.000 NA 0.164 NA 0.068
#> ERR659050 1 0.569 0.3854 0.628 0.000 NA 0.216 NA 0.024
#> ERR659146 1 0.569 0.3854 0.628 0.000 NA 0.216 NA 0.024
#> ERR659051 4 0.729 0.6394 0.252 0.128 NA 0.452 NA 0.004
#> ERR659147 4 0.729 0.6394 0.252 0.128 NA 0.452 NA 0.004
#> ERR659052 1 0.675 0.3115 0.532 0.000 NA 0.232 NA 0.040
#> ERR659148 1 0.675 0.3115 0.532 0.000 NA 0.232 NA 0.040
#> ERR659053 1 0.552 0.4751 0.672 0.000 NA 0.132 NA 0.036
#> ERR659149 1 0.552 0.4751 0.672 0.000 NA 0.132 NA 0.036
#> ERR659054 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659150 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659055 1 0.501 0.5112 0.624 0.000 NA 0.024 NA 0.040
#> ERR659151 1 0.501 0.5112 0.624 0.000 NA 0.024 NA 0.040
#> ERR659056 4 0.640 0.5011 0.416 0.000 NA 0.444 NA 0.028
#> ERR659152 4 0.640 0.5011 0.416 0.000 NA 0.444 NA 0.028
#> ERR659057 1 0.530 0.4808 0.700 0.000 NA 0.136 NA 0.028
#> ERR659153 1 0.530 0.4808 0.700 0.000 NA 0.136 NA 0.028
#> ERR659058 1 0.620 0.4641 0.536 0.000 NA 0.060 NA 0.072
#> ERR659154 1 0.620 0.4641 0.536 0.000 NA 0.060 NA 0.072
#> ERR659059 1 0.510 0.4832 0.712 0.000 NA 0.144 NA 0.040
#> ERR659155 1 0.510 0.4832 0.712 0.000 NA 0.144 NA 0.040
#> ERR659060 1 0.684 0.3840 0.580 0.000 NA 0.152 NA 0.048
#> ERR659156 1 0.684 0.3840 0.580 0.000 NA 0.152 NA 0.048
#> ERR659061 1 0.686 0.3895 0.572 0.000 NA 0.176 NA 0.056
#> ERR659157 1 0.686 0.3895 0.572 0.000 NA 0.176 NA 0.056
#> ERR659062 1 0.565 0.3338 0.616 0.000 NA 0.264 NA 0.056
#> ERR659158 1 0.565 0.3338 0.616 0.000 NA 0.264 NA 0.056
#> ERR659063 1 0.520 0.3906 0.672 0.000 NA 0.232 NA 0.032
#> ERR659159 1 0.520 0.3906 0.672 0.000 NA 0.232 NA 0.032
#> ERR659064 1 0.639 0.4436 0.548 0.000 NA 0.052 NA 0.088
#> ERR659160 1 0.639 0.4436 0.548 0.000 NA 0.052 NA 0.088
#> ERR659065 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659161 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659066 1 0.674 0.4027 0.480 0.000 NA 0.064 NA 0.068
#> ERR659162 1 0.674 0.4027 0.480 0.000 NA 0.064 NA 0.068
#> ERR659067 1 0.573 0.4774 0.560 0.000 NA 0.028 NA 0.060
#> ERR659163 1 0.573 0.4774 0.560 0.000 NA 0.028 NA 0.060
#> ERR659068 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659164 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659069 1 0.633 0.4081 0.508 0.000 NA 0.044 NA 0.084
#> ERR659165 1 0.633 0.4081 0.508 0.000 NA 0.044 NA 0.084
#> ERR659070 1 0.650 0.4464 0.576 0.000 NA 0.088 NA 0.056
#> ERR659166 1 0.650 0.4464 0.576 0.000 NA 0.088 NA 0.056
#> ERR659071 1 0.550 0.4144 0.680 0.000 NA 0.176 NA 0.056
#> ERR659167 1 0.550 0.4144 0.680 0.000 NA 0.176 NA 0.056
#> ERR659072 1 0.574 0.4508 0.540 0.000 NA 0.032 NA 0.076
#> ERR659168 1 0.574 0.4508 0.540 0.000 NA 0.032 NA 0.076
#> ERR659073 1 0.728 0.3613 0.516 0.000 NA 0.148 NA 0.080
#> ERR659169 1 0.728 0.3613 0.516 0.000 NA 0.148 NA 0.080
#> ERR659074 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659170 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659075 2 0.509 0.6835 0.008 0.692 NA 0.144 NA 0.008
#> ERR659171 2 0.509 0.6835 0.008 0.692 NA 0.144 NA 0.008
#> ERR659076 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659172 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659077 1 0.656 0.3829 0.584 0.000 NA 0.188 NA 0.088
#> ERR659173 1 0.656 0.3829 0.584 0.000 NA 0.188 NA 0.088
#> ERR659078 1 0.642 0.4971 0.608 0.000 NA 0.140 NA 0.060
#> ERR659174 1 0.642 0.4971 0.608 0.000 NA 0.140 NA 0.060
#> ERR659079 1 0.614 0.3580 0.616 0.000 NA 0.208 NA 0.056
#> ERR659175 1 0.614 0.3580 0.616 0.000 NA 0.208 NA 0.056
#> ERR659080 1 0.609 0.0021 0.524 0.000 NA 0.352 NA 0.020
#> ERR659176 1 0.609 0.0021 0.524 0.000 NA 0.352 NA 0.020
#> ERR659081 1 0.533 0.4922 0.628 0.000 NA 0.064 NA 0.032
#> ERR659177 1 0.533 0.4922 0.628 0.000 NA 0.064 NA 0.032
#> ERR659082 1 0.607 0.5025 0.588 0.000 NA 0.056 NA 0.076
#> ERR659178 1 0.607 0.5025 0.588 0.000 NA 0.056 NA 0.076
#> ERR659083 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659179 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659084 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659180 2 0.000 0.9790 0.000 1.000 NA 0.000 NA 0.000
#> ERR659085 1 0.583 0.5277 0.652 0.000 NA 0.084 NA 0.060
#> ERR659181 1 0.583 0.5277 0.652 0.000 NA 0.084 NA 0.060
#> ERR659086 1 0.625 0.5056 0.628 0.000 NA 0.088 NA 0.088
#> ERR659182 1 0.625 0.5056 0.628 0.000 NA 0.088 NA 0.088
#> ERR659087 1 0.661 0.4055 0.572 0.000 NA 0.136 NA 0.076
#> ERR659183 1 0.661 0.4055 0.572 0.000 NA 0.136 NA 0.076
#> ERR659088 1 0.648 0.3860 0.592 0.000 NA 0.188 NA 0.060
#> ERR659184 1 0.648 0.3860 0.592 0.000 NA 0.188 NA 0.060
#> ERR659089 1 0.732 0.3642 0.500 0.000 NA 0.092 NA 0.124
#> ERR659185 1 0.732 0.3642 0.500 0.000 NA 0.092 NA 0.124
#> ERR659090 1 0.633 0.4914 0.608 0.000 NA 0.132 NA 0.068
#> ERR659186 1 0.633 0.4914 0.608 0.000 NA 0.132 NA 0.068
#> ERR659091 1 0.536 0.5246 0.668 0.000 NA 0.084 NA 0.036
#> ERR659187 1 0.536 0.5246 0.668 0.000 NA 0.084 NA 0.036
#> ERR659092 1 0.578 0.4484 0.644 0.000 NA 0.188 NA 0.060
#> ERR659188 1 0.578 0.4484 0.644 0.000 NA 0.188 NA 0.060
#> ERR659093 1 0.506 0.5242 0.700 0.000 NA 0.060 NA 0.052
#> ERR659189 1 0.506 0.5242 0.700 0.000 NA 0.060 NA 0.052
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.854 0.904 0.960 0.4155 0.579 0.579
#> 3 3 0.379 0.584 0.757 0.5543 0.695 0.508
#> 4 4 0.397 0.522 0.703 0.1446 0.835 0.576
#> 5 5 0.440 0.415 0.615 0.0728 0.924 0.722
#> 6 6 0.484 0.369 0.565 0.0448 0.921 0.667
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
#> ERR467487 2 0.0000 0.920 0.000 1.000
#> ERR467498 2 0.0000 0.920 0.000 1.000
#> ERR658998 1 0.0000 0.973 1.000 0.000
#> ERR659094 1 0.0000 0.973 1.000 0.000
#> ERR658999 1 0.0000 0.973 1.000 0.000
#> ERR659095 1 0.0000 0.973 1.000 0.000
#> ERR659000 2 0.0000 0.920 0.000 1.000
#> ERR659096 2 0.0000 0.920 0.000 1.000
#> ERR659001 1 0.0000 0.973 1.000 0.000
#> ERR659097 1 0.0000 0.973 1.000 0.000
#> ERR659002 1 0.0000 0.973 1.000 0.000
#> ERR659098 1 0.0000 0.973 1.000 0.000
#> ERR659003 1 0.0000 0.973 1.000 0.000
#> ERR659099 1 0.0000 0.973 1.000 0.000
#> ERR659004 2 0.9522 0.463 0.372 0.628
#> ERR659100 2 0.9522 0.463 0.372 0.628
#> ERR659005 1 0.0000 0.973 1.000 0.000
#> ERR659101 1 0.0000 0.973 1.000 0.000
#> ERR659006 1 0.0000 0.973 1.000 0.000
#> ERR659102 1 0.0000 0.973 1.000 0.000
#> ERR659007 1 0.0000 0.973 1.000 0.000
#> ERR659103 1 0.0000 0.973 1.000 0.000
#> ERR659008 2 0.0000 0.920 0.000 1.000
#> ERR659104 2 0.0000 0.920 0.000 1.000
#> ERR659009 1 0.0000 0.973 1.000 0.000
#> ERR659105 1 0.0000 0.973 1.000 0.000
#> ERR659010 1 0.0000 0.973 1.000 0.000
#> ERR659106 1 0.0000 0.973 1.000 0.000
#> ERR659011 1 0.0000 0.973 1.000 0.000
#> ERR659107 1 0.0000 0.973 1.000 0.000
#> ERR659012 1 0.8144 0.642 0.748 0.252
#> ERR659108 1 0.8144 0.642 0.748 0.252
#> ERR659013 2 0.2236 0.897 0.036 0.964
#> ERR659109 2 0.2236 0.897 0.036 0.964
#> ERR659014 2 0.0000 0.920 0.000 1.000
#> ERR659110 2 0.0000 0.920 0.000 1.000
#> ERR659015 1 0.0000 0.973 1.000 0.000
#> ERR659111 1 0.0000 0.973 1.000 0.000
#> ERR659016 2 0.0000 0.920 0.000 1.000
#> ERR659112 2 0.0000 0.920 0.000 1.000
#> ERR659017 2 0.0000 0.920 0.000 1.000
#> ERR659113 2 0.0000 0.920 0.000 1.000
#> ERR659018 1 0.0000 0.973 1.000 0.000
#> ERR659114 1 0.0000 0.973 1.000 0.000
#> ERR659019 1 0.0000 0.973 1.000 0.000
#> ERR659115 1 0.0000 0.973 1.000 0.000
#> ERR659020 1 0.0000 0.973 1.000 0.000
#> ERR659116 1 0.0000 0.973 1.000 0.000
#> ERR659021 1 0.0000 0.973 1.000 0.000
#> ERR659117 1 0.0000 0.973 1.000 0.000
#> ERR659022 1 0.0000 0.973 1.000 0.000
#> ERR659118 1 0.0000 0.973 1.000 0.000
#> ERR659023 1 0.9732 0.270 0.596 0.404
#> ERR659119 1 0.9732 0.270 0.596 0.404
#> ERR659024 1 0.2778 0.929 0.952 0.048
#> ERR659120 1 0.2778 0.929 0.952 0.048
#> ERR659025 1 0.3431 0.912 0.936 0.064
#> ERR659121 1 0.3431 0.912 0.936 0.064
#> ERR659026 1 0.0000 0.973 1.000 0.000
#> ERR659122 1 0.0000 0.973 1.000 0.000
#> ERR659027 2 0.0000 0.920 0.000 1.000
#> ERR659123 2 0.0000 0.920 0.000 1.000
#> ERR659028 1 0.6712 0.772 0.824 0.176
#> ERR659124 1 0.6712 0.772 0.824 0.176
#> ERR659029 1 0.0000 0.973 1.000 0.000
#> ERR659125 1 0.0000 0.973 1.000 0.000
#> ERR659030 1 0.0000 0.973 1.000 0.000
#> ERR659126 1 0.0000 0.973 1.000 0.000
#> ERR659031 2 0.9087 0.565 0.324 0.676
#> ERR659127 2 0.9087 0.565 0.324 0.676
#> ERR659032 1 0.5408 0.843 0.876 0.124
#> ERR659128 1 0.5408 0.843 0.876 0.124
#> ERR659033 1 0.0000 0.973 1.000 0.000
#> ERR659129 1 0.0000 0.973 1.000 0.000
#> ERR659034 2 0.0000 0.920 0.000 1.000
#> ERR659130 2 0.0000 0.920 0.000 1.000
#> ERR659035 1 0.0000 0.973 1.000 0.000
#> ERR659131 1 0.0000 0.973 1.000 0.000
#> ERR659036 1 0.1184 0.959 0.984 0.016
#> ERR659132 1 0.1184 0.959 0.984 0.016
#> ERR659037 1 0.0000 0.973 1.000 0.000
#> ERR659133 1 0.0000 0.973 1.000 0.000
#> ERR659038 1 0.0000 0.973 1.000 0.000
#> ERR659134 1 0.0000 0.973 1.000 0.000
#> ERR659039 1 0.0000 0.973 1.000 0.000
#> ERR659135 1 0.0000 0.973 1.000 0.000
#> ERR659040 2 0.9933 0.247 0.452 0.548
#> ERR659136 2 0.9933 0.247 0.452 0.548
#> ERR659041 2 0.1184 0.911 0.016 0.984
#> ERR659137 2 0.1184 0.911 0.016 0.984
#> ERR659042 2 0.0000 0.920 0.000 1.000
#> ERR659138 2 0.0000 0.920 0.000 1.000
#> ERR659043 1 0.0000 0.973 1.000 0.000
#> ERR659139 1 0.0000 0.973 1.000 0.000
#> ERR659044 2 0.0000 0.920 0.000 1.000
#> ERR659140 2 0.0000 0.920 0.000 1.000
#> ERR659045 1 0.0000 0.973 1.000 0.000
#> ERR659141 1 0.0000 0.973 1.000 0.000
#> ERR659046 1 0.0000 0.973 1.000 0.000
#> ERR659142 1 0.0000 0.973 1.000 0.000
#> ERR659047 1 0.0000 0.973 1.000 0.000
#> ERR659143 1 0.0000 0.973 1.000 0.000
#> ERR659048 1 0.0376 0.970 0.996 0.004
#> ERR659144 1 0.0376 0.970 0.996 0.004
#> ERR659049 2 0.9635 0.437 0.388 0.612
#> ERR659145 2 0.9635 0.437 0.388 0.612
#> ERR659050 2 0.9909 0.278 0.444 0.556
#> ERR659146 2 0.9909 0.278 0.444 0.556
#> ERR659051 2 0.0000 0.920 0.000 1.000
#> ERR659147 2 0.0000 0.920 0.000 1.000
#> ERR659052 1 0.9795 0.227 0.584 0.416
#> ERR659148 1 0.9795 0.227 0.584 0.416
#> ERR659053 1 0.0000 0.973 1.000 0.000
#> ERR659149 1 0.0000 0.973 1.000 0.000
#> ERR659054 2 0.0000 0.920 0.000 1.000
#> ERR659150 2 0.0000 0.920 0.000 1.000
#> ERR659055 1 0.0000 0.973 1.000 0.000
#> ERR659151 1 0.0000 0.973 1.000 0.000
#> ERR659056 2 0.0000 0.920 0.000 1.000
#> ERR659152 2 0.0000 0.920 0.000 1.000
#> ERR659057 1 0.0000 0.973 1.000 0.000
#> ERR659153 1 0.0000 0.973 1.000 0.000
#> ERR659058 1 0.0000 0.973 1.000 0.000
#> ERR659154 1 0.0000 0.973 1.000 0.000
#> ERR659059 1 0.0000 0.973 1.000 0.000
#> ERR659155 1 0.0000 0.973 1.000 0.000
#> ERR659060 1 0.0000 0.973 1.000 0.000
#> ERR659156 1 0.0000 0.973 1.000 0.000
#> ERR659061 1 0.0000 0.973 1.000 0.000
#> ERR659157 1 0.0000 0.973 1.000 0.000
#> ERR659062 2 0.6148 0.796 0.152 0.848
#> ERR659158 2 0.6148 0.796 0.152 0.848
#> ERR659063 1 0.0000 0.973 1.000 0.000
#> ERR659159 1 0.0000 0.973 1.000 0.000
#> ERR659064 1 0.0000 0.973 1.000 0.000
#> ERR659160 1 0.0000 0.973 1.000 0.000
#> ERR659065 2 0.0000 0.920 0.000 1.000
#> ERR659161 2 0.0000 0.920 0.000 1.000
#> ERR659066 1 0.0000 0.973 1.000 0.000
#> ERR659162 1 0.0000 0.973 1.000 0.000
#> ERR659067 1 0.0000 0.973 1.000 0.000
#> ERR659163 1 0.0000 0.973 1.000 0.000
#> ERR659068 2 0.0000 0.920 0.000 1.000
#> ERR659164 2 0.0000 0.920 0.000 1.000
#> ERR659069 1 0.0000 0.973 1.000 0.000
#> ERR659165 1 0.0000 0.973 1.000 0.000
#> ERR659070 1 0.0000 0.973 1.000 0.000
#> ERR659166 1 0.0000 0.973 1.000 0.000
#> ERR659071 1 0.0000 0.973 1.000 0.000
#> ERR659167 1 0.0000 0.973 1.000 0.000
#> ERR659072 1 0.0000 0.973 1.000 0.000
#> ERR659168 1 0.0000 0.973 1.000 0.000
#> ERR659073 1 0.0000 0.973 1.000 0.000
#> ERR659169 1 0.0000 0.973 1.000 0.000
#> ERR659074 2 0.0000 0.920 0.000 1.000
#> ERR659170 2 0.0000 0.920 0.000 1.000
#> ERR659075 2 0.0000 0.920 0.000 1.000
#> ERR659171 2 0.0000 0.920 0.000 1.000
#> ERR659076 2 0.0000 0.920 0.000 1.000
#> ERR659172 2 0.0000 0.920 0.000 1.000
#> ERR659077 1 0.0000 0.973 1.000 0.000
#> ERR659173 1 0.0000 0.973 1.000 0.000
#> ERR659078 1 0.0000 0.973 1.000 0.000
#> ERR659174 1 0.0000 0.973 1.000 0.000
#> ERR659079 1 0.0000 0.973 1.000 0.000
#> ERR659175 1 0.0000 0.973 1.000 0.000
#> ERR659080 2 0.0672 0.916 0.008 0.992
#> ERR659176 2 0.0672 0.916 0.008 0.992
#> ERR659081 1 0.0000 0.973 1.000 0.000
#> ERR659177 1 0.0000 0.973 1.000 0.000
#> ERR659082 1 0.0000 0.973 1.000 0.000
#> ERR659178 1 0.0000 0.973 1.000 0.000
#> ERR659083 2 0.0000 0.920 0.000 1.000
#> ERR659179 2 0.0000 0.920 0.000 1.000
#> ERR659084 2 0.0000 0.920 0.000 1.000
#> ERR659180 2 0.0000 0.920 0.000 1.000
#> ERR659085 1 0.0000 0.973 1.000 0.000
#> ERR659181 1 0.0000 0.973 1.000 0.000
#> ERR659086 1 0.0000 0.973 1.000 0.000
#> ERR659182 1 0.0000 0.973 1.000 0.000
#> ERR659087 1 0.0000 0.973 1.000 0.000
#> ERR659183 1 0.0000 0.973 1.000 0.000
#> ERR659088 1 0.5946 0.820 0.856 0.144
#> ERR659184 1 0.5946 0.820 0.856 0.144
#> ERR659089 1 0.0000 0.973 1.000 0.000
#> ERR659185 1 0.0000 0.973 1.000 0.000
#> ERR659090 1 0.0000 0.973 1.000 0.000
#> ERR659186 1 0.0000 0.973 1.000 0.000
#> ERR659091 1 0.0000 0.973 1.000 0.000
#> ERR659187 1 0.0000 0.973 1.000 0.000
#> ERR659092 1 0.0000 0.973 1.000 0.000
#> ERR659188 1 0.0000 0.973 1.000 0.000
#> ERR659093 1 0.0000 0.973 1.000 0.000
#> ERR659189 1 0.0000 0.973 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 2 0.343 0.893124 0.064 0.904 0.032
#> ERR467498 2 0.343 0.893124 0.064 0.904 0.032
#> ERR658998 1 0.631 -0.039213 0.512 0.000 0.488
#> ERR659094 1 0.631 -0.040957 0.508 0.000 0.492
#> ERR658999 3 0.254 0.655573 0.080 0.000 0.920
#> ERR659095 3 0.254 0.655573 0.080 0.000 0.920
#> ERR659000 2 0.406 0.864446 0.112 0.868 0.020
#> ERR659096 2 0.406 0.864446 0.112 0.868 0.020
#> ERR659001 3 0.518 0.534446 0.256 0.000 0.744
#> ERR659097 3 0.518 0.534446 0.256 0.000 0.744
#> ERR659002 1 0.620 0.347065 0.576 0.000 0.424
#> ERR659098 1 0.620 0.347065 0.576 0.000 0.424
#> ERR659003 1 0.565 0.603625 0.688 0.000 0.312
#> ERR659099 1 0.565 0.603625 0.688 0.000 0.312
#> ERR659004 3 0.462 0.571452 0.024 0.136 0.840
#> ERR659100 3 0.462 0.571452 0.024 0.136 0.840
#> ERR659005 1 0.450 0.634165 0.804 0.000 0.196
#> ERR659101 1 0.450 0.634165 0.804 0.000 0.196
#> ERR659006 3 0.175 0.662622 0.048 0.000 0.952
#> ERR659102 3 0.175 0.662622 0.048 0.000 0.952
#> ERR659007 1 0.604 0.551316 0.620 0.000 0.380
#> ERR659103 1 0.604 0.551316 0.620 0.000 0.380
#> ERR659008 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659104 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659009 3 0.480 0.537705 0.220 0.000 0.780
#> ERR659105 3 0.480 0.537705 0.220 0.000 0.780
#> ERR659010 3 0.334 0.617153 0.120 0.000 0.880
#> ERR659106 3 0.334 0.617153 0.120 0.000 0.880
#> ERR659011 3 0.319 0.642897 0.112 0.000 0.888
#> ERR659107 3 0.319 0.642897 0.112 0.000 0.888
#> ERR659012 3 0.392 0.602041 0.140 0.004 0.856
#> ERR659108 3 0.392 0.602041 0.140 0.004 0.856
#> ERR659013 2 0.960 0.175865 0.364 0.432 0.204
#> ERR659109 2 0.960 0.175865 0.364 0.432 0.204
#> ERR659014 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659110 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659015 1 0.382 0.611473 0.852 0.000 0.148
#> ERR659111 1 0.382 0.611473 0.852 0.000 0.148
#> ERR659016 2 0.223 0.917787 0.044 0.944 0.012
#> ERR659112 2 0.223 0.917787 0.044 0.944 0.012
#> ERR659017 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659113 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659018 3 0.621 -0.120492 0.428 0.000 0.572
#> ERR659114 3 0.621 -0.120492 0.428 0.000 0.572
#> ERR659019 3 0.394 0.597985 0.156 0.000 0.844
#> ERR659115 3 0.394 0.597985 0.156 0.000 0.844
#> ERR659020 3 0.614 0.005569 0.404 0.000 0.596
#> ERR659116 3 0.615 -0.011137 0.408 0.000 0.592
#> ERR659021 1 0.583 0.594223 0.660 0.000 0.340
#> ERR659117 1 0.583 0.594223 0.660 0.000 0.340
#> ERR659022 1 0.546 0.620237 0.712 0.000 0.288
#> ERR659118 1 0.546 0.620237 0.712 0.000 0.288
#> ERR659023 1 0.855 0.256257 0.552 0.336 0.112
#> ERR659119 1 0.855 0.256257 0.552 0.336 0.112
#> ERR659024 1 0.491 0.562690 0.796 0.008 0.196
#> ERR659120 1 0.491 0.562690 0.796 0.008 0.196
#> ERR659025 1 0.451 0.635930 0.832 0.012 0.156
#> ERR659121 1 0.451 0.635930 0.832 0.012 0.156
#> ERR659026 3 0.581 0.310590 0.336 0.000 0.664
#> ERR659122 3 0.581 0.310590 0.336 0.000 0.664
#> ERR659027 2 0.162 0.932923 0.024 0.964 0.012
#> ERR659123 2 0.162 0.932923 0.024 0.964 0.012
#> ERR659028 1 0.623 0.488286 0.740 0.040 0.220
#> ERR659124 1 0.623 0.488286 0.740 0.040 0.220
#> ERR659029 1 0.502 0.501339 0.776 0.004 0.220
#> ERR659125 1 0.502 0.501339 0.776 0.004 0.220
#> ERR659030 1 0.615 0.516897 0.592 0.000 0.408
#> ERR659126 1 0.615 0.516897 0.592 0.000 0.408
#> ERR659031 3 0.912 0.265358 0.340 0.156 0.504
#> ERR659127 3 0.912 0.265358 0.340 0.156 0.504
#> ERR659032 1 0.666 0.362124 0.668 0.028 0.304
#> ERR659128 1 0.666 0.362124 0.668 0.028 0.304
#> ERR659033 1 0.601 0.573320 0.628 0.000 0.372
#> ERR659129 1 0.601 0.573320 0.628 0.000 0.372
#> ERR659034 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659130 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659035 1 0.606 0.266741 0.616 0.000 0.384
#> ERR659131 1 0.606 0.266741 0.616 0.000 0.384
#> ERR659036 1 0.506 0.632002 0.756 0.000 0.244
#> ERR659132 1 0.506 0.632002 0.756 0.000 0.244
#> ERR659037 1 0.631 0.347063 0.508 0.000 0.492
#> ERR659133 1 0.631 0.347063 0.508 0.000 0.492
#> ERR659038 3 0.153 0.663220 0.040 0.000 0.960
#> ERR659134 3 0.153 0.663220 0.040 0.000 0.960
#> ERR659039 3 0.348 0.660580 0.128 0.000 0.872
#> ERR659135 3 0.348 0.660580 0.128 0.000 0.872
#> ERR659040 1 0.817 0.298371 0.640 0.212 0.148
#> ERR659136 1 0.813 0.302146 0.644 0.208 0.148
#> ERR659041 2 0.404 0.855998 0.024 0.872 0.104
#> ERR659137 2 0.404 0.855998 0.024 0.872 0.104
#> ERR659042 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659138 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659043 1 0.196 0.567431 0.944 0.000 0.056
#> ERR659139 1 0.196 0.567431 0.944 0.000 0.056
#> ERR659044 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659140 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659045 3 0.334 0.655181 0.120 0.000 0.880
#> ERR659141 3 0.334 0.655181 0.120 0.000 0.880
#> ERR659046 1 0.418 0.631540 0.828 0.000 0.172
#> ERR659142 1 0.418 0.631540 0.828 0.000 0.172
#> ERR659047 1 0.565 0.613681 0.688 0.000 0.312
#> ERR659143 1 0.565 0.613681 0.688 0.000 0.312
#> ERR659048 1 0.435 0.635968 0.816 0.000 0.184
#> ERR659144 1 0.435 0.635968 0.816 0.000 0.184
#> ERR659049 3 0.753 0.427664 0.252 0.084 0.664
#> ERR659145 3 0.757 0.420173 0.256 0.084 0.660
#> ERR659050 1 0.857 0.246820 0.588 0.140 0.272
#> ERR659146 1 0.857 0.246820 0.588 0.140 0.272
#> ERR659051 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659147 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659052 3 0.628 0.501057 0.224 0.040 0.736
#> ERR659148 3 0.628 0.501057 0.224 0.040 0.736
#> ERR659053 1 0.518 0.626798 0.744 0.000 0.256
#> ERR659149 1 0.518 0.626798 0.744 0.000 0.256
#> ERR659054 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659150 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659055 3 0.429 0.584109 0.180 0.000 0.820
#> ERR659151 3 0.429 0.584109 0.180 0.000 0.820
#> ERR659056 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659152 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659057 1 0.629 0.288624 0.532 0.000 0.468
#> ERR659153 1 0.629 0.288624 0.532 0.000 0.468
#> ERR659058 3 0.271 0.656017 0.088 0.000 0.912
#> ERR659154 3 0.271 0.656017 0.088 0.000 0.912
#> ERR659059 1 0.506 0.601363 0.756 0.000 0.244
#> ERR659155 1 0.506 0.601363 0.756 0.000 0.244
#> ERR659060 1 0.579 0.591868 0.668 0.000 0.332
#> ERR659156 1 0.579 0.591868 0.668 0.000 0.332
#> ERR659061 1 0.565 0.609774 0.688 0.000 0.312
#> ERR659157 1 0.565 0.609774 0.688 0.000 0.312
#> ERR659062 3 0.986 0.139470 0.256 0.352 0.392
#> ERR659158 3 0.986 0.139470 0.256 0.352 0.392
#> ERR659063 1 0.288 0.603752 0.904 0.000 0.096
#> ERR659159 1 0.288 0.603752 0.904 0.000 0.096
#> ERR659064 1 0.597 0.569735 0.636 0.000 0.364
#> ERR659160 1 0.597 0.569735 0.636 0.000 0.364
#> ERR659065 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659161 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659066 3 0.312 0.638359 0.108 0.000 0.892
#> ERR659162 3 0.312 0.638359 0.108 0.000 0.892
#> ERR659067 3 0.288 0.664723 0.096 0.000 0.904
#> ERR659163 3 0.288 0.664723 0.096 0.000 0.904
#> ERR659068 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659164 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659069 3 0.312 0.662799 0.108 0.000 0.892
#> ERR659165 3 0.312 0.662799 0.108 0.000 0.892
#> ERR659070 1 0.565 0.594473 0.688 0.000 0.312
#> ERR659166 1 0.565 0.594473 0.688 0.000 0.312
#> ERR659071 1 0.435 0.603307 0.816 0.000 0.184
#> ERR659167 1 0.435 0.603307 0.816 0.000 0.184
#> ERR659072 3 0.186 0.661111 0.052 0.000 0.948
#> ERR659168 3 0.186 0.661111 0.052 0.000 0.948
#> ERR659073 3 0.581 0.384971 0.336 0.000 0.664
#> ERR659169 3 0.581 0.384971 0.336 0.000 0.664
#> ERR659074 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659170 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659075 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659171 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659076 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659172 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659077 1 0.540 0.514420 0.720 0.000 0.280
#> ERR659173 1 0.540 0.514420 0.720 0.000 0.280
#> ERR659078 1 0.619 0.422232 0.580 0.000 0.420
#> ERR659174 1 0.619 0.422232 0.580 0.000 0.420
#> ERR659079 1 0.455 0.499682 0.800 0.000 0.200
#> ERR659175 1 0.455 0.499682 0.800 0.000 0.200
#> ERR659080 2 0.468 0.826445 0.132 0.840 0.028
#> ERR659176 2 0.468 0.826445 0.132 0.840 0.028
#> ERR659081 1 0.599 0.557358 0.632 0.000 0.368
#> ERR659177 1 0.599 0.557358 0.632 0.000 0.368
#> ERR659082 1 0.613 0.537427 0.600 0.000 0.400
#> ERR659178 1 0.613 0.537427 0.600 0.000 0.400
#> ERR659083 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659179 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659084 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659180 2 0.000 0.950728 0.000 1.000 0.000
#> ERR659085 3 0.619 -0.062143 0.420 0.000 0.580
#> ERR659181 3 0.619 -0.062143 0.420 0.000 0.580
#> ERR659086 1 0.603 0.557785 0.624 0.000 0.376
#> ERR659182 1 0.603 0.557785 0.624 0.000 0.376
#> ERR659087 3 0.546 0.503863 0.288 0.000 0.712
#> ERR659183 3 0.546 0.503863 0.288 0.000 0.712
#> ERR659088 3 0.681 0.388570 0.372 0.020 0.608
#> ERR659184 3 0.681 0.388570 0.372 0.020 0.608
#> ERR659089 3 0.618 0.020644 0.416 0.000 0.584
#> ERR659185 3 0.619 0.000908 0.420 0.000 0.580
#> ERR659090 1 0.581 0.583167 0.664 0.000 0.336
#> ERR659186 1 0.581 0.583167 0.664 0.000 0.336
#> ERR659091 1 0.624 0.264501 0.560 0.000 0.440
#> ERR659187 1 0.624 0.264501 0.560 0.000 0.440
#> ERR659092 1 0.579 0.381380 0.668 0.000 0.332
#> ERR659188 1 0.579 0.381380 0.668 0.000 0.332
#> ERR659093 1 0.613 0.529119 0.600 0.000 0.400
#> ERR659189 1 0.613 0.529119 0.600 0.000 0.400
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 2 0.547 0.7295 0.048 0.772 0.048 0.132
#> ERR467498 2 0.547 0.7295 0.048 0.772 0.048 0.132
#> ERR658998 4 0.746 0.4796 0.224 0.000 0.272 0.504
#> ERR659094 4 0.746 0.4796 0.224 0.000 0.272 0.504
#> ERR658999 3 0.363 0.6280 0.184 0.000 0.812 0.004
#> ERR659095 3 0.358 0.6300 0.180 0.000 0.816 0.004
#> ERR659000 2 0.780 0.1923 0.096 0.484 0.044 0.376
#> ERR659096 2 0.780 0.1923 0.096 0.484 0.044 0.376
#> ERR659001 3 0.674 0.3857 0.304 0.000 0.576 0.120
#> ERR659097 3 0.672 0.3962 0.300 0.000 0.580 0.120
#> ERR659002 1 0.744 0.2363 0.512 0.000 0.244 0.244
#> ERR659098 1 0.742 0.2431 0.516 0.000 0.240 0.244
#> ERR659003 1 0.471 0.5946 0.792 0.000 0.120 0.088
#> ERR659099 1 0.471 0.5946 0.792 0.000 0.120 0.088
#> ERR659004 3 0.494 0.5467 0.044 0.076 0.812 0.068
#> ERR659100 3 0.494 0.5467 0.044 0.076 0.812 0.068
#> ERR659005 1 0.507 0.4971 0.748 0.000 0.060 0.192
#> ERR659101 1 0.507 0.4971 0.748 0.000 0.060 0.192
#> ERR659006 3 0.371 0.6444 0.112 0.000 0.848 0.040
#> ERR659102 3 0.371 0.6444 0.112 0.000 0.848 0.040
#> ERR659007 1 0.484 0.5939 0.756 0.000 0.200 0.044
#> ERR659103 1 0.484 0.5939 0.756 0.000 0.200 0.044
#> ERR659008 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659104 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659009 3 0.514 0.4775 0.040 0.000 0.716 0.244
#> ERR659105 3 0.514 0.4775 0.040 0.000 0.716 0.244
#> ERR659010 3 0.395 0.6077 0.036 0.000 0.828 0.136
#> ERR659106 3 0.395 0.6077 0.036 0.000 0.828 0.136
#> ERR659011 3 0.412 0.6055 0.220 0.000 0.772 0.008
#> ERR659107 3 0.412 0.6055 0.220 0.000 0.772 0.008
#> ERR659012 3 0.456 0.5121 0.028 0.000 0.764 0.208
#> ERR659108 3 0.456 0.5121 0.028 0.000 0.764 0.208
#> ERR659013 4 0.629 0.5787 0.048 0.132 0.096 0.724
#> ERR659109 4 0.629 0.5787 0.048 0.132 0.096 0.724
#> ERR659014 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659110 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659015 1 0.645 -0.1264 0.480 0.000 0.068 0.452
#> ERR659111 1 0.645 -0.1264 0.480 0.000 0.068 0.452
#> ERR659016 2 0.552 0.7173 0.108 0.760 0.016 0.116
#> ERR659112 2 0.552 0.7173 0.108 0.760 0.016 0.116
#> ERR659017 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659113 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659018 1 0.634 0.2900 0.528 0.000 0.408 0.064
#> ERR659114 1 0.634 0.2900 0.528 0.000 0.408 0.064
#> ERR659019 3 0.456 0.4444 0.328 0.000 0.672 0.000
#> ERR659115 3 0.456 0.4444 0.328 0.000 0.672 0.000
#> ERR659020 1 0.566 0.3411 0.576 0.000 0.396 0.028
#> ERR659116 1 0.566 0.3411 0.576 0.000 0.396 0.028
#> ERR659021 1 0.646 0.5568 0.644 0.000 0.196 0.160
#> ERR659117 1 0.646 0.5568 0.644 0.000 0.196 0.160
#> ERR659022 1 0.548 0.5249 0.736 0.000 0.136 0.128
#> ERR659118 1 0.548 0.5249 0.736 0.000 0.136 0.128
#> ERR659023 4 0.874 0.4500 0.292 0.176 0.072 0.460
#> ERR659119 4 0.874 0.4500 0.292 0.176 0.072 0.460
#> ERR659024 4 0.680 0.4790 0.284 0.008 0.108 0.600
#> ERR659120 4 0.680 0.4790 0.284 0.008 0.108 0.600
#> ERR659025 1 0.649 0.1666 0.592 0.004 0.080 0.324
#> ERR659121 1 0.649 0.1666 0.592 0.004 0.080 0.324
#> ERR659026 3 0.678 0.1815 0.368 0.000 0.528 0.104
#> ERR659122 3 0.678 0.1815 0.368 0.000 0.528 0.104
#> ERR659027 2 0.442 0.7880 0.044 0.828 0.020 0.108
#> ERR659123 2 0.442 0.7880 0.044 0.828 0.020 0.108
#> ERR659028 4 0.569 0.5898 0.164 0.008 0.096 0.732
#> ERR659124 4 0.569 0.5898 0.164 0.008 0.096 0.732
#> ERR659029 4 0.625 0.5174 0.252 0.000 0.104 0.644
#> ERR659125 4 0.625 0.5174 0.252 0.000 0.104 0.644
#> ERR659030 1 0.584 0.5153 0.648 0.000 0.292 0.060
#> ERR659126 1 0.584 0.5153 0.648 0.000 0.292 0.060
#> ERR659031 4 0.862 0.4125 0.168 0.068 0.288 0.476
#> ERR659127 4 0.857 0.4079 0.168 0.064 0.292 0.476
#> ERR659032 4 0.668 0.5856 0.192 0.004 0.168 0.636
#> ERR659128 4 0.668 0.5856 0.192 0.004 0.168 0.636
#> ERR659033 1 0.639 0.5468 0.636 0.000 0.244 0.120
#> ERR659129 1 0.639 0.5468 0.636 0.000 0.244 0.120
#> ERR659034 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659130 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659035 4 0.714 0.4810 0.256 0.000 0.188 0.556
#> ERR659131 4 0.716 0.4787 0.260 0.000 0.188 0.552
#> ERR659036 1 0.674 0.0915 0.532 0.000 0.100 0.368
#> ERR659132 1 0.674 0.0915 0.532 0.000 0.100 0.368
#> ERR659037 1 0.688 0.4194 0.548 0.000 0.328 0.124
#> ERR659133 1 0.688 0.4194 0.548 0.000 0.328 0.124
#> ERR659038 3 0.271 0.6614 0.080 0.000 0.900 0.020
#> ERR659134 3 0.271 0.6614 0.080 0.000 0.900 0.020
#> ERR659039 3 0.426 0.6587 0.128 0.000 0.816 0.056
#> ERR659135 3 0.426 0.6587 0.128 0.000 0.816 0.056
#> ERR659040 4 0.645 0.5883 0.120 0.088 0.072 0.720
#> ERR659136 4 0.645 0.5883 0.120 0.088 0.072 0.720
#> ERR659041 2 0.746 0.5447 0.060 0.632 0.144 0.164
#> ERR659137 2 0.746 0.5447 0.060 0.632 0.144 0.164
#> ERR659042 2 0.231 0.8643 0.028 0.928 0.004 0.040
#> ERR659138 2 0.231 0.8643 0.028 0.928 0.004 0.040
#> ERR659043 4 0.555 0.5336 0.280 0.000 0.048 0.672
#> ERR659139 4 0.555 0.5336 0.280 0.000 0.048 0.672
#> ERR659044 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659140 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659045 3 0.496 0.6263 0.204 0.000 0.748 0.048
#> ERR659141 3 0.496 0.6263 0.204 0.000 0.748 0.048
#> ERR659046 1 0.626 0.1634 0.600 0.000 0.076 0.324
#> ERR659142 1 0.626 0.1634 0.600 0.000 0.076 0.324
#> ERR659047 1 0.609 0.5801 0.680 0.000 0.188 0.132
#> ERR659143 1 0.604 0.5817 0.684 0.000 0.188 0.128
#> ERR659048 1 0.637 0.1305 0.540 0.000 0.068 0.392
#> ERR659144 1 0.637 0.1305 0.540 0.000 0.068 0.392
#> ERR659049 3 0.822 0.0960 0.236 0.024 0.468 0.272
#> ERR659145 3 0.822 0.0960 0.236 0.024 0.468 0.272
#> ERR659050 4 0.721 0.5910 0.152 0.036 0.176 0.636
#> ERR659146 4 0.721 0.5910 0.152 0.036 0.176 0.636
#> ERR659051 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659147 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659052 3 0.668 0.2317 0.060 0.020 0.588 0.332
#> ERR659148 3 0.668 0.2317 0.060 0.020 0.588 0.332
#> ERR659053 1 0.559 0.5765 0.724 0.000 0.112 0.164
#> ERR659149 1 0.559 0.5765 0.724 0.000 0.112 0.164
#> ERR659054 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659150 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659055 3 0.506 0.4967 0.300 0.000 0.680 0.020
#> ERR659151 3 0.506 0.4967 0.300 0.000 0.680 0.020
#> ERR659056 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659152 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659057 1 0.778 -0.0135 0.412 0.000 0.248 0.340
#> ERR659153 1 0.778 -0.0135 0.412 0.000 0.248 0.340
#> ERR659058 3 0.424 0.6259 0.196 0.000 0.784 0.020
#> ERR659154 3 0.424 0.6259 0.196 0.000 0.784 0.020
#> ERR659059 1 0.740 -0.1330 0.424 0.000 0.164 0.412
#> ERR659155 1 0.742 -0.1202 0.424 0.000 0.168 0.408
#> ERR659060 1 0.517 0.5517 0.760 0.000 0.116 0.124
#> ERR659156 1 0.517 0.5517 0.760 0.000 0.116 0.124
#> ERR659061 1 0.512 0.4924 0.764 0.000 0.108 0.128
#> ERR659157 1 0.512 0.4924 0.764 0.000 0.108 0.128
#> ERR659062 4 0.878 0.4061 0.092 0.148 0.292 0.468
#> ERR659158 4 0.875 0.4087 0.092 0.144 0.292 0.472
#> ERR659063 4 0.621 0.2195 0.452 0.000 0.052 0.496
#> ERR659159 4 0.621 0.2195 0.452 0.000 0.052 0.496
#> ERR659064 1 0.456 0.5851 0.764 0.000 0.208 0.028
#> ERR659160 1 0.456 0.5851 0.764 0.000 0.208 0.028
#> ERR659065 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659161 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659066 3 0.447 0.5988 0.232 0.000 0.752 0.016
#> ERR659162 3 0.447 0.5988 0.232 0.000 0.752 0.016
#> ERR659067 3 0.420 0.6504 0.156 0.000 0.808 0.036
#> ERR659163 3 0.420 0.6504 0.156 0.000 0.808 0.036
#> ERR659068 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659164 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659069 3 0.447 0.6459 0.172 0.000 0.788 0.040
#> ERR659165 3 0.447 0.6459 0.172 0.000 0.788 0.040
#> ERR659070 1 0.360 0.6102 0.848 0.000 0.124 0.028
#> ERR659166 1 0.360 0.6102 0.848 0.000 0.124 0.028
#> ERR659071 4 0.697 0.3790 0.328 0.000 0.132 0.540
#> ERR659167 4 0.697 0.3790 0.328 0.000 0.132 0.540
#> ERR659072 3 0.325 0.6517 0.140 0.000 0.852 0.008
#> ERR659168 3 0.325 0.6517 0.140 0.000 0.852 0.008
#> ERR659073 3 0.741 0.1346 0.340 0.000 0.480 0.180
#> ERR659169 3 0.741 0.1346 0.340 0.000 0.480 0.180
#> ERR659074 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659170 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659075 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659171 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659076 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659172 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659077 4 0.699 0.3456 0.324 0.000 0.136 0.540
#> ERR659173 4 0.699 0.3456 0.324 0.000 0.136 0.540
#> ERR659078 1 0.693 0.3802 0.580 0.000 0.164 0.256
#> ERR659174 1 0.693 0.3802 0.580 0.000 0.164 0.256
#> ERR659079 4 0.550 0.5937 0.176 0.000 0.096 0.728
#> ERR659175 4 0.550 0.5937 0.176 0.000 0.096 0.728
#> ERR659080 2 0.874 0.1701 0.160 0.476 0.084 0.280
#> ERR659176 2 0.874 0.1701 0.160 0.476 0.084 0.280
#> ERR659081 1 0.476 0.5936 0.760 0.000 0.200 0.040
#> ERR659177 1 0.476 0.5936 0.760 0.000 0.200 0.040
#> ERR659082 1 0.492 0.5821 0.736 0.000 0.228 0.036
#> ERR659178 1 0.492 0.5821 0.736 0.000 0.228 0.036
#> ERR659083 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659179 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659084 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659180 2 0.000 0.9023 0.000 1.000 0.000 0.000
#> ERR659085 1 0.625 0.3831 0.564 0.000 0.372 0.064
#> ERR659181 1 0.625 0.3831 0.564 0.000 0.372 0.064
#> ERR659086 1 0.612 0.5604 0.680 0.000 0.172 0.148
#> ERR659182 1 0.612 0.5604 0.680 0.000 0.172 0.148
#> ERR659087 3 0.693 0.3312 0.136 0.000 0.556 0.308
#> ERR659183 3 0.693 0.3312 0.136 0.000 0.556 0.308
#> ERR659088 3 0.825 -0.1208 0.200 0.024 0.416 0.360
#> ERR659184 3 0.817 -0.1091 0.200 0.020 0.420 0.360
#> ERR659089 1 0.603 0.3928 0.584 0.000 0.364 0.052
#> ERR659185 1 0.603 0.3928 0.584 0.000 0.364 0.052
#> ERR659090 1 0.656 0.5497 0.628 0.000 0.224 0.148
#> ERR659186 1 0.656 0.5497 0.628 0.000 0.224 0.148
#> ERR659091 1 0.772 0.2330 0.428 0.000 0.336 0.236
#> ERR659187 1 0.772 0.2330 0.428 0.000 0.336 0.236
#> ERR659092 4 0.720 0.4812 0.228 0.000 0.220 0.552
#> ERR659188 4 0.720 0.4812 0.228 0.000 0.220 0.552
#> ERR659093 1 0.576 0.6013 0.700 0.000 0.204 0.096
#> ERR659189 1 0.576 0.6013 0.700 0.000 0.204 0.096
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 2 0.6807 0.34819 0.008 0.556 0.120 0.280 0.036
#> ERR467498 2 0.6807 0.34819 0.008 0.556 0.120 0.280 0.036
#> ERR658998 3 0.6766 0.35540 0.156 0.000 0.608 0.088 0.148
#> ERR659094 3 0.6766 0.35540 0.156 0.000 0.608 0.088 0.148
#> ERR658999 5 0.3373 0.59991 0.168 0.000 0.008 0.008 0.816
#> ERR659095 5 0.3373 0.59991 0.168 0.000 0.008 0.008 0.816
#> ERR659000 4 0.7184 0.10587 0.028 0.300 0.224 0.448 0.000
#> ERR659096 4 0.7184 0.10587 0.028 0.300 0.224 0.448 0.000
#> ERR659001 5 0.7139 0.27277 0.304 0.000 0.124 0.068 0.504
#> ERR659097 5 0.7139 0.27277 0.304 0.000 0.124 0.068 0.504
#> ERR659002 4 0.7833 0.03452 0.356 0.000 0.092 0.376 0.176
#> ERR659098 4 0.7833 0.03452 0.356 0.000 0.092 0.376 0.176
#> ERR659003 1 0.4892 0.54417 0.764 0.000 0.124 0.056 0.056
#> ERR659099 1 0.4892 0.54417 0.764 0.000 0.124 0.056 0.056
#> ERR659004 5 0.5983 0.50234 0.028 0.024 0.080 0.184 0.684
#> ERR659100 5 0.5983 0.50234 0.028 0.024 0.080 0.184 0.684
#> ERR659005 1 0.4764 0.48018 0.756 0.000 0.140 0.088 0.016
#> ERR659101 1 0.4806 0.47956 0.752 0.000 0.144 0.088 0.016
#> ERR659006 5 0.3791 0.60476 0.060 0.000 0.024 0.080 0.836
#> ERR659102 5 0.3791 0.60476 0.060 0.000 0.024 0.080 0.836
#> ERR659007 1 0.4535 0.57403 0.792 0.000 0.068 0.044 0.096
#> ERR659103 1 0.4535 0.57403 0.792 0.000 0.068 0.044 0.096
#> ERR659008 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659009 5 0.6318 0.41043 0.032 0.000 0.248 0.120 0.600
#> ERR659105 5 0.6318 0.41043 0.032 0.000 0.248 0.120 0.600
#> ERR659010 5 0.4797 0.59803 0.052 0.000 0.092 0.080 0.776
#> ERR659106 5 0.4797 0.59803 0.052 0.000 0.092 0.080 0.776
#> ERR659011 5 0.4802 0.56217 0.240 0.000 0.016 0.036 0.708
#> ERR659107 5 0.4802 0.56217 0.240 0.000 0.016 0.036 0.708
#> ERR659012 5 0.6245 0.46051 0.040 0.000 0.240 0.104 0.616
#> ERR659108 5 0.6245 0.46051 0.040 0.000 0.240 0.104 0.616
#> ERR659013 3 0.6516 0.31807 0.024 0.064 0.616 0.252 0.044
#> ERR659109 3 0.6516 0.31807 0.024 0.064 0.616 0.252 0.044
#> ERR659014 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659015 3 0.7019 0.19969 0.400 0.000 0.420 0.144 0.036
#> ERR659111 3 0.7020 0.19157 0.404 0.000 0.416 0.144 0.036
#> ERR659016 2 0.6727 0.31414 0.064 0.532 0.068 0.332 0.004
#> ERR659112 2 0.6727 0.31414 0.064 0.532 0.068 0.332 0.004
#> ERR659017 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.6344 0.31236 0.544 0.000 0.056 0.056 0.344
#> ERR659114 1 0.6344 0.31236 0.544 0.000 0.056 0.056 0.344
#> ERR659019 5 0.4748 0.34755 0.384 0.000 0.004 0.016 0.596
#> ERR659115 5 0.4748 0.34755 0.384 0.000 0.004 0.016 0.596
#> ERR659020 1 0.5369 0.43932 0.652 0.000 0.028 0.040 0.280
#> ERR659116 1 0.5369 0.43932 0.652 0.000 0.028 0.040 0.280
#> ERR659021 1 0.7394 0.41572 0.524 0.000 0.132 0.232 0.112
#> ERR659117 1 0.7394 0.41572 0.524 0.000 0.132 0.232 0.112
#> ERR659022 1 0.5683 0.37194 0.648 0.000 0.044 0.260 0.048
#> ERR659118 1 0.5683 0.37194 0.648 0.000 0.044 0.260 0.048
#> ERR659023 3 0.7615 0.29668 0.152 0.108 0.564 0.152 0.024
#> ERR659119 3 0.7615 0.29668 0.152 0.108 0.564 0.152 0.024
#> ERR659024 3 0.7515 0.20469 0.152 0.000 0.408 0.368 0.072
#> ERR659120 3 0.7515 0.20469 0.152 0.000 0.408 0.368 0.072
#> ERR659025 4 0.6498 0.05007 0.396 0.000 0.084 0.484 0.036
#> ERR659121 4 0.6498 0.05007 0.396 0.000 0.084 0.484 0.036
#> ERR659026 5 0.7484 0.19669 0.304 0.000 0.096 0.128 0.472
#> ERR659122 5 0.7484 0.19669 0.304 0.000 0.096 0.128 0.472
#> ERR659027 2 0.6740 0.40569 0.032 0.580 0.080 0.280 0.028
#> ERR659123 2 0.6740 0.40569 0.032 0.580 0.080 0.280 0.028
#> ERR659028 3 0.7072 0.28060 0.092 0.008 0.520 0.316 0.064
#> ERR659124 3 0.7072 0.28060 0.092 0.008 0.520 0.316 0.064
#> ERR659029 4 0.7446 -0.17254 0.140 0.000 0.384 0.404 0.072
#> ERR659125 4 0.7446 -0.17254 0.140 0.000 0.384 0.404 0.072
#> ERR659030 1 0.6206 0.51557 0.632 0.000 0.044 0.108 0.216
#> ERR659126 1 0.6206 0.51557 0.632 0.000 0.044 0.108 0.216
#> ERR659031 4 0.8357 -0.03809 0.100 0.032 0.316 0.412 0.140
#> ERR659127 4 0.8357 -0.03809 0.100 0.032 0.316 0.412 0.140
#> ERR659032 3 0.6448 0.39074 0.116 0.004 0.644 0.168 0.068
#> ERR659128 3 0.6448 0.39074 0.116 0.004 0.644 0.168 0.068
#> ERR659033 1 0.6781 0.49852 0.612 0.000 0.140 0.108 0.140
#> ERR659129 1 0.6781 0.49852 0.612 0.000 0.140 0.108 0.140
#> ERR659034 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659035 3 0.7822 0.17580 0.108 0.000 0.372 0.372 0.148
#> ERR659131 3 0.7822 0.17580 0.108 0.000 0.372 0.372 0.148
#> ERR659036 1 0.7633 -0.08852 0.372 0.000 0.192 0.372 0.064
#> ERR659132 4 0.7633 0.02522 0.372 0.000 0.192 0.372 0.064
#> ERR659037 1 0.7966 0.26475 0.400 0.000 0.096 0.220 0.284
#> ERR659133 1 0.7966 0.26475 0.400 0.000 0.096 0.220 0.284
#> ERR659038 5 0.4302 0.62785 0.088 0.000 0.044 0.060 0.808
#> ERR659134 5 0.4302 0.62785 0.088 0.000 0.044 0.060 0.808
#> ERR659039 5 0.4738 0.60698 0.136 0.000 0.060 0.036 0.768
#> ERR659135 5 0.4738 0.60698 0.136 0.000 0.060 0.036 0.768
#> ERR659040 3 0.6709 0.24705 0.020 0.060 0.504 0.380 0.036
#> ERR659136 3 0.6709 0.24705 0.020 0.060 0.504 0.380 0.036
#> ERR659041 2 0.8252 -0.16136 0.028 0.372 0.096 0.372 0.132
#> ERR659137 4 0.8252 0.09626 0.028 0.372 0.096 0.372 0.132
#> ERR659042 2 0.4736 0.64632 0.012 0.720 0.044 0.224 0.000
#> ERR659138 2 0.4736 0.64632 0.012 0.720 0.044 0.224 0.000
#> ERR659043 3 0.6752 0.22817 0.164 0.000 0.464 0.356 0.016
#> ERR659139 3 0.6752 0.22817 0.164 0.000 0.464 0.356 0.016
#> ERR659044 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659045 5 0.5878 0.55966 0.164 0.000 0.064 0.088 0.684
#> ERR659141 5 0.5878 0.55966 0.164 0.000 0.064 0.088 0.684
#> ERR659046 1 0.7604 -0.00735 0.428 0.000 0.200 0.308 0.064
#> ERR659142 1 0.7604 -0.00735 0.428 0.000 0.200 0.308 0.064
#> ERR659047 1 0.7391 0.43698 0.540 0.000 0.168 0.120 0.172
#> ERR659143 1 0.7391 0.43698 0.540 0.000 0.168 0.120 0.172
#> ERR659048 4 0.7660 0.01280 0.344 0.000 0.244 0.360 0.052
#> ERR659144 4 0.7660 0.01280 0.344 0.000 0.244 0.360 0.052
#> ERR659049 4 0.8646 -0.06184 0.152 0.008 0.248 0.296 0.296
#> ERR659145 5 0.8646 -0.15251 0.152 0.008 0.248 0.296 0.296
#> ERR659050 3 0.6078 0.39617 0.072 0.008 0.688 0.144 0.088
#> ERR659146 3 0.6078 0.39617 0.072 0.008 0.688 0.144 0.088
#> ERR659051 2 0.0404 0.88489 0.000 0.988 0.000 0.012 0.000
#> ERR659147 2 0.0404 0.88489 0.000 0.988 0.000 0.012 0.000
#> ERR659052 5 0.7198 0.14892 0.024 0.004 0.224 0.280 0.468
#> ERR659148 5 0.7198 0.14892 0.024 0.004 0.224 0.280 0.468
#> ERR659053 1 0.5874 0.51118 0.692 0.000 0.092 0.140 0.076
#> ERR659149 1 0.5874 0.51118 0.692 0.000 0.092 0.140 0.076
#> ERR659054 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659055 5 0.5701 0.51237 0.248 0.000 0.068 0.032 0.652
#> ERR659151 5 0.5701 0.51237 0.248 0.000 0.068 0.032 0.652
#> ERR659056 2 0.1571 0.85304 0.000 0.936 0.004 0.060 0.000
#> ERR659152 2 0.1571 0.85304 0.000 0.936 0.004 0.060 0.000
#> ERR659057 3 0.8513 0.09559 0.272 0.000 0.304 0.240 0.184
#> ERR659153 3 0.8513 0.09559 0.272 0.000 0.304 0.240 0.184
#> ERR659058 5 0.5210 0.52674 0.252 0.000 0.028 0.040 0.680
#> ERR659154 5 0.5210 0.52674 0.252 0.000 0.028 0.040 0.680
#> ERR659059 1 0.8383 -0.07713 0.300 0.000 0.276 0.284 0.140
#> ERR659155 1 0.8383 -0.07713 0.300 0.000 0.276 0.284 0.140
#> ERR659060 1 0.6491 0.29547 0.544 0.000 0.040 0.324 0.092
#> ERR659156 1 0.6491 0.29547 0.544 0.000 0.040 0.324 0.092
#> ERR659061 1 0.6882 0.25381 0.504 0.000 0.092 0.340 0.064
#> ERR659157 1 0.6882 0.25381 0.504 0.000 0.092 0.340 0.064
#> ERR659062 3 0.8375 0.25590 0.080 0.080 0.504 0.156 0.180
#> ERR659158 3 0.8375 0.25590 0.080 0.080 0.504 0.156 0.180
#> ERR659063 4 0.7851 -0.00579 0.288 0.000 0.304 0.344 0.064
#> ERR659159 4 0.7851 -0.00579 0.288 0.000 0.304 0.344 0.064
#> ERR659064 1 0.4136 0.56128 0.800 0.000 0.016 0.052 0.132
#> ERR659160 1 0.4136 0.56128 0.800 0.000 0.016 0.052 0.132
#> ERR659065 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659066 5 0.5415 0.49166 0.260 0.000 0.020 0.060 0.660
#> ERR659162 5 0.5415 0.49166 0.260 0.000 0.020 0.060 0.660
#> ERR659067 5 0.5008 0.59506 0.180 0.000 0.060 0.028 0.732
#> ERR659163 5 0.5008 0.59506 0.180 0.000 0.060 0.028 0.732
#> ERR659068 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659069 5 0.5336 0.59643 0.168 0.000 0.060 0.052 0.720
#> ERR659165 5 0.5336 0.59643 0.168 0.000 0.060 0.052 0.720
#> ERR659070 1 0.4240 0.54176 0.804 0.000 0.036 0.116 0.044
#> ERR659166 1 0.4240 0.54176 0.804 0.000 0.036 0.116 0.044
#> ERR659071 3 0.7641 0.24546 0.188 0.000 0.472 0.252 0.088
#> ERR659167 3 0.7641 0.24546 0.188 0.000 0.472 0.252 0.088
#> ERR659072 5 0.5182 0.59301 0.128 0.000 0.072 0.056 0.744
#> ERR659168 5 0.5182 0.59301 0.128 0.000 0.072 0.056 0.744
#> ERR659073 5 0.8460 -0.05853 0.268 0.000 0.236 0.172 0.324
#> ERR659169 5 0.8460 -0.05853 0.268 0.000 0.236 0.172 0.324
#> ERR659074 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659077 3 0.7388 0.25497 0.252 0.000 0.500 0.176 0.072
#> ERR659173 3 0.7388 0.25497 0.252 0.000 0.500 0.176 0.072
#> ERR659078 1 0.8063 0.26587 0.440 0.000 0.216 0.168 0.176
#> ERR659174 1 0.8063 0.26587 0.440 0.000 0.216 0.168 0.176
#> ERR659079 3 0.5985 0.40081 0.140 0.000 0.680 0.116 0.064
#> ERR659175 3 0.5985 0.40081 0.140 0.000 0.680 0.116 0.064
#> ERR659080 4 0.8341 0.14666 0.084 0.276 0.156 0.444 0.040
#> ERR659176 4 0.8341 0.14666 0.084 0.276 0.156 0.444 0.040
#> ERR659081 1 0.4274 0.56774 0.796 0.000 0.032 0.040 0.132
#> ERR659177 1 0.4274 0.56774 0.796 0.000 0.032 0.040 0.132
#> ERR659082 1 0.5128 0.52990 0.708 0.000 0.020 0.064 0.208
#> ERR659178 1 0.5128 0.52990 0.708 0.000 0.020 0.064 0.208
#> ERR659083 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.89158 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.7076 0.39867 0.488 0.000 0.036 0.180 0.296
#> ERR659181 1 0.7076 0.39867 0.488 0.000 0.036 0.180 0.296
#> ERR659086 1 0.7210 0.45134 0.560 0.000 0.184 0.144 0.112
#> ERR659182 1 0.7210 0.45134 0.560 0.000 0.184 0.144 0.112
#> ERR659087 5 0.7709 0.29511 0.120 0.000 0.244 0.156 0.480
#> ERR659183 5 0.7709 0.29511 0.120 0.000 0.244 0.156 0.480
#> ERR659088 4 0.8275 -0.04864 0.112 0.004 0.272 0.372 0.240
#> ERR659184 4 0.8275 -0.04864 0.112 0.004 0.272 0.372 0.240
#> ERR659089 1 0.7447 0.25326 0.452 0.000 0.064 0.168 0.316
#> ERR659185 1 0.7447 0.25326 0.452 0.000 0.064 0.168 0.316
#> ERR659090 1 0.7043 0.42776 0.584 0.000 0.128 0.160 0.128
#> ERR659186 1 0.7043 0.42776 0.584 0.000 0.128 0.160 0.128
#> ERR659091 1 0.7587 0.19872 0.428 0.000 0.232 0.056 0.284
#> ERR659187 1 0.7587 0.19872 0.428 0.000 0.232 0.056 0.284
#> ERR659092 3 0.6656 0.38457 0.148 0.000 0.624 0.104 0.124
#> ERR659188 3 0.6656 0.38457 0.148 0.000 0.624 0.104 0.124
#> ERR659093 1 0.6487 0.53341 0.628 0.000 0.064 0.148 0.160
#> ERR659189 1 0.6487 0.53341 0.628 0.000 0.064 0.148 0.160
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 2 0.7577 -0.16008 0.004 0.420 0.140 0.300 0.112 0.024
#> ERR467498 2 0.7577 -0.16008 0.004 0.420 0.140 0.300 0.112 0.024
#> ERR658998 3 0.6033 0.33427 0.100 0.000 0.664 0.036 0.112 0.088
#> ERR659094 3 0.6033 0.33427 0.100 0.000 0.664 0.036 0.112 0.088
#> ERR658999 6 0.4138 0.56432 0.164 0.000 0.016 0.024 0.024 0.772
#> ERR659095 6 0.4138 0.56432 0.164 0.000 0.016 0.024 0.024 0.772
#> ERR659000 4 0.8193 0.17295 0.024 0.216 0.220 0.328 0.208 0.004
#> ERR659096 4 0.8193 0.17295 0.024 0.216 0.220 0.328 0.208 0.004
#> ERR659001 6 0.7368 0.36378 0.232 0.000 0.064 0.108 0.092 0.504
#> ERR659097 6 0.7388 0.36319 0.228 0.000 0.064 0.108 0.096 0.504
#> ERR659002 4 0.7998 0.00343 0.192 0.000 0.072 0.432 0.188 0.116
#> ERR659098 4 0.7998 0.00343 0.192 0.000 0.072 0.432 0.188 0.116
#> ERR659003 1 0.5359 0.48393 0.700 0.000 0.152 0.088 0.032 0.028
#> ERR659099 1 0.5324 0.48662 0.704 0.000 0.148 0.088 0.032 0.028
#> ERR659004 6 0.6520 0.41652 0.024 0.000 0.148 0.212 0.048 0.568
#> ERR659100 6 0.6520 0.41652 0.024 0.000 0.148 0.212 0.048 0.568
#> ERR659005 1 0.6215 0.37298 0.584 0.000 0.240 0.116 0.040 0.020
#> ERR659101 1 0.6215 0.37298 0.584 0.000 0.240 0.116 0.040 0.020
#> ERR659006 6 0.6206 0.51620 0.084 0.000 0.108 0.160 0.020 0.628
#> ERR659102 6 0.6206 0.51620 0.084 0.000 0.108 0.160 0.020 0.628
#> ERR659007 1 0.4891 0.52589 0.748 0.000 0.056 0.032 0.040 0.124
#> ERR659103 1 0.4891 0.52589 0.748 0.000 0.056 0.032 0.040 0.124
#> ERR659008 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 6 0.6767 0.30709 0.020 0.000 0.248 0.140 0.064 0.528
#> ERR659105 6 0.6767 0.30709 0.020 0.000 0.248 0.140 0.064 0.528
#> ERR659010 6 0.5862 0.52479 0.024 0.000 0.108 0.084 0.112 0.672
#> ERR659106 6 0.5862 0.52479 0.024 0.000 0.108 0.084 0.112 0.672
#> ERR659011 6 0.6181 0.49875 0.204 0.000 0.060 0.132 0.008 0.596
#> ERR659107 6 0.6181 0.49875 0.204 0.000 0.060 0.132 0.008 0.596
#> ERR659012 6 0.6168 0.30434 0.004 0.000 0.336 0.088 0.056 0.516
#> ERR659108 6 0.6168 0.30434 0.004 0.000 0.336 0.088 0.056 0.516
#> ERR659013 3 0.7684 0.06949 0.020 0.036 0.376 0.132 0.372 0.064
#> ERR659109 3 0.7684 0.06949 0.020 0.036 0.376 0.132 0.372 0.064
#> ERR659014 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 3 0.7775 0.02462 0.276 0.000 0.312 0.088 0.296 0.028
#> ERR659111 3 0.7775 0.02462 0.276 0.000 0.312 0.088 0.296 0.028
#> ERR659016 4 0.8380 0.27632 0.088 0.292 0.124 0.376 0.104 0.016
#> ERR659112 4 0.8380 0.27632 0.088 0.292 0.124 0.376 0.104 0.016
#> ERR659017 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.6581 0.27359 0.532 0.000 0.048 0.052 0.068 0.300
#> ERR659114 1 0.6581 0.27359 0.532 0.000 0.048 0.052 0.068 0.300
#> ERR659019 6 0.5905 0.34288 0.332 0.000 0.036 0.048 0.028 0.556
#> ERR659115 6 0.5905 0.34288 0.332 0.000 0.036 0.048 0.028 0.556
#> ERR659020 1 0.6273 0.35445 0.572 0.000 0.048 0.100 0.020 0.260
#> ERR659116 1 0.6273 0.35445 0.572 0.000 0.048 0.100 0.020 0.260
#> ERR659021 1 0.6858 0.34894 0.576 0.000 0.048 0.120 0.172 0.084
#> ERR659117 1 0.6858 0.34894 0.576 0.000 0.048 0.120 0.172 0.084
#> ERR659022 1 0.6813 0.18681 0.424 0.000 0.064 0.388 0.104 0.020
#> ERR659118 1 0.6813 0.18681 0.424 0.000 0.064 0.388 0.104 0.020
#> ERR659023 3 0.8175 0.09686 0.156 0.060 0.436 0.088 0.236 0.024
#> ERR659119 3 0.8175 0.09686 0.156 0.060 0.436 0.088 0.236 0.024
#> ERR659024 5 0.6906 0.27838 0.144 0.000 0.148 0.156 0.540 0.012
#> ERR659120 5 0.6906 0.27838 0.144 0.000 0.148 0.156 0.540 0.012
#> ERR659025 4 0.7424 0.11224 0.260 0.000 0.144 0.464 0.096 0.036
#> ERR659121 4 0.7424 0.11224 0.260 0.000 0.144 0.464 0.096 0.036
#> ERR659026 6 0.7449 0.26546 0.224 0.000 0.028 0.092 0.200 0.456
#> ERR659122 6 0.7449 0.26546 0.224 0.000 0.028 0.092 0.200 0.456
#> ERR659027 2 0.8623 -0.28159 0.060 0.360 0.092 0.252 0.200 0.036
#> ERR659123 2 0.8623 -0.28159 0.060 0.360 0.092 0.252 0.200 0.036
#> ERR659028 5 0.5562 0.24655 0.060 0.004 0.156 0.068 0.692 0.020
#> ERR659124 5 0.5562 0.24655 0.060 0.004 0.156 0.068 0.692 0.020
#> ERR659029 5 0.6491 0.30926 0.084 0.000 0.100 0.112 0.632 0.072
#> ERR659125 5 0.6491 0.30926 0.084 0.000 0.100 0.112 0.632 0.072
#> ERR659030 1 0.6014 0.46326 0.624 0.000 0.016 0.048 0.120 0.192
#> ERR659126 1 0.6014 0.46326 0.624 0.000 0.016 0.048 0.120 0.192
#> ERR659031 4 0.7805 -0.08351 0.056 0.004 0.124 0.400 0.320 0.096
#> ERR659127 4 0.7805 -0.08351 0.056 0.004 0.124 0.400 0.320 0.096
#> ERR659032 3 0.7046 0.20918 0.104 0.000 0.548 0.092 0.204 0.052
#> ERR659128 3 0.7046 0.20918 0.104 0.000 0.548 0.092 0.204 0.052
#> ERR659033 1 0.7341 0.39930 0.528 0.000 0.096 0.184 0.068 0.124
#> ERR659129 1 0.7341 0.39930 0.528 0.000 0.096 0.184 0.068 0.124
#> ERR659034 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 5 0.8240 0.22451 0.104 0.000 0.192 0.240 0.376 0.088
#> ERR659131 5 0.8240 0.22451 0.104 0.000 0.192 0.240 0.376 0.088
#> ERR659036 1 0.7786 -0.17644 0.316 0.000 0.060 0.276 0.300 0.048
#> ERR659132 1 0.7786 -0.17644 0.316 0.000 0.060 0.276 0.300 0.048
#> ERR659037 1 0.8523 0.18644 0.372 0.000 0.140 0.156 0.148 0.184
#> ERR659133 1 0.8523 0.18644 0.372 0.000 0.140 0.156 0.148 0.184
#> ERR659038 6 0.4525 0.59505 0.104 0.000 0.060 0.052 0.012 0.772
#> ERR659134 6 0.4525 0.59505 0.104 0.000 0.060 0.052 0.012 0.772
#> ERR659039 6 0.5012 0.57999 0.104 0.000 0.032 0.032 0.092 0.740
#> ERR659135 6 0.5012 0.57999 0.104 0.000 0.032 0.032 0.092 0.740
#> ERR659040 5 0.7051 0.07388 0.036 0.028 0.304 0.120 0.492 0.020
#> ERR659136 5 0.7051 0.07388 0.036 0.028 0.304 0.120 0.492 0.020
#> ERR659041 4 0.8772 0.26255 0.024 0.252 0.104 0.352 0.164 0.104
#> ERR659137 4 0.8772 0.26255 0.024 0.252 0.104 0.352 0.164 0.104
#> ERR659042 2 0.6568 0.33349 0.024 0.592 0.048 0.172 0.156 0.008
#> ERR659138 2 0.6568 0.33349 0.024 0.592 0.048 0.172 0.156 0.008
#> ERR659043 5 0.7448 0.18645 0.116 0.000 0.220 0.176 0.464 0.024
#> ERR659139 5 0.7448 0.18645 0.116 0.000 0.220 0.176 0.464 0.024
#> ERR659044 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 6 0.6564 0.52348 0.152 0.000 0.092 0.076 0.064 0.616
#> ERR659141 6 0.6564 0.52348 0.152 0.000 0.092 0.076 0.064 0.616
#> ERR659046 5 0.7095 0.29877 0.220 0.000 0.036 0.280 0.436 0.028
#> ERR659142 5 0.7095 0.29877 0.220 0.000 0.036 0.280 0.436 0.028
#> ERR659047 1 0.8054 0.26637 0.440 0.000 0.100 0.108 0.184 0.168
#> ERR659143 1 0.8054 0.26637 0.440 0.000 0.100 0.108 0.184 0.168
#> ERR659048 5 0.7916 0.24154 0.276 0.000 0.140 0.140 0.396 0.048
#> ERR659144 5 0.7916 0.24154 0.276 0.000 0.140 0.140 0.396 0.048
#> ERR659049 3 0.7675 0.19504 0.104 0.000 0.452 0.208 0.044 0.192
#> ERR659145 3 0.7656 0.19820 0.104 0.000 0.456 0.208 0.044 0.188
#> ERR659050 3 0.6993 0.13781 0.052 0.004 0.480 0.068 0.332 0.064
#> ERR659146 3 0.6993 0.13781 0.052 0.004 0.480 0.068 0.332 0.064
#> ERR659051 2 0.0405 0.88309 0.000 0.988 0.004 0.008 0.000 0.000
#> ERR659147 2 0.0405 0.88309 0.000 0.988 0.004 0.008 0.000 0.000
#> ERR659052 6 0.7759 0.03780 0.004 0.004 0.240 0.184 0.204 0.364
#> ERR659148 6 0.7759 0.03780 0.004 0.004 0.240 0.184 0.204 0.364
#> ERR659053 1 0.6341 0.39915 0.620 0.000 0.084 0.128 0.144 0.024
#> ERR659149 1 0.6341 0.39915 0.620 0.000 0.084 0.128 0.144 0.024
#> ERR659054 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 6 0.5671 0.44086 0.284 0.000 0.048 0.028 0.032 0.608
#> ERR659151 6 0.5671 0.44086 0.284 0.000 0.048 0.028 0.032 0.608
#> ERR659056 2 0.1882 0.82661 0.000 0.920 0.008 0.060 0.012 0.000
#> ERR659152 2 0.1882 0.82661 0.000 0.920 0.008 0.060 0.012 0.000
#> ERR659057 5 0.8614 0.17372 0.208 0.000 0.172 0.232 0.300 0.088
#> ERR659153 5 0.8614 0.17372 0.208 0.000 0.172 0.232 0.300 0.088
#> ERR659058 6 0.5851 0.52746 0.176 0.000 0.032 0.060 0.072 0.660
#> ERR659154 6 0.5851 0.52746 0.176 0.000 0.032 0.060 0.072 0.660
#> ERR659059 5 0.8664 0.21892 0.176 0.000 0.152 0.240 0.312 0.120
#> ERR659155 5 0.8664 0.21892 0.176 0.000 0.152 0.240 0.312 0.120
#> ERR659060 1 0.6658 0.17399 0.448 0.000 0.032 0.376 0.112 0.032
#> ERR659156 1 0.6658 0.17399 0.448 0.000 0.032 0.376 0.112 0.032
#> ERR659061 1 0.7726 0.14098 0.400 0.000 0.144 0.308 0.100 0.048
#> ERR659157 1 0.7726 0.14098 0.400 0.000 0.144 0.308 0.100 0.048
#> ERR659062 3 0.6880 0.29654 0.016 0.032 0.600 0.128 0.092 0.132
#> ERR659158 3 0.6880 0.29654 0.016 0.032 0.600 0.128 0.092 0.132
#> ERR659063 5 0.8330 0.19074 0.200 0.000 0.156 0.284 0.304 0.056
#> ERR659159 5 0.8330 0.19074 0.200 0.000 0.156 0.284 0.304 0.056
#> ERR659064 1 0.4824 0.51502 0.744 0.000 0.012 0.084 0.040 0.120
#> ERR659160 1 0.4824 0.51502 0.744 0.000 0.012 0.084 0.040 0.120
#> ERR659065 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 6 0.6807 0.46232 0.220 0.000 0.072 0.132 0.028 0.548
#> ERR659162 6 0.6807 0.46232 0.220 0.000 0.072 0.132 0.028 0.548
#> ERR659067 6 0.4412 0.58716 0.092 0.000 0.044 0.028 0.048 0.788
#> ERR659163 6 0.4412 0.58716 0.092 0.000 0.044 0.028 0.048 0.788
#> ERR659068 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 6 0.4803 0.57365 0.116 0.000 0.016 0.060 0.056 0.752
#> ERR659165 6 0.4803 0.57365 0.116 0.000 0.016 0.060 0.056 0.752
#> ERR659070 1 0.4924 0.47674 0.720 0.000 0.044 0.180 0.032 0.024
#> ERR659166 1 0.4924 0.47674 0.720 0.000 0.044 0.180 0.032 0.024
#> ERR659071 5 0.8006 0.25344 0.152 0.000 0.160 0.160 0.448 0.080
#> ERR659167 5 0.8006 0.25344 0.152 0.000 0.160 0.160 0.448 0.080
#> ERR659072 6 0.6802 0.53932 0.132 0.000 0.124 0.124 0.036 0.584
#> ERR659168 6 0.6802 0.53932 0.132 0.000 0.124 0.124 0.036 0.584
#> ERR659073 3 0.8371 0.15772 0.140 0.000 0.312 0.260 0.064 0.224
#> ERR659169 3 0.8371 0.15772 0.140 0.000 0.312 0.260 0.064 0.224
#> ERR659074 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 3 0.8189 0.12518 0.116 0.000 0.336 0.236 0.256 0.056
#> ERR659173 3 0.8189 0.12518 0.116 0.000 0.336 0.236 0.256 0.056
#> ERR659078 3 0.8216 0.01397 0.284 0.000 0.332 0.212 0.072 0.100
#> ERR659174 3 0.8216 0.01397 0.284 0.000 0.332 0.212 0.072 0.100
#> ERR659079 3 0.6611 0.25274 0.076 0.000 0.592 0.104 0.188 0.040
#> ERR659175 3 0.6611 0.25274 0.076 0.000 0.592 0.104 0.188 0.040
#> ERR659080 4 0.9012 0.18167 0.104 0.120 0.144 0.384 0.192 0.056
#> ERR659176 4 0.9012 0.18167 0.104 0.120 0.144 0.384 0.192 0.056
#> ERR659081 1 0.4964 0.52621 0.740 0.000 0.040 0.072 0.024 0.124
#> ERR659177 1 0.4964 0.52621 0.740 0.000 0.040 0.072 0.024 0.124
#> ERR659082 1 0.4619 0.49178 0.736 0.000 0.012 0.024 0.052 0.176
#> ERR659178 1 0.4619 0.49178 0.736 0.000 0.012 0.024 0.052 0.176
#> ERR659083 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.89162 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.7704 0.36848 0.456 0.000 0.088 0.216 0.060 0.180
#> ERR659181 1 0.7704 0.36848 0.456 0.000 0.088 0.216 0.060 0.180
#> ERR659086 1 0.7224 0.34676 0.520 0.000 0.228 0.108 0.060 0.084
#> ERR659182 1 0.7224 0.34676 0.520 0.000 0.228 0.108 0.060 0.084
#> ERR659087 6 0.7938 0.17434 0.044 0.000 0.168 0.204 0.164 0.420
#> ERR659183 6 0.7938 0.17434 0.044 0.000 0.168 0.204 0.164 0.420
#> ERR659088 5 0.8655 0.11188 0.120 0.000 0.156 0.208 0.328 0.188
#> ERR659184 5 0.8644 0.10930 0.116 0.000 0.156 0.208 0.328 0.192
#> ERR659089 4 0.7076 -0.18048 0.368 0.000 0.032 0.372 0.028 0.200
#> ERR659185 4 0.7076 -0.18048 0.368 0.000 0.032 0.372 0.028 0.200
#> ERR659090 1 0.8112 0.22839 0.400 0.000 0.096 0.260 0.108 0.136
#> ERR659186 1 0.8112 0.22839 0.400 0.000 0.096 0.260 0.108 0.136
#> ERR659091 1 0.8371 0.00605 0.304 0.000 0.112 0.084 0.204 0.296
#> ERR659187 1 0.8371 0.00605 0.304 0.000 0.112 0.084 0.204 0.296
#> ERR659092 3 0.7440 0.16146 0.092 0.000 0.440 0.060 0.316 0.092
#> ERR659188 3 0.7440 0.16146 0.092 0.000 0.440 0.060 0.316 0.092
#> ERR659093 1 0.6013 0.47984 0.664 0.000 0.044 0.108 0.060 0.124
#> ERR659189 1 0.6013 0.47984 0.664 0.000 0.044 0.108 0.060 0.124
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)
#> Error in mat[ceiling(1:nr/h_ratio), ceiling(1:nc/w_ratio), drop = FALSE]: subscript out of bounds
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.740 0.848 0.938 0.3395 0.671 0.671
#> 3 3 0.362 0.590 0.809 0.4870 0.827 0.745
#> 4 4 0.327 0.510 0.770 0.0905 0.949 0.904
#> 5 5 0.319 0.512 0.761 0.0207 0.997 0.995
#> 6 6 0.323 0.504 0.759 0.0149 0.986 0.973
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
#> ERR467487 2 0.9866 0.31511 0.432 0.568
#> ERR467498 2 0.9866 0.31488 0.432 0.568
#> ERR658998 1 0.0672 0.93833 0.992 0.008
#> ERR659094 1 0.0672 0.93866 0.992 0.008
#> ERR658999 1 0.0000 0.94260 1.000 0.000
#> ERR659095 1 0.0000 0.94260 1.000 0.000
#> ERR659000 1 0.9993 -0.00752 0.516 0.484
#> ERR659096 1 0.9988 0.01063 0.520 0.480
#> ERR659001 1 0.0000 0.94260 1.000 0.000
#> ERR659097 1 0.0000 0.94260 1.000 0.000
#> ERR659002 1 0.0000 0.94260 1.000 0.000
#> ERR659098 1 0.0000 0.94260 1.000 0.000
#> ERR659003 1 0.0000 0.94260 1.000 0.000
#> ERR659099 1 0.0000 0.94260 1.000 0.000
#> ERR659004 1 0.8016 0.67323 0.756 0.244
#> ERR659100 1 0.9000 0.53224 0.684 0.316
#> ERR659005 1 0.0000 0.94260 1.000 0.000
#> ERR659101 1 0.0000 0.94260 1.000 0.000
#> ERR659006 1 0.0000 0.94260 1.000 0.000
#> ERR659102 1 0.0000 0.94260 1.000 0.000
#> ERR659007 1 0.0000 0.94260 1.000 0.000
#> ERR659103 1 0.0000 0.94260 1.000 0.000
#> ERR659008 2 0.0000 0.87478 0.000 1.000
#> ERR659104 2 0.0000 0.87478 0.000 1.000
#> ERR659009 1 0.0672 0.93858 0.992 0.008
#> ERR659105 1 0.0376 0.94064 0.996 0.004
#> ERR659010 1 0.0672 0.93854 0.992 0.008
#> ERR659106 1 0.0376 0.94064 0.996 0.004
#> ERR659011 1 0.0000 0.94260 1.000 0.000
#> ERR659107 1 0.0000 0.94260 1.000 0.000
#> ERR659012 1 0.3114 0.90362 0.944 0.056
#> ERR659108 1 0.2236 0.91941 0.964 0.036
#> ERR659013 1 0.5629 0.82861 0.868 0.132
#> ERR659109 1 0.5294 0.84191 0.880 0.120
#> ERR659014 2 0.0000 0.87478 0.000 1.000
#> ERR659110 2 0.0000 0.87478 0.000 1.000
#> ERR659015 1 0.0000 0.94260 1.000 0.000
#> ERR659111 1 0.0000 0.94260 1.000 0.000
#> ERR659016 2 0.9944 0.23945 0.456 0.544
#> ERR659112 2 0.9909 0.27373 0.444 0.556
#> ERR659017 2 0.0000 0.87478 0.000 1.000
#> ERR659113 2 0.0000 0.87478 0.000 1.000
#> ERR659018 1 0.0000 0.94260 1.000 0.000
#> ERR659114 1 0.0000 0.94260 1.000 0.000
#> ERR659019 1 0.0000 0.94260 1.000 0.000
#> ERR659115 1 0.0000 0.94260 1.000 0.000
#> ERR659020 1 0.0000 0.94260 1.000 0.000
#> ERR659116 1 0.0000 0.94260 1.000 0.000
#> ERR659021 1 0.0000 0.94260 1.000 0.000
#> ERR659117 1 0.0000 0.94260 1.000 0.000
#> ERR659022 1 0.0000 0.94260 1.000 0.000
#> ERR659118 1 0.0000 0.94260 1.000 0.000
#> ERR659023 1 0.9552 0.38428 0.624 0.376
#> ERR659119 1 0.9491 0.40603 0.632 0.368
#> ERR659024 1 0.3733 0.88791 0.928 0.072
#> ERR659120 1 0.4431 0.86935 0.908 0.092
#> ERR659025 1 0.1633 0.92795 0.976 0.024
#> ERR659121 1 0.3584 0.89367 0.932 0.068
#> ERR659026 1 0.0000 0.94260 1.000 0.000
#> ERR659122 1 0.0000 0.94260 1.000 0.000
#> ERR659027 2 0.9754 0.35937 0.408 0.592
#> ERR659123 2 0.9661 0.39527 0.392 0.608
#> ERR659028 1 0.5946 0.81669 0.856 0.144
#> ERR659124 1 0.6343 0.79817 0.840 0.160
#> ERR659029 1 0.0000 0.94260 1.000 0.000
#> ERR659125 1 0.0000 0.94260 1.000 0.000
#> ERR659030 1 0.0000 0.94260 1.000 0.000
#> ERR659126 1 0.0000 0.94260 1.000 0.000
#> ERR659031 1 0.8144 0.65513 0.748 0.252
#> ERR659127 1 0.8207 0.64802 0.744 0.256
#> ERR659032 1 0.7056 0.75722 0.808 0.192
#> ERR659128 1 0.6531 0.78805 0.832 0.168
#> ERR659033 1 0.0000 0.94260 1.000 0.000
#> ERR659129 1 0.0000 0.94260 1.000 0.000
#> ERR659034 2 0.0000 0.87478 0.000 1.000
#> ERR659130 2 0.0000 0.87478 0.000 1.000
#> ERR659035 1 0.0000 0.94260 1.000 0.000
#> ERR659131 1 0.0000 0.94260 1.000 0.000
#> ERR659036 1 0.0672 0.93852 0.992 0.008
#> ERR659132 1 0.1414 0.93086 0.980 0.020
#> ERR659037 1 0.0000 0.94260 1.000 0.000
#> ERR659133 1 0.0000 0.94260 1.000 0.000
#> ERR659038 1 0.1843 0.92501 0.972 0.028
#> ERR659134 1 0.0938 0.93614 0.988 0.012
#> ERR659039 1 0.0000 0.94260 1.000 0.000
#> ERR659135 1 0.0000 0.94260 1.000 0.000
#> ERR659040 1 0.7219 0.74210 0.800 0.200
#> ERR659136 1 0.6801 0.76977 0.820 0.180
#> ERR659041 2 0.9970 0.19584 0.468 0.532
#> ERR659137 2 0.9996 0.12221 0.488 0.512
#> ERR659042 2 0.9815 0.32847 0.420 0.580
#> ERR659138 2 0.9754 0.35935 0.408 0.592
#> ERR659043 1 0.0000 0.94260 1.000 0.000
#> ERR659139 1 0.0000 0.94260 1.000 0.000
#> ERR659044 2 0.0000 0.87478 0.000 1.000
#> ERR659140 2 0.0000 0.87478 0.000 1.000
#> ERR659045 1 0.0938 0.93613 0.988 0.012
#> ERR659141 1 0.1184 0.93354 0.984 0.016
#> ERR659046 1 0.0000 0.94260 1.000 0.000
#> ERR659142 1 0.0000 0.94260 1.000 0.000
#> ERR659047 1 0.0000 0.94260 1.000 0.000
#> ERR659143 1 0.0000 0.94260 1.000 0.000
#> ERR659048 1 0.0000 0.94260 1.000 0.000
#> ERR659144 1 0.0000 0.94260 1.000 0.000
#> ERR659049 1 0.8763 0.57609 0.704 0.296
#> ERR659145 1 0.8813 0.56607 0.700 0.300
#> ERR659050 1 0.1843 0.92537 0.972 0.028
#> ERR659146 1 0.2423 0.91643 0.960 0.040
#> ERR659051 2 0.0000 0.87478 0.000 1.000
#> ERR659147 2 0.0000 0.87478 0.000 1.000
#> ERR659052 1 0.6048 0.81001 0.852 0.148
#> ERR659148 1 0.6973 0.75894 0.812 0.188
#> ERR659053 1 0.0000 0.94260 1.000 0.000
#> ERR659149 1 0.0000 0.94260 1.000 0.000
#> ERR659054 2 0.0000 0.87478 0.000 1.000
#> ERR659150 2 0.0000 0.87478 0.000 1.000
#> ERR659055 1 0.0000 0.94260 1.000 0.000
#> ERR659151 1 0.0000 0.94260 1.000 0.000
#> ERR659056 2 0.0000 0.87478 0.000 1.000
#> ERR659152 2 0.0672 0.86940 0.008 0.992
#> ERR659057 1 0.0376 0.94057 0.996 0.004
#> ERR659153 1 0.0376 0.94057 0.996 0.004
#> ERR659058 1 0.0000 0.94260 1.000 0.000
#> ERR659154 1 0.0000 0.94260 1.000 0.000
#> ERR659059 1 0.0000 0.94260 1.000 0.000
#> ERR659155 1 0.0000 0.94260 1.000 0.000
#> ERR659060 1 0.0000 0.94260 1.000 0.000
#> ERR659156 1 0.0000 0.94260 1.000 0.000
#> ERR659061 1 0.0000 0.94260 1.000 0.000
#> ERR659157 1 0.0000 0.94260 1.000 0.000
#> ERR659062 1 0.9754 0.28558 0.592 0.408
#> ERR659158 1 0.9635 0.34649 0.612 0.388
#> ERR659063 1 0.4431 0.86938 0.908 0.092
#> ERR659159 1 0.3879 0.88455 0.924 0.076
#> ERR659064 1 0.0000 0.94260 1.000 0.000
#> ERR659160 1 0.0000 0.94260 1.000 0.000
#> ERR659065 2 0.0000 0.87478 0.000 1.000
#> ERR659161 2 0.0000 0.87478 0.000 1.000
#> ERR659066 1 0.0000 0.94260 1.000 0.000
#> ERR659162 1 0.0000 0.94260 1.000 0.000
#> ERR659067 1 0.0000 0.94260 1.000 0.000
#> ERR659163 1 0.0000 0.94260 1.000 0.000
#> ERR659068 2 0.0000 0.87478 0.000 1.000
#> ERR659164 2 0.0000 0.87478 0.000 1.000
#> ERR659069 1 0.0000 0.94260 1.000 0.000
#> ERR659165 1 0.0000 0.94260 1.000 0.000
#> ERR659070 1 0.0000 0.94260 1.000 0.000
#> ERR659166 1 0.0000 0.94260 1.000 0.000
#> ERR659071 1 0.0000 0.94260 1.000 0.000
#> ERR659167 1 0.0000 0.94260 1.000 0.000
#> ERR659072 1 0.0000 0.94260 1.000 0.000
#> ERR659168 1 0.0000 0.94260 1.000 0.000
#> ERR659073 1 0.0000 0.94260 1.000 0.000
#> ERR659169 1 0.0000 0.94260 1.000 0.000
#> ERR659074 2 0.0000 0.87478 0.000 1.000
#> ERR659170 2 0.0000 0.87478 0.000 1.000
#> ERR659075 2 0.0000 0.87478 0.000 1.000
#> ERR659171 2 0.0000 0.87478 0.000 1.000
#> ERR659076 2 0.0000 0.87478 0.000 1.000
#> ERR659172 2 0.0000 0.87478 0.000 1.000
#> ERR659077 1 0.0000 0.94260 1.000 0.000
#> ERR659173 1 0.0000 0.94260 1.000 0.000
#> ERR659078 1 0.0000 0.94260 1.000 0.000
#> ERR659174 1 0.0000 0.94260 1.000 0.000
#> ERR659079 1 0.0672 0.93853 0.992 0.008
#> ERR659175 1 0.0672 0.93853 0.992 0.008
#> ERR659080 1 0.9608 0.36214 0.616 0.384
#> ERR659176 1 0.9460 0.41785 0.636 0.364
#> ERR659081 1 0.0000 0.94260 1.000 0.000
#> ERR659177 1 0.0000 0.94260 1.000 0.000
#> ERR659082 1 0.0000 0.94260 1.000 0.000
#> ERR659178 1 0.0000 0.94260 1.000 0.000
#> ERR659083 2 0.0000 0.87478 0.000 1.000
#> ERR659179 2 0.0000 0.87478 0.000 1.000
#> ERR659084 2 0.0000 0.87478 0.000 1.000
#> ERR659180 2 0.0000 0.87478 0.000 1.000
#> ERR659085 1 0.0000 0.94260 1.000 0.000
#> ERR659181 1 0.0000 0.94260 1.000 0.000
#> ERR659086 1 0.0000 0.94260 1.000 0.000
#> ERR659182 1 0.0000 0.94260 1.000 0.000
#> ERR659087 1 0.0672 0.93860 0.992 0.008
#> ERR659183 1 0.0672 0.93860 0.992 0.008
#> ERR659088 1 0.7299 0.74020 0.796 0.204
#> ERR659184 1 0.6973 0.76215 0.812 0.188
#> ERR659089 1 0.0000 0.94260 1.000 0.000
#> ERR659185 1 0.0000 0.94260 1.000 0.000
#> ERR659090 1 0.0000 0.94260 1.000 0.000
#> ERR659186 1 0.0000 0.94260 1.000 0.000
#> ERR659091 1 0.0000 0.94260 1.000 0.000
#> ERR659187 1 0.0000 0.94260 1.000 0.000
#> ERR659092 1 0.0000 0.94260 1.000 0.000
#> ERR659188 1 0.0000 0.94260 1.000 0.000
#> ERR659093 1 0.0000 0.94260 1.000 0.000
#> ERR659189 1 0.0000 0.94260 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 3 0.3550 0.5045 0.080 0.024 0.896
#> ERR467498 3 0.3550 0.5045 0.080 0.024 0.896
#> ERR658998 1 0.1399 0.7508 0.968 0.004 0.028
#> ERR659094 1 0.3112 0.7469 0.900 0.004 0.096
#> ERR658999 1 0.2066 0.7417 0.940 0.000 0.060
#> ERR659095 1 0.2448 0.7464 0.924 0.000 0.076
#> ERR659000 3 0.9203 0.1956 0.164 0.340 0.496
#> ERR659096 3 0.9048 0.3344 0.172 0.288 0.540
#> ERR659001 1 0.4062 0.7275 0.836 0.000 0.164
#> ERR659097 1 0.4452 0.7122 0.808 0.000 0.192
#> ERR659002 1 0.2959 0.7504 0.900 0.000 0.100
#> ERR659098 1 0.2625 0.7539 0.916 0.000 0.084
#> ERR659003 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659099 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659004 3 0.8452 0.5327 0.340 0.104 0.556
#> ERR659100 3 0.9172 0.5033 0.356 0.156 0.488
#> ERR659005 1 0.0237 0.7434 0.996 0.000 0.004
#> ERR659101 1 0.0592 0.7469 0.988 0.000 0.012
#> ERR659006 3 0.6140 0.4135 0.404 0.000 0.596
#> ERR659102 3 0.6154 0.4034 0.408 0.000 0.592
#> ERR659007 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659103 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659008 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659104 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659009 3 0.5760 0.5230 0.328 0.000 0.672
#> ERR659105 3 0.6111 0.4486 0.396 0.000 0.604
#> ERR659010 1 0.5988 0.4708 0.632 0.000 0.368
#> ERR659106 1 0.4974 0.6702 0.764 0.000 0.236
#> ERR659011 1 0.1643 0.7439 0.956 0.000 0.044
#> ERR659107 1 0.2066 0.7492 0.940 0.000 0.060
#> ERR659012 1 0.5901 0.6291 0.768 0.040 0.192
#> ERR659108 1 0.4615 0.6782 0.836 0.020 0.144
#> ERR659013 1 0.7188 -0.2721 0.488 0.024 0.488
#> ERR659109 1 0.7283 -0.1869 0.512 0.028 0.460
#> ERR659014 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659110 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659015 1 0.1753 0.7536 0.952 0.000 0.048
#> ERR659111 1 0.1411 0.7531 0.964 0.000 0.036
#> ERR659016 3 0.6764 0.2612 0.060 0.224 0.716
#> ERR659112 3 0.7396 0.1000 0.060 0.296 0.644
#> ERR659017 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659113 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659018 1 0.2537 0.7543 0.920 0.000 0.080
#> ERR659114 1 0.2261 0.7557 0.932 0.000 0.068
#> ERR659019 1 0.3038 0.7477 0.896 0.000 0.104
#> ERR659115 1 0.1860 0.7556 0.948 0.000 0.052
#> ERR659020 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659116 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659021 1 0.2796 0.7491 0.908 0.000 0.092
#> ERR659117 1 0.3267 0.7416 0.884 0.000 0.116
#> ERR659022 3 0.6280 0.2675 0.460 0.000 0.540
#> ERR659118 3 0.6260 0.3226 0.448 0.000 0.552
#> ERR659023 1 0.7104 0.1711 0.608 0.360 0.032
#> ERR659119 1 0.7065 0.1917 0.616 0.352 0.032
#> ERR659024 1 0.5254 0.6082 0.736 0.000 0.264
#> ERR659120 1 0.5178 0.6201 0.744 0.000 0.256
#> ERR659025 3 0.6192 0.4502 0.420 0.000 0.580
#> ERR659121 3 0.7283 0.4046 0.460 0.028 0.512
#> ERR659026 1 0.6204 0.2957 0.576 0.000 0.424
#> ERR659122 1 0.6308 -0.0170 0.508 0.000 0.492
#> ERR659027 2 0.7551 -0.0935 0.372 0.580 0.048
#> ERR659123 2 0.6584 -0.0547 0.380 0.608 0.012
#> ERR659028 1 0.6529 0.6306 0.760 0.116 0.124
#> ERR659124 1 0.6918 0.5879 0.736 0.128 0.136
#> ERR659029 1 0.3412 0.7402 0.876 0.000 0.124
#> ERR659125 1 0.4291 0.7177 0.820 0.000 0.180
#> ERR659030 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659126 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659031 3 0.5948 0.4915 0.360 0.000 0.640
#> ERR659127 3 0.5905 0.5019 0.352 0.000 0.648
#> ERR659032 1 0.8717 0.2044 0.592 0.188 0.220
#> ERR659128 1 0.8624 0.2274 0.596 0.164 0.240
#> ERR659033 1 0.4931 0.6760 0.768 0.000 0.232
#> ERR659129 1 0.4654 0.6997 0.792 0.000 0.208
#> ERR659034 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659130 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659035 1 0.3752 0.7362 0.856 0.000 0.144
#> ERR659131 1 0.3619 0.7390 0.864 0.000 0.136
#> ERR659036 1 0.5905 0.4676 0.648 0.000 0.352
#> ERR659132 1 0.5926 0.4534 0.644 0.000 0.356
#> ERR659037 1 0.3816 0.7231 0.852 0.000 0.148
#> ERR659133 1 0.4002 0.7177 0.840 0.000 0.160
#> ERR659038 1 0.5591 0.5820 0.696 0.000 0.304
#> ERR659134 1 0.5988 0.4440 0.632 0.000 0.368
#> ERR659039 1 0.2066 0.7306 0.940 0.000 0.060
#> ERR659135 1 0.2066 0.7306 0.940 0.000 0.060
#> ERR659040 1 0.7555 -0.1315 0.520 0.040 0.440
#> ERR659136 1 0.6952 -0.1807 0.504 0.016 0.480
#> ERR659041 3 0.9008 0.3227 0.164 0.296 0.540
#> ERR659137 3 0.9018 0.3606 0.176 0.276 0.548
#> ERR659042 2 0.6701 -0.1413 0.412 0.576 0.012
#> ERR659138 2 0.6881 -0.0849 0.388 0.592 0.020
#> ERR659043 1 0.5678 0.5252 0.684 0.000 0.316
#> ERR659139 1 0.5926 0.4272 0.644 0.000 0.356
#> ERR659044 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659140 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659045 1 0.4702 0.6732 0.788 0.000 0.212
#> ERR659141 1 0.4750 0.6693 0.784 0.000 0.216
#> ERR659046 1 0.2448 0.7464 0.924 0.000 0.076
#> ERR659142 1 0.2261 0.7442 0.932 0.000 0.068
#> ERR659047 1 0.1411 0.7387 0.964 0.000 0.036
#> ERR659143 1 0.0892 0.7404 0.980 0.000 0.020
#> ERR659048 1 0.4121 0.7198 0.832 0.000 0.168
#> ERR659144 1 0.4121 0.7154 0.832 0.000 0.168
#> ERR659049 1 0.8873 0.0870 0.576 0.224 0.200
#> ERR659145 1 0.8685 0.1432 0.596 0.212 0.192
#> ERR659050 1 0.3359 0.7497 0.900 0.016 0.084
#> ERR659146 1 0.3406 0.7487 0.904 0.028 0.068
#> ERR659051 2 0.4346 0.7963 0.000 0.816 0.184
#> ERR659147 2 0.4002 0.8129 0.000 0.840 0.160
#> ERR659052 3 0.6518 0.0999 0.484 0.004 0.512
#> ERR659148 3 0.6495 0.2162 0.460 0.004 0.536
#> ERR659053 1 0.0424 0.7451 0.992 0.000 0.008
#> ERR659149 1 0.0592 0.7466 0.988 0.000 0.012
#> ERR659054 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659150 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659055 1 0.0424 0.7403 0.992 0.000 0.008
#> ERR659151 1 0.0424 0.7403 0.992 0.000 0.008
#> ERR659056 2 0.3879 0.8155 0.000 0.848 0.152
#> ERR659152 2 0.4399 0.7900 0.000 0.812 0.188
#> ERR659057 1 0.1529 0.7535 0.960 0.000 0.040
#> ERR659153 1 0.1163 0.7517 0.972 0.000 0.028
#> ERR659058 1 0.5810 0.4404 0.664 0.000 0.336
#> ERR659154 1 0.5835 0.4312 0.660 0.000 0.340
#> ERR659059 1 0.5733 0.5471 0.676 0.000 0.324
#> ERR659155 1 0.5810 0.5172 0.664 0.000 0.336
#> ERR659060 1 0.6111 0.2813 0.604 0.000 0.396
#> ERR659156 1 0.6140 0.2528 0.596 0.000 0.404
#> ERR659061 1 0.3116 0.7471 0.892 0.000 0.108
#> ERR659157 1 0.2356 0.7541 0.928 0.000 0.072
#> ERR659062 1 0.9717 -0.3219 0.448 0.248 0.304
#> ERR659158 1 0.9547 -0.2871 0.468 0.212 0.320
#> ERR659063 1 0.6432 0.2465 0.568 0.004 0.428
#> ERR659159 1 0.6111 0.3361 0.604 0.000 0.396
#> ERR659064 1 0.0237 0.7420 0.996 0.000 0.004
#> ERR659160 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659065 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659161 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659066 1 0.6252 0.1490 0.556 0.000 0.444
#> ERR659162 1 0.6140 0.3103 0.596 0.000 0.404
#> ERR659067 1 0.2625 0.7200 0.916 0.000 0.084
#> ERR659163 1 0.2625 0.7200 0.916 0.000 0.084
#> ERR659068 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659164 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659069 1 0.5178 0.6630 0.744 0.000 0.256
#> ERR659165 1 0.5291 0.6485 0.732 0.000 0.268
#> ERR659070 1 0.0237 0.7436 0.996 0.000 0.004
#> ERR659166 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659071 1 0.5591 0.5401 0.696 0.000 0.304
#> ERR659167 1 0.4796 0.6739 0.780 0.000 0.220
#> ERR659072 1 0.1031 0.7506 0.976 0.000 0.024
#> ERR659168 1 0.0424 0.7451 0.992 0.000 0.008
#> ERR659073 1 0.4121 0.7142 0.832 0.000 0.168
#> ERR659169 1 0.3879 0.7219 0.848 0.000 0.152
#> ERR659074 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659170 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659075 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659171 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659076 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659172 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659077 1 0.6192 0.1632 0.580 0.000 0.420
#> ERR659173 1 0.6079 0.3038 0.612 0.000 0.388
#> ERR659078 1 0.3038 0.7451 0.896 0.000 0.104
#> ERR659174 1 0.2625 0.7516 0.916 0.000 0.084
#> ERR659079 3 0.5882 0.5122 0.348 0.000 0.652
#> ERR659175 3 0.6079 0.4639 0.388 0.000 0.612
#> ERR659080 3 0.7944 0.3600 0.144 0.196 0.660
#> ERR659176 3 0.8303 0.4280 0.172 0.196 0.632
#> ERR659081 1 0.0237 0.7420 0.996 0.000 0.004
#> ERR659177 1 0.0424 0.7445 0.992 0.000 0.008
#> ERR659082 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659178 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659083 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659179 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659084 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659180 2 0.0000 0.9021 0.000 1.000 0.000
#> ERR659085 1 0.1289 0.7463 0.968 0.000 0.032
#> ERR659181 1 0.1163 0.7441 0.972 0.000 0.028
#> ERR659086 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659182 1 0.0000 0.7412 1.000 0.000 0.000
#> ERR659087 3 0.6299 0.2091 0.476 0.000 0.524
#> ERR659183 3 0.6302 0.1740 0.480 0.000 0.520
#> ERR659088 1 0.7078 0.5060 0.712 0.200 0.088
#> ERR659184 1 0.6935 0.5284 0.724 0.188 0.088
#> ERR659089 1 0.4178 0.6959 0.828 0.000 0.172
#> ERR659185 1 0.4702 0.6508 0.788 0.000 0.212
#> ERR659090 1 0.6154 0.3119 0.592 0.000 0.408
#> ERR659186 1 0.6026 0.4160 0.624 0.000 0.376
#> ERR659091 1 0.0424 0.7453 0.992 0.000 0.008
#> ERR659187 1 0.0592 0.7467 0.988 0.000 0.012
#> ERR659092 1 0.2261 0.7335 0.932 0.000 0.068
#> ERR659188 1 0.2625 0.7369 0.916 0.000 0.084
#> ERR659093 1 0.4178 0.7073 0.828 0.000 0.172
#> ERR659189 1 0.4121 0.7103 0.832 0.000 0.168
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.1716 -0.04584 0.064 0.000 0.936 0.000
#> ERR467498 3 0.1716 -0.04584 0.064 0.000 0.936 0.000
#> ERR658998 1 0.1697 0.70670 0.952 0.004 0.028 0.016
#> ERR659094 1 0.3109 0.70659 0.880 0.004 0.100 0.016
#> ERR658999 1 0.4741 0.50615 0.668 0.000 0.004 0.328
#> ERR659095 1 0.4699 0.52031 0.676 0.000 0.004 0.320
#> ERR659000 3 0.7006 0.06875 0.136 0.328 0.536 0.000
#> ERR659096 3 0.7048 0.07226 0.144 0.280 0.572 0.004
#> ERR659001 1 0.5646 0.52991 0.656 0.000 0.048 0.296
#> ERR659097 1 0.5691 0.51838 0.648 0.000 0.048 0.304
#> ERR659002 1 0.4562 0.64135 0.764 0.000 0.028 0.208
#> ERR659098 1 0.4387 0.65126 0.776 0.000 0.024 0.200
#> ERR659003 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659099 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659004 3 0.7175 -0.04601 0.284 0.104 0.588 0.024
#> ERR659100 3 0.7825 -0.00596 0.308 0.156 0.512 0.024
#> ERR659005 1 0.1004 0.70061 0.972 0.000 0.004 0.024
#> ERR659101 1 0.0937 0.70127 0.976 0.000 0.012 0.012
#> ERR659006 4 0.7348 0.95240 0.240 0.000 0.232 0.528
#> ERR659102 4 0.7252 0.95272 0.232 0.000 0.224 0.544
#> ERR659007 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659008 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659009 3 0.7726 -0.32248 0.296 0.000 0.444 0.260
#> ERR659105 3 0.7716 -0.19018 0.356 0.000 0.416 0.228
#> ERR659010 1 0.7182 0.38712 0.552 0.000 0.248 0.200
#> ERR659106 1 0.5993 0.60947 0.692 0.000 0.160 0.148
#> ERR659011 1 0.3032 0.68194 0.868 0.000 0.008 0.124
#> ERR659107 1 0.3497 0.68529 0.852 0.000 0.024 0.124
#> ERR659012 1 0.5988 0.59240 0.736 0.040 0.152 0.072
#> ERR659108 1 0.4557 0.64314 0.816 0.020 0.124 0.040
#> ERR659013 3 0.5968 0.09543 0.444 0.024 0.524 0.008
#> ERR659109 3 0.6186 0.08192 0.468 0.028 0.492 0.012
#> ERR659014 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659015 1 0.1706 0.70945 0.948 0.000 0.036 0.016
#> ERR659111 1 0.1388 0.70703 0.960 0.000 0.028 0.012
#> ERR659016 3 0.5139 0.06301 0.052 0.196 0.748 0.004
#> ERR659112 3 0.5696 0.06678 0.052 0.264 0.680 0.004
#> ERR659017 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659018 1 0.3239 0.70748 0.880 0.000 0.068 0.052
#> ERR659114 1 0.3392 0.70687 0.872 0.000 0.056 0.072
#> ERR659019 1 0.4289 0.66944 0.796 0.000 0.032 0.172
#> ERR659115 1 0.3402 0.67674 0.832 0.000 0.004 0.164
#> ERR659020 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659116 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659021 1 0.3051 0.70872 0.884 0.000 0.088 0.028
#> ERR659117 1 0.3525 0.70534 0.860 0.000 0.100 0.040
#> ERR659022 3 0.6252 0.06535 0.432 0.000 0.512 0.056
#> ERR659118 3 0.6094 0.07569 0.416 0.000 0.536 0.048
#> ERR659023 1 0.5804 0.21382 0.604 0.360 0.032 0.004
#> ERR659119 1 0.5773 0.23514 0.612 0.352 0.032 0.004
#> ERR659024 1 0.4164 0.61349 0.736 0.000 0.264 0.000
#> ERR659120 1 0.4103 0.62209 0.744 0.000 0.256 0.000
#> ERR659025 3 0.4730 0.03937 0.364 0.000 0.636 0.000
#> ERR659121 3 0.5671 0.03270 0.400 0.028 0.572 0.000
#> ERR659026 1 0.7653 0.10032 0.460 0.000 0.240 0.300
#> ERR659122 1 0.7799 -0.07075 0.420 0.000 0.308 0.272
#> ERR659027 2 0.6307 -0.11654 0.364 0.580 0.044 0.012
#> ERR659123 2 0.5500 -0.09686 0.380 0.600 0.016 0.004
#> ERR659028 1 0.6286 0.61542 0.732 0.112 0.080 0.076
#> ERR659124 1 0.6521 0.58354 0.712 0.128 0.100 0.060
#> ERR659029 1 0.4410 0.67067 0.808 0.000 0.064 0.128
#> ERR659125 1 0.5174 0.65351 0.760 0.000 0.116 0.124
#> ERR659030 1 0.0469 0.69375 0.988 0.000 0.000 0.012
#> ERR659126 1 0.0469 0.69375 0.988 0.000 0.000 0.012
#> ERR659031 3 0.6653 0.01403 0.356 0.000 0.548 0.096
#> ERR659127 3 0.6468 0.00845 0.348 0.000 0.568 0.084
#> ERR659032 1 0.8666 0.17396 0.532 0.168 0.128 0.172
#> ERR659128 1 0.8689 0.17328 0.532 0.160 0.144 0.164
#> ERR659033 1 0.5990 0.60370 0.688 0.000 0.124 0.188
#> ERR659129 1 0.5528 0.64583 0.732 0.000 0.124 0.144
#> ERR659034 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659035 1 0.3653 0.70397 0.844 0.000 0.128 0.028
#> ERR659131 1 0.3441 0.70740 0.856 0.000 0.120 0.024
#> ERR659036 1 0.6262 0.50378 0.628 0.000 0.280 0.092
#> ERR659132 1 0.6079 0.50188 0.628 0.000 0.300 0.072
#> ERR659037 1 0.3249 0.69182 0.852 0.000 0.140 0.008
#> ERR659133 1 0.3306 0.68858 0.840 0.000 0.156 0.004
#> ERR659038 1 0.6551 0.51124 0.624 0.000 0.240 0.136
#> ERR659134 1 0.6994 0.37517 0.560 0.000 0.288 0.152
#> ERR659039 1 0.3975 0.58932 0.760 0.000 0.000 0.240
#> ERR659135 1 0.4193 0.56474 0.732 0.000 0.000 0.268
#> ERR659040 1 0.6178 -0.06874 0.480 0.040 0.476 0.004
#> ERR659136 3 0.5678 0.02082 0.480 0.016 0.500 0.004
#> ERR659041 3 0.7187 0.01890 0.008 0.236 0.584 0.172
#> ERR659137 3 0.7331 0.01910 0.016 0.224 0.588 0.172
#> ERR659042 2 0.5310 -0.16204 0.412 0.576 0.012 0.000
#> ERR659138 2 0.5536 -0.10965 0.384 0.592 0.024 0.000
#> ERR659043 1 0.5646 0.53860 0.656 0.000 0.296 0.048
#> ERR659139 1 0.5790 0.46194 0.616 0.000 0.340 0.044
#> ERR659044 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659045 1 0.4716 0.65153 0.764 0.000 0.196 0.040
#> ERR659141 1 0.4707 0.64716 0.760 0.000 0.204 0.036
#> ERR659046 1 0.3910 0.66685 0.820 0.000 0.024 0.156
#> ERR659142 1 0.3501 0.67112 0.848 0.000 0.020 0.132
#> ERR659047 1 0.3123 0.67791 0.844 0.000 0.000 0.156
#> ERR659143 1 0.2647 0.68874 0.880 0.000 0.000 0.120
#> ERR659048 1 0.3711 0.69592 0.836 0.000 0.140 0.024
#> ERR659144 1 0.3450 0.68862 0.836 0.000 0.156 0.008
#> ERR659049 1 0.8318 0.17477 0.548 0.200 0.176 0.076
#> ERR659145 1 0.8386 0.15935 0.548 0.196 0.168 0.088
#> ERR659050 1 0.2730 0.70912 0.896 0.016 0.088 0.000
#> ERR659146 1 0.2699 0.70811 0.904 0.028 0.068 0.000
#> ERR659051 2 0.4578 0.76036 0.000 0.788 0.160 0.052
#> ERR659147 2 0.4234 0.78228 0.000 0.816 0.132 0.052
#> ERR659052 3 0.7562 -0.03169 0.416 0.004 0.416 0.164
#> ERR659148 3 0.7587 -0.03269 0.404 0.004 0.424 0.168
#> ERR659053 1 0.0336 0.69521 0.992 0.000 0.008 0.000
#> ERR659149 1 0.0469 0.69694 0.988 0.000 0.012 0.000
#> ERR659054 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659055 1 0.1302 0.69575 0.956 0.000 0.000 0.044
#> ERR659151 1 0.1118 0.69502 0.964 0.000 0.000 0.036
#> ERR659056 2 0.3123 0.79738 0.000 0.844 0.156 0.000
#> ERR659152 2 0.3610 0.76362 0.000 0.800 0.200 0.000
#> ERR659057 1 0.2973 0.70453 0.884 0.000 0.020 0.096
#> ERR659153 1 0.2363 0.70875 0.920 0.000 0.024 0.056
#> ERR659058 1 0.6924 0.33779 0.588 0.000 0.232 0.180
#> ERR659154 1 0.7147 0.25875 0.560 0.000 0.224 0.216
#> ERR659059 1 0.6542 0.51734 0.620 0.000 0.252 0.128
#> ERR659155 1 0.6473 0.49684 0.612 0.000 0.280 0.108
#> ERR659060 1 0.4843 0.39389 0.604 0.000 0.396 0.000
#> ERR659156 1 0.4866 0.37237 0.596 0.000 0.404 0.000
#> ERR659061 1 0.2408 0.70898 0.896 0.000 0.104 0.000
#> ERR659157 1 0.1792 0.70941 0.932 0.000 0.068 0.000
#> ERR659062 1 0.8049 -0.27452 0.412 0.248 0.332 0.008
#> ERR659158 1 0.7998 -0.22249 0.436 0.208 0.344 0.012
#> ERR659063 1 0.7136 0.28852 0.528 0.004 0.340 0.128
#> ERR659159 1 0.6634 0.36896 0.564 0.000 0.336 0.100
#> ERR659064 1 0.0817 0.69660 0.976 0.000 0.000 0.024
#> ERR659160 1 0.0336 0.69308 0.992 0.000 0.000 0.008
#> ERR659065 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659066 1 0.7748 -0.02466 0.440 0.000 0.276 0.284
#> ERR659162 1 0.7646 0.07342 0.464 0.000 0.244 0.292
#> ERR659067 1 0.5039 0.35557 0.592 0.000 0.004 0.404
#> ERR659163 1 0.4991 0.38128 0.608 0.000 0.004 0.388
#> ERR659068 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659069 1 0.6651 0.48119 0.616 0.000 0.148 0.236
#> ERR659165 1 0.6834 0.45552 0.596 0.000 0.164 0.240
#> ERR659070 1 0.0188 0.69351 0.996 0.000 0.004 0.000
#> ERR659166 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659071 1 0.5297 0.55556 0.676 0.000 0.292 0.032
#> ERR659167 1 0.5309 0.65742 0.744 0.000 0.164 0.092
#> ERR659072 1 0.0707 0.69995 0.980 0.000 0.020 0.000
#> ERR659168 1 0.0336 0.69535 0.992 0.000 0.008 0.000
#> ERR659073 1 0.3498 0.68648 0.832 0.000 0.160 0.008
#> ERR659169 1 0.3208 0.69083 0.848 0.000 0.148 0.004
#> ERR659074 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659075 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659171 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659076 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659077 1 0.5126 0.23587 0.552 0.000 0.444 0.004
#> ERR659173 1 0.5039 0.37135 0.592 0.000 0.404 0.004
#> ERR659078 1 0.2469 0.70616 0.892 0.000 0.108 0.000
#> ERR659174 1 0.2149 0.70884 0.912 0.000 0.088 0.000
#> ERR659079 3 0.7883 -0.22031 0.328 0.000 0.380 0.292
#> ERR659175 1 0.7892 -0.32531 0.368 0.000 0.340 0.292
#> ERR659080 3 0.5511 0.08588 0.084 0.196 0.720 0.000
#> ERR659176 3 0.6112 0.07156 0.128 0.196 0.676 0.000
#> ERR659081 1 0.0921 0.69690 0.972 0.000 0.000 0.028
#> ERR659177 1 0.1209 0.69921 0.964 0.000 0.004 0.032
#> ERR659082 1 0.0188 0.69194 0.996 0.000 0.000 0.004
#> ERR659178 1 0.0188 0.69194 0.996 0.000 0.000 0.004
#> ERR659083 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 0.89442 0.000 1.000 0.000 0.000
#> ERR659085 1 0.1545 0.69993 0.952 0.000 0.008 0.040
#> ERR659181 1 0.1398 0.69807 0.956 0.000 0.004 0.040
#> ERR659086 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659182 1 0.0000 0.69147 1.000 0.000 0.000 0.000
#> ERR659087 1 0.7799 -0.12922 0.420 0.000 0.272 0.308
#> ERR659183 1 0.7773 -0.09107 0.428 0.000 0.264 0.308
#> ERR659088 1 0.7193 0.38137 0.608 0.188 0.016 0.188
#> ERR659184 1 0.7123 0.40013 0.616 0.180 0.016 0.188
#> ERR659089 1 0.3764 0.66852 0.816 0.000 0.172 0.012
#> ERR659185 1 0.4137 0.63791 0.780 0.000 0.208 0.012
#> ERR659090 1 0.6649 0.36945 0.560 0.000 0.340 0.100
#> ERR659186 1 0.6477 0.45337 0.600 0.000 0.300 0.100
#> ERR659091 1 0.0895 0.69682 0.976 0.000 0.004 0.020
#> ERR659187 1 0.1256 0.70103 0.964 0.000 0.008 0.028
#> ERR659092 1 0.3401 0.65098 0.840 0.000 0.008 0.152
#> ERR659188 1 0.3900 0.64701 0.816 0.000 0.020 0.164
#> ERR659093 1 0.3836 0.67970 0.816 0.000 0.168 0.016
#> ERR659189 1 0.3790 0.68165 0.820 0.000 0.164 0.016
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.1571 -0.1515 0.060 0.004 0.936 0.000 0.000
#> ERR467498 3 0.1571 -0.1515 0.060 0.004 0.936 0.000 0.000
#> ERR658998 1 0.1461 0.7062 0.952 0.004 0.028 0.016 0.000
#> ERR659094 1 0.2782 0.7040 0.880 0.004 0.096 0.016 0.004
#> ERR658999 1 0.4302 0.5329 0.648 0.000 0.004 0.344 0.004
#> ERR659095 1 0.4135 0.5431 0.656 0.000 0.004 0.340 0.000
#> ERR659000 3 0.6133 -0.2738 0.148 0.328 0.524 0.000 0.000
#> ERR659096 3 0.6170 -0.1766 0.156 0.280 0.560 0.004 0.000
#> ERR659001 1 0.4770 0.5439 0.644 0.000 0.036 0.320 0.000
#> ERR659097 1 0.4804 0.5347 0.636 0.000 0.036 0.328 0.000
#> ERR659002 1 0.3940 0.6499 0.756 0.000 0.024 0.220 0.000
#> ERR659098 1 0.3724 0.6654 0.776 0.000 0.020 0.204 0.000
#> ERR659003 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659099 1 0.0162 0.6928 0.996 0.000 0.000 0.000 0.004
#> ERR659004 3 0.6151 0.2100 0.296 0.104 0.580 0.020 0.000
#> ERR659100 3 0.6740 0.2106 0.308 0.156 0.512 0.024 0.000
#> ERR659005 1 0.0865 0.7017 0.972 0.000 0.004 0.024 0.000
#> ERR659101 1 0.0807 0.7013 0.976 0.000 0.012 0.012 0.000
#> ERR659006 5 0.7000 0.9717 0.204 0.000 0.164 0.068 0.564
#> ERR659102 5 0.7056 0.9718 0.204 0.000 0.152 0.080 0.564
#> ERR659007 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659008 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659009 3 0.6660 0.0769 0.288 0.000 0.444 0.268 0.000
#> ERR659105 3 0.6657 0.2229 0.352 0.000 0.416 0.232 0.000
#> ERR659010 1 0.6663 0.3421 0.520 0.000 0.244 0.224 0.012
#> ERR659106 1 0.5831 0.5850 0.660 0.000 0.152 0.168 0.020
#> ERR659011 1 0.2818 0.6894 0.860 0.000 0.008 0.128 0.004
#> ERR659107 1 0.3218 0.6910 0.844 0.000 0.024 0.128 0.004
#> ERR659012 1 0.5390 0.5780 0.720 0.040 0.148 0.092 0.000
#> ERR659108 1 0.4207 0.6327 0.800 0.020 0.124 0.056 0.000
#> ERR659013 3 0.5029 0.2357 0.444 0.024 0.528 0.004 0.000
#> ERR659109 3 0.5485 0.1644 0.468 0.028 0.488 0.008 0.008
#> ERR659014 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.1469 0.7089 0.948 0.000 0.036 0.016 0.000
#> ERR659111 1 0.1195 0.7065 0.960 0.000 0.028 0.012 0.000
#> ERR659016 3 0.4056 -0.5316 0.024 0.196 0.772 0.004 0.004
#> ERR659112 3 0.4550 -0.5770 0.024 0.264 0.704 0.004 0.004
#> ERR659017 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.2807 0.7114 0.892 0.000 0.056 0.032 0.020
#> ERR659114 1 0.3138 0.7123 0.876 0.000 0.048 0.052 0.024
#> ERR659019 1 0.3724 0.6761 0.788 0.000 0.028 0.184 0.000
#> ERR659115 1 0.3086 0.6811 0.816 0.000 0.004 0.180 0.000
#> ERR659020 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659116 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659021 1 0.3018 0.7070 0.876 0.000 0.080 0.024 0.020
#> ERR659117 1 0.3328 0.7059 0.860 0.000 0.084 0.036 0.020
#> ERR659022 3 0.5581 0.2053 0.428 0.000 0.508 0.060 0.004
#> ERR659118 3 0.5308 0.2514 0.416 0.000 0.532 0.052 0.000
#> ERR659023 1 0.5074 0.2326 0.604 0.360 0.028 0.004 0.004
#> ERR659119 1 0.5047 0.2515 0.612 0.352 0.028 0.004 0.004
#> ERR659024 1 0.3586 0.6002 0.736 0.000 0.264 0.000 0.000
#> ERR659120 1 0.3534 0.6102 0.744 0.000 0.256 0.000 0.000
#> ERR659025 3 0.4074 0.3238 0.364 0.000 0.636 0.000 0.000
#> ERR659121 3 0.5146 0.3101 0.400 0.028 0.564 0.000 0.008
#> ERR659026 1 0.6605 0.1575 0.452 0.000 0.236 0.312 0.000
#> ERR659122 1 0.6880 -0.0380 0.408 0.000 0.304 0.284 0.004
#> ERR659027 2 0.5432 -0.0831 0.364 0.580 0.044 0.012 0.000
#> ERR659123 2 0.4737 -0.0612 0.380 0.600 0.016 0.004 0.000
#> ERR659028 1 0.5469 0.6131 0.728 0.112 0.084 0.076 0.000
#> ERR659124 1 0.5665 0.5773 0.708 0.128 0.104 0.060 0.000
#> ERR659029 1 0.3814 0.6786 0.808 0.000 0.068 0.124 0.000
#> ERR659125 1 0.4458 0.6591 0.760 0.000 0.120 0.120 0.000
#> ERR659030 1 0.0865 0.6974 0.972 0.000 0.000 0.004 0.024
#> ERR659126 1 0.0771 0.6965 0.976 0.000 0.000 0.004 0.020
#> ERR659031 3 0.5730 0.3438 0.356 0.000 0.548 0.096 0.000
#> ERR659127 3 0.5571 0.3382 0.348 0.000 0.568 0.084 0.000
#> ERR659032 1 0.7579 0.1842 0.516 0.168 0.132 0.184 0.000
#> ERR659128 1 0.7545 0.1972 0.524 0.160 0.148 0.168 0.000
#> ERR659033 1 0.5332 0.6074 0.680 0.000 0.120 0.196 0.004
#> ERR659129 1 0.4911 0.6492 0.728 0.000 0.120 0.148 0.004
#> ERR659034 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659035 1 0.3146 0.6995 0.844 0.000 0.128 0.028 0.000
#> ERR659131 1 0.2964 0.7033 0.856 0.000 0.120 0.024 0.000
#> ERR659036 1 0.5487 0.4819 0.620 0.000 0.280 0.100 0.000
#> ERR659132 1 0.5200 0.4843 0.628 0.000 0.304 0.068 0.000
#> ERR659037 1 0.3016 0.6896 0.848 0.000 0.132 0.000 0.020
#> ERR659133 1 0.3098 0.6849 0.836 0.000 0.148 0.000 0.016
#> ERR659038 1 0.6164 0.4757 0.596 0.000 0.236 0.156 0.012
#> ERR659134 1 0.6577 0.3334 0.536 0.000 0.276 0.172 0.016
#> ERR659039 1 0.4260 0.5823 0.720 0.000 0.004 0.256 0.020
#> ERR659135 1 0.4428 0.5591 0.692 0.000 0.004 0.284 0.020
#> ERR659040 1 0.5322 -0.1325 0.480 0.040 0.476 0.004 0.000
#> ERR659136 3 0.5000 0.0977 0.476 0.016 0.500 0.008 0.000
#> ERR659041 4 0.7897 0.9826 0.004 0.172 0.332 0.404 0.088
#> ERR659137 4 0.7997 0.9826 0.008 0.172 0.328 0.404 0.088
#> ERR659042 2 0.4722 -0.1311 0.412 0.572 0.012 0.004 0.000
#> ERR659138 2 0.4917 -0.0781 0.384 0.588 0.024 0.004 0.000
#> ERR659043 1 0.5092 0.5248 0.656 0.000 0.288 0.048 0.008
#> ERR659139 1 0.5223 0.4337 0.616 0.000 0.332 0.044 0.008
#> ERR659044 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659045 1 0.4254 0.6534 0.768 0.000 0.188 0.020 0.024
#> ERR659141 1 0.4289 0.6505 0.764 0.000 0.192 0.020 0.024
#> ERR659046 1 0.4334 0.6691 0.784 0.000 0.020 0.148 0.048
#> ERR659142 1 0.4117 0.6741 0.804 0.000 0.020 0.128 0.048
#> ERR659047 1 0.3013 0.6828 0.832 0.000 0.000 0.160 0.008
#> ERR659143 1 0.2563 0.6939 0.872 0.000 0.000 0.120 0.008
#> ERR659048 1 0.3197 0.6916 0.836 0.000 0.140 0.024 0.000
#> ERR659144 1 0.2971 0.6829 0.836 0.000 0.156 0.008 0.000
#> ERR659049 1 0.7287 0.1747 0.548 0.196 0.176 0.076 0.004
#> ERR659145 1 0.7399 0.1586 0.540 0.196 0.172 0.088 0.004
#> ERR659050 1 0.2351 0.7057 0.896 0.016 0.088 0.000 0.000
#> ERR659146 1 0.2325 0.7054 0.904 0.028 0.068 0.000 0.000
#> ERR659051 2 0.4172 0.6098 0.000 0.784 0.108 0.000 0.108
#> ERR659147 2 0.3912 0.6398 0.000 0.804 0.088 0.000 0.108
#> ERR659052 3 0.6536 0.1091 0.412 0.004 0.416 0.168 0.000
#> ERR659148 3 0.6577 0.1625 0.396 0.004 0.424 0.176 0.000
#> ERR659053 1 0.0451 0.6959 0.988 0.000 0.008 0.000 0.004
#> ERR659149 1 0.0566 0.6973 0.984 0.000 0.012 0.000 0.004
#> ERR659054 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659055 1 0.2077 0.6961 0.920 0.000 0.000 0.040 0.040
#> ERR659151 1 0.1836 0.6972 0.932 0.000 0.000 0.036 0.032
#> ERR659056 2 0.2773 0.6696 0.000 0.836 0.164 0.000 0.000
#> ERR659152 2 0.3177 0.6034 0.000 0.792 0.208 0.000 0.000
#> ERR659057 1 0.2775 0.7053 0.876 0.000 0.020 0.100 0.004
#> ERR659153 1 0.2321 0.7097 0.912 0.000 0.024 0.056 0.008
#> ERR659058 1 0.6797 0.3156 0.556 0.000 0.216 0.192 0.036
#> ERR659154 1 0.6998 0.2696 0.536 0.000 0.196 0.224 0.044
#> ERR659059 1 0.5695 0.5001 0.612 0.000 0.256 0.132 0.000
#> ERR659155 1 0.5618 0.4813 0.608 0.000 0.280 0.112 0.000
#> ERR659060 1 0.4171 0.3571 0.604 0.000 0.396 0.000 0.000
#> ERR659156 1 0.4192 0.3347 0.596 0.000 0.404 0.000 0.000
#> ERR659061 1 0.2233 0.7049 0.892 0.000 0.104 0.000 0.004
#> ERR659157 1 0.1704 0.7071 0.928 0.000 0.068 0.000 0.004
#> ERR659062 1 0.6933 -0.2917 0.412 0.248 0.332 0.008 0.000
#> ERR659158 1 0.6889 -0.2488 0.436 0.208 0.344 0.012 0.000
#> ERR659063 1 0.6069 0.2453 0.524 0.000 0.340 0.136 0.000
#> ERR659159 1 0.5772 0.3381 0.564 0.000 0.328 0.108 0.000
#> ERR659064 1 0.1195 0.7015 0.960 0.000 0.000 0.028 0.012
#> ERR659160 1 0.0693 0.6965 0.980 0.000 0.000 0.008 0.012
#> ERR659065 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659066 1 0.6683 0.0209 0.432 0.000 0.260 0.308 0.000
#> ERR659162 1 0.6590 0.1133 0.452 0.000 0.228 0.320 0.000
#> ERR659067 1 0.4972 0.3553 0.536 0.000 0.008 0.440 0.016
#> ERR659163 1 0.4950 0.3814 0.552 0.000 0.008 0.424 0.016
#> ERR659068 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659069 1 0.6300 0.4643 0.584 0.000 0.136 0.260 0.020
#> ERR659165 1 0.6424 0.4455 0.568 0.000 0.148 0.264 0.020
#> ERR659070 1 0.0162 0.6934 0.996 0.000 0.004 0.000 0.000
#> ERR659166 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659071 1 0.4562 0.5376 0.676 0.000 0.292 0.032 0.000
#> ERR659167 1 0.4573 0.6545 0.744 0.000 0.164 0.092 0.000
#> ERR659072 1 0.0609 0.6992 0.980 0.000 0.020 0.000 0.000
#> ERR659168 1 0.0290 0.6950 0.992 0.000 0.008 0.000 0.000
#> ERR659073 1 0.3013 0.6808 0.832 0.000 0.160 0.008 0.000
#> ERR659169 1 0.2763 0.6858 0.848 0.000 0.148 0.004 0.000
#> ERR659074 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659077 1 0.4415 0.1869 0.552 0.000 0.444 0.004 0.000
#> ERR659173 1 0.4341 0.3332 0.592 0.000 0.404 0.004 0.000
#> ERR659078 1 0.2411 0.7016 0.884 0.000 0.108 0.000 0.008
#> ERR659174 1 0.2136 0.7059 0.904 0.000 0.088 0.000 0.008
#> ERR659079 3 0.6821 0.1615 0.328 0.000 0.352 0.320 0.000
#> ERR659175 1 0.6813 -0.2573 0.364 0.000 0.316 0.320 0.000
#> ERR659080 3 0.6848 -0.4622 0.060 0.196 0.628 0.036 0.080
#> ERR659176 3 0.7169 -0.4052 0.084 0.196 0.604 0.036 0.080
#> ERR659081 1 0.1648 0.7026 0.940 0.000 0.000 0.020 0.040
#> ERR659177 1 0.1901 0.7046 0.932 0.000 0.004 0.024 0.040
#> ERR659082 1 0.0510 0.6945 0.984 0.000 0.000 0.000 0.016
#> ERR659178 1 0.0510 0.6945 0.984 0.000 0.000 0.000 0.016
#> ERR659083 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.8441 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.1492 0.7034 0.948 0.000 0.008 0.040 0.004
#> ERR659181 1 0.1205 0.7008 0.956 0.000 0.004 0.040 0.000
#> ERR659086 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659182 1 0.0000 0.6917 1.000 0.000 0.000 0.000 0.000
#> ERR659087 1 0.6717 -0.0945 0.408 0.000 0.256 0.336 0.000
#> ERR659183 1 0.6692 -0.0604 0.416 0.000 0.248 0.336 0.000
#> ERR659088 1 0.7305 0.1412 0.488 0.184 0.016 0.288 0.024
#> ERR659184 1 0.7281 0.1506 0.492 0.180 0.016 0.288 0.024
#> ERR659089 1 0.4189 0.6472 0.788 0.000 0.144 0.008 0.060
#> ERR659185 1 0.4503 0.6105 0.756 0.000 0.176 0.008 0.060
#> ERR659090 1 0.5798 0.3354 0.556 0.000 0.336 0.108 0.000
#> ERR659186 1 0.5649 0.4309 0.596 0.000 0.296 0.108 0.000
#> ERR659091 1 0.1173 0.7000 0.964 0.000 0.004 0.020 0.012
#> ERR659187 1 0.1483 0.7039 0.952 0.000 0.008 0.028 0.012
#> ERR659092 1 0.2929 0.6633 0.840 0.000 0.008 0.152 0.000
#> ERR659188 1 0.3449 0.6584 0.812 0.000 0.024 0.164 0.000
#> ERR659093 1 0.3708 0.6860 0.816 0.000 0.136 0.004 0.044
#> ERR659189 1 0.3663 0.6877 0.820 0.000 0.132 0.004 0.044
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.1588 -0.1282 0.072 0.004 0.000 0.924 0.000 0.000
#> ERR467498 4 0.1588 -0.1282 0.072 0.004 0.000 0.924 0.000 0.000
#> ERR658998 1 0.1313 0.6971 0.952 0.004 0.000 0.028 0.016 0.000
#> ERR659094 1 0.2499 0.7019 0.880 0.004 0.004 0.096 0.016 0.000
#> ERR658999 1 0.4089 0.4357 0.616 0.000 0.004 0.004 0.372 0.004
#> ERR659095 1 0.3942 0.4506 0.624 0.000 0.000 0.004 0.368 0.004
#> ERR659000 4 0.5564 -0.1900 0.156 0.328 0.000 0.516 0.000 0.000
#> ERR659096 4 0.5583 -0.1546 0.164 0.276 0.000 0.556 0.004 0.000
#> ERR659001 1 0.4234 0.5153 0.644 0.000 0.000 0.032 0.324 0.000
#> ERR659097 1 0.4264 0.5059 0.636 0.000 0.000 0.032 0.332 0.000
#> ERR659002 1 0.3678 0.6312 0.752 0.000 0.000 0.024 0.220 0.004
#> ERR659098 1 0.3514 0.6447 0.768 0.000 0.000 0.020 0.208 0.004
#> ERR659003 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659099 1 0.0146 0.6801 0.996 0.000 0.004 0.000 0.000 0.000
#> ERR659004 4 0.5462 0.1733 0.300 0.104 0.000 0.580 0.016 0.000
#> ERR659100 4 0.6066 0.0874 0.312 0.156 0.000 0.508 0.024 0.000
#> ERR659005 1 0.0777 0.6899 0.972 0.000 0.000 0.004 0.024 0.000
#> ERR659101 1 0.0725 0.6903 0.976 0.000 0.000 0.012 0.012 0.000
#> ERR659006 3 0.5480 0.9854 0.192 0.000 0.652 0.108 0.048 0.000
#> ERR659102 3 0.5497 0.9854 0.192 0.000 0.652 0.104 0.052 0.000
#> ERR659007 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659008 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 4 0.5993 0.0944 0.288 0.000 0.000 0.440 0.272 0.000
#> ERR659105 4 0.5992 0.1940 0.352 0.000 0.000 0.412 0.236 0.000
#> ERR659010 1 0.6147 0.3283 0.512 0.000 0.008 0.232 0.240 0.008
#> ERR659106 1 0.5433 0.5731 0.652 0.000 0.012 0.148 0.176 0.012
#> ERR659011 1 0.2531 0.6717 0.860 0.000 0.004 0.008 0.128 0.000
#> ERR659107 1 0.2890 0.6761 0.844 0.000 0.004 0.024 0.128 0.000
#> ERR659012 1 0.4932 0.5490 0.712 0.040 0.000 0.148 0.100 0.000
#> ERR659108 1 0.3852 0.6092 0.796 0.020 0.000 0.120 0.064 0.000
#> ERR659013 4 0.4677 0.2220 0.444 0.020 0.000 0.524 0.004 0.008
#> ERR659109 4 0.5078 0.1494 0.468 0.024 0.004 0.484 0.008 0.012
#> ERR659014 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.1320 0.7011 0.948 0.000 0.000 0.036 0.016 0.000
#> ERR659111 1 0.1074 0.6977 0.960 0.000 0.000 0.028 0.012 0.000
#> ERR659016 4 0.3782 -0.3694 0.008 0.192 0.004 0.772 0.020 0.004
#> ERR659112 4 0.4233 -0.4192 0.008 0.260 0.004 0.704 0.020 0.004
#> ERR659017 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.2699 0.7046 0.888 0.000 0.016 0.052 0.036 0.008
#> ERR659114 1 0.2987 0.7032 0.872 0.000 0.020 0.044 0.056 0.008
#> ERR659019 1 0.3440 0.6587 0.776 0.000 0.000 0.028 0.196 0.000
#> ERR659115 1 0.2838 0.6630 0.808 0.000 0.000 0.004 0.188 0.000
#> ERR659020 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659116 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659021 1 0.2767 0.7057 0.876 0.000 0.016 0.080 0.024 0.004
#> ERR659117 1 0.3046 0.7050 0.860 0.000 0.016 0.084 0.036 0.004
#> ERR659022 4 0.5013 0.1938 0.428 0.000 0.004 0.508 0.060 0.000
#> ERR659118 4 0.4768 0.2402 0.416 0.000 0.000 0.532 0.052 0.000
#> ERR659023 1 0.4558 0.0737 0.604 0.360 0.004 0.028 0.004 0.000
#> ERR659119 1 0.4534 0.1016 0.612 0.352 0.004 0.028 0.004 0.000
#> ERR659024 1 0.3221 0.6045 0.736 0.000 0.000 0.264 0.000 0.000
#> ERR659120 1 0.3175 0.6142 0.744 0.000 0.000 0.256 0.000 0.000
#> ERR659025 4 0.3659 0.3361 0.364 0.000 0.000 0.636 0.000 0.000
#> ERR659121 4 0.4623 0.2814 0.400 0.028 0.008 0.564 0.000 0.000
#> ERR659026 1 0.5903 0.1704 0.452 0.000 0.000 0.220 0.328 0.000
#> ERR659122 1 0.6181 -0.0202 0.408 0.000 0.004 0.288 0.300 0.000
#> ERR659027 2 0.4880 -0.3718 0.364 0.580 0.000 0.044 0.012 0.000
#> ERR659123 2 0.4255 -0.3495 0.380 0.600 0.000 0.016 0.004 0.000
#> ERR659028 1 0.4913 0.5973 0.728 0.112 0.000 0.084 0.076 0.000
#> ERR659124 1 0.5196 0.5554 0.700 0.128 0.000 0.104 0.068 0.000
#> ERR659029 1 0.3567 0.6663 0.804 0.000 0.000 0.068 0.124 0.004
#> ERR659125 1 0.4143 0.6551 0.756 0.000 0.000 0.120 0.120 0.004
#> ERR659030 1 0.0858 0.6851 0.968 0.000 0.028 0.000 0.004 0.000
#> ERR659126 1 0.0777 0.6843 0.972 0.000 0.024 0.000 0.004 0.000
#> ERR659031 4 0.5147 0.3387 0.356 0.000 0.000 0.548 0.096 0.000
#> ERR659127 4 0.5004 0.3402 0.348 0.000 0.000 0.568 0.084 0.000
#> ERR659032 1 0.6974 -0.0299 0.504 0.168 0.000 0.128 0.196 0.004
#> ERR659128 1 0.6798 0.0438 0.520 0.160 0.000 0.144 0.176 0.000
#> ERR659033 1 0.4844 0.5987 0.672 0.000 0.004 0.120 0.204 0.000
#> ERR659129 1 0.4481 0.6429 0.720 0.000 0.004 0.120 0.156 0.000
#> ERR659034 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 1 0.2826 0.7016 0.844 0.000 0.000 0.128 0.028 0.000
#> ERR659131 1 0.2706 0.7043 0.852 0.000 0.000 0.124 0.024 0.000
#> ERR659036 1 0.4929 0.4856 0.620 0.000 0.000 0.280 0.100 0.000
#> ERR659132 1 0.4687 0.4806 0.624 0.000 0.000 0.308 0.068 0.000
#> ERR659037 1 0.2890 0.6934 0.844 0.000 0.024 0.128 0.000 0.004
#> ERR659133 1 0.2869 0.6871 0.832 0.000 0.020 0.148 0.000 0.000
#> ERR659038 1 0.5684 0.4404 0.576 0.000 0.012 0.232 0.180 0.000
#> ERR659134 1 0.6062 0.2970 0.520 0.000 0.012 0.272 0.192 0.004
#> ERR659039 1 0.4108 0.5262 0.708 0.000 0.012 0.004 0.260 0.016
#> ERR659135 1 0.4253 0.4984 0.680 0.000 0.012 0.004 0.288 0.016
#> ERR659040 1 0.4909 -0.1131 0.480 0.040 0.000 0.472 0.004 0.004
#> ERR659136 4 0.4621 0.0769 0.476 0.016 0.000 0.496 0.008 0.004
#> ERR659041 6 0.4079 1.0000 0.000 0.112 0.000 0.136 0.000 0.752
#> ERR659137 6 0.4079 1.0000 0.000 0.112 0.000 0.136 0.000 0.752
#> ERR659042 2 0.4602 -0.4057 0.408 0.564 0.004 0.008 0.004 0.012
#> ERR659138 2 0.4877 -0.3843 0.384 0.572 0.004 0.024 0.004 0.012
#> ERR659043 1 0.4785 0.5257 0.652 0.000 0.004 0.284 0.048 0.012
#> ERR659139 1 0.4904 0.4341 0.612 0.000 0.004 0.328 0.044 0.012
#> ERR659044 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.4124 0.6556 0.760 0.000 0.024 0.180 0.032 0.004
#> ERR659141 1 0.4156 0.6527 0.756 0.000 0.024 0.184 0.032 0.004
#> ERR659046 1 0.4266 0.6438 0.772 0.000 0.044 0.020 0.148 0.016
#> ERR659142 1 0.3982 0.6513 0.796 0.000 0.044 0.020 0.128 0.012
#> ERR659047 1 0.2805 0.6597 0.828 0.000 0.012 0.000 0.160 0.000
#> ERR659143 1 0.2402 0.6747 0.868 0.000 0.012 0.000 0.120 0.000
#> ERR659048 1 0.2872 0.6943 0.836 0.000 0.000 0.140 0.024 0.000
#> ERR659144 1 0.2669 0.6857 0.836 0.000 0.000 0.156 0.008 0.000
#> ERR659049 1 0.6631 0.1095 0.540 0.196 0.004 0.176 0.084 0.000
#> ERR659145 1 0.6686 0.0836 0.536 0.196 0.004 0.172 0.092 0.000
#> ERR659050 1 0.2112 0.7031 0.896 0.016 0.000 0.088 0.000 0.000
#> ERR659146 1 0.2088 0.7000 0.904 0.028 0.000 0.068 0.000 0.000
#> ERR659051 2 0.3777 0.6245 0.000 0.776 0.164 0.056 0.004 0.000
#> ERR659147 2 0.3460 0.6512 0.000 0.796 0.164 0.036 0.004 0.000
#> ERR659052 4 0.6054 0.1447 0.400 0.004 0.000 0.412 0.180 0.004
#> ERR659148 4 0.6085 0.1950 0.384 0.004 0.000 0.420 0.188 0.004
#> ERR659053 1 0.0405 0.6843 0.988 0.000 0.000 0.008 0.000 0.004
#> ERR659149 1 0.0508 0.6865 0.984 0.000 0.000 0.012 0.000 0.004
#> ERR659054 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.2074 0.6789 0.912 0.000 0.036 0.000 0.048 0.004
#> ERR659151 1 0.1857 0.6811 0.924 0.000 0.028 0.000 0.044 0.004
#> ERR659056 2 0.2491 0.6897 0.000 0.836 0.000 0.164 0.000 0.000
#> ERR659152 2 0.2854 0.6305 0.000 0.792 0.000 0.208 0.000 0.000
#> ERR659057 1 0.2443 0.6966 0.880 0.000 0.004 0.020 0.096 0.000
#> ERR659153 1 0.2123 0.7017 0.912 0.000 0.012 0.024 0.052 0.000
#> ERR659058 1 0.6274 0.3177 0.552 0.000 0.040 0.188 0.216 0.004
#> ERR659154 1 0.6522 0.2425 0.528 0.000 0.048 0.172 0.244 0.008
#> ERR659059 1 0.5096 0.5126 0.616 0.000 0.000 0.252 0.132 0.000
#> ERR659155 1 0.4986 0.4914 0.612 0.000 0.000 0.284 0.104 0.000
#> ERR659060 1 0.3747 0.3673 0.604 0.000 0.000 0.396 0.000 0.000
#> ERR659156 1 0.3765 0.3448 0.596 0.000 0.000 0.404 0.000 0.000
#> ERR659061 1 0.2006 0.7060 0.892 0.000 0.004 0.104 0.000 0.000
#> ERR659157 1 0.1531 0.7032 0.928 0.000 0.004 0.068 0.000 0.000
#> ERR659062 1 0.6222 -0.2860 0.416 0.248 0.000 0.328 0.008 0.000
#> ERR659158 1 0.6182 -0.2254 0.440 0.208 0.000 0.340 0.012 0.000
#> ERR659063 1 0.5593 0.2538 0.524 0.000 0.000 0.332 0.140 0.004
#> ERR659159 1 0.5329 0.3469 0.564 0.000 0.000 0.320 0.112 0.004
#> ERR659064 1 0.1230 0.6883 0.956 0.000 0.008 0.000 0.028 0.008
#> ERR659160 1 0.0665 0.6837 0.980 0.000 0.008 0.000 0.008 0.004
#> ERR659065 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 1 0.5989 0.0184 0.428 0.000 0.000 0.244 0.328 0.000
#> ERR659162 1 0.5890 0.1090 0.448 0.000 0.000 0.212 0.340 0.000
#> ERR659067 1 0.4842 0.1472 0.508 0.000 0.024 0.004 0.452 0.012
#> ERR659163 1 0.4829 0.1885 0.524 0.000 0.024 0.004 0.436 0.012
#> ERR659068 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 1 0.5963 0.3708 0.568 0.000 0.028 0.104 0.288 0.012
#> ERR659165 1 0.6086 0.3493 0.552 0.000 0.028 0.116 0.292 0.012
#> ERR659070 1 0.0146 0.6812 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR659166 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659071 1 0.4098 0.5423 0.676 0.000 0.000 0.292 0.032 0.000
#> ERR659167 1 0.4108 0.6569 0.744 0.000 0.000 0.164 0.092 0.000
#> ERR659072 1 0.0547 0.6896 0.980 0.000 0.000 0.020 0.000 0.000
#> ERR659168 1 0.0260 0.6836 0.992 0.000 0.000 0.008 0.000 0.000
#> ERR659073 1 0.2706 0.6837 0.832 0.000 0.000 0.160 0.008 0.000
#> ERR659169 1 0.2482 0.6887 0.848 0.000 0.000 0.148 0.004 0.000
#> ERR659074 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 1 0.3966 0.2007 0.552 0.000 0.000 0.444 0.004 0.000
#> ERR659173 1 0.3899 0.3441 0.592 0.000 0.000 0.404 0.004 0.000
#> ERR659078 1 0.2165 0.7034 0.884 0.000 0.000 0.108 0.000 0.008
#> ERR659174 1 0.1918 0.7047 0.904 0.000 0.000 0.088 0.000 0.008
#> ERR659079 4 0.6251 0.0722 0.328 0.000 0.000 0.344 0.324 0.004
#> ERR659175 1 0.6239 -0.2495 0.364 0.000 0.000 0.308 0.324 0.004
#> ERR659080 4 0.7367 -0.3855 0.020 0.196 0.048 0.512 0.188 0.036
#> ERR659176 4 0.7627 -0.3596 0.036 0.196 0.048 0.496 0.188 0.036
#> ERR659081 1 0.1838 0.6897 0.928 0.000 0.040 0.000 0.020 0.012
#> ERR659177 1 0.1821 0.6901 0.928 0.000 0.040 0.000 0.024 0.008
#> ERR659082 1 0.0458 0.6819 0.984 0.000 0.016 0.000 0.000 0.000
#> ERR659178 1 0.0458 0.6819 0.984 0.000 0.016 0.000 0.000 0.000
#> ERR659083 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.8519 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.1340 0.6903 0.948 0.000 0.000 0.008 0.040 0.004
#> ERR659181 1 0.1082 0.6872 0.956 0.000 0.000 0.004 0.040 0.000
#> ERR659086 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659182 1 0.0000 0.6789 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659087 1 0.6020 -0.0858 0.408 0.000 0.000 0.248 0.344 0.000
#> ERR659183 1 0.5997 -0.0516 0.416 0.000 0.000 0.240 0.344 0.000
#> ERR659088 5 0.7287 0.9692 0.296 0.176 0.016 0.004 0.436 0.072
#> ERR659184 5 0.7283 0.9694 0.304 0.172 0.016 0.004 0.432 0.072
#> ERR659089 1 0.4668 0.6189 0.752 0.000 0.040 0.124 0.008 0.076
#> ERR659185 1 0.4859 0.5911 0.732 0.000 0.040 0.144 0.008 0.076
#> ERR659090 1 0.5244 0.3324 0.552 0.000 0.000 0.336 0.112 0.000
#> ERR659186 1 0.5112 0.4291 0.592 0.000 0.000 0.296 0.112 0.000
#> ERR659091 1 0.1312 0.6880 0.956 0.000 0.008 0.004 0.020 0.012
#> ERR659187 1 0.1590 0.6924 0.944 0.000 0.008 0.008 0.028 0.012
#> ERR659092 1 0.2631 0.6405 0.840 0.000 0.000 0.008 0.152 0.000
#> ERR659188 1 0.3239 0.6354 0.808 0.000 0.000 0.024 0.164 0.004
#> ERR659093 1 0.3431 0.6898 0.816 0.000 0.044 0.132 0.004 0.004
#> ERR659189 1 0.3390 0.6913 0.820 0.000 0.044 0.128 0.004 0.004
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 1.000 1.000 1.000 0.2187 0.782 0.782
#> 3 3 0.296 0.529 0.702 1.3895 0.618 0.512
#> 4 4 0.364 0.624 0.759 0.2238 0.774 0.547
#> 5 5 0.426 0.593 0.686 0.1380 0.822 0.532
#> 6 6 0.476 0.525 0.688 0.0697 0.937 0.735
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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 3 0.6260 -0.02498 0.448 0 0.552
#> ERR467498 3 0.6260 -0.02498 0.448 0 0.552
#> ERR658998 3 0.6180 -0.03047 0.416 0 0.584
#> ERR659094 3 0.6180 -0.01672 0.416 0 0.584
#> ERR658999 3 0.0000 0.62776 0.000 0 1.000
#> ERR659095 3 0.0000 0.62776 0.000 0 1.000
#> ERR659000 1 0.6309 0.21060 0.504 0 0.496
#> ERR659096 1 0.6309 0.21060 0.504 0 0.496
#> ERR659001 3 0.5988 0.12226 0.368 0 0.632
#> ERR659097 3 0.6111 0.00595 0.396 0 0.604
#> ERR659002 1 0.6045 0.55414 0.620 0 0.380
#> ERR659098 1 0.5988 0.57883 0.632 0 0.368
#> ERR659003 1 0.4504 0.68970 0.804 0 0.196
#> ERR659099 1 0.4605 0.69477 0.796 0 0.204
#> ERR659004 3 0.0000 0.62776 0.000 0 1.000
#> ERR659100 3 0.0000 0.62776 0.000 0 1.000
#> ERR659005 1 0.5497 0.67443 0.708 0 0.292
#> ERR659101 1 0.5431 0.68053 0.716 0 0.284
#> ERR659006 3 0.0000 0.62776 0.000 0 1.000
#> ERR659102 3 0.0000 0.62776 0.000 0 1.000
#> ERR659007 1 0.4702 0.70746 0.788 0 0.212
#> ERR659103 1 0.4931 0.70814 0.768 0 0.232
#> ERR659008 2 0.0000 1.00000 0.000 1 0.000
#> ERR659104 2 0.0000 1.00000 0.000 1 0.000
#> ERR659009 3 0.1031 0.62701 0.024 0 0.976
#> ERR659105 3 0.1289 0.62475 0.032 0 0.968
#> ERR659010 3 0.0747 0.62827 0.016 0 0.984
#> ERR659106 3 0.0747 0.62827 0.016 0 0.984
#> ERR659011 3 0.0000 0.62776 0.000 0 1.000
#> ERR659107 3 0.0000 0.62776 0.000 0 1.000
#> ERR659012 3 0.0000 0.62776 0.000 0 1.000
#> ERR659108 3 0.0000 0.62776 0.000 0 1.000
#> ERR659013 1 0.6302 0.39588 0.520 0 0.480
#> ERR659109 1 0.6307 0.38175 0.512 0 0.488
#> ERR659014 2 0.0000 1.00000 0.000 1 0.000
#> ERR659110 2 0.0000 1.00000 0.000 1 0.000
#> ERR659015 1 0.5098 0.68718 0.752 0 0.248
#> ERR659111 1 0.5016 0.68545 0.760 0 0.240
#> ERR659016 1 0.6307 0.21962 0.512 0 0.488
#> ERR659112 1 0.6307 0.21962 0.512 0 0.488
#> ERR659017 2 0.0000 1.00000 0.000 1 0.000
#> ERR659113 2 0.0000 1.00000 0.000 1 0.000
#> ERR659018 1 0.6095 0.54311 0.608 0 0.392
#> ERR659114 1 0.6111 0.54591 0.604 0 0.396
#> ERR659019 3 0.0000 0.62776 0.000 0 1.000
#> ERR659115 3 0.0000 0.62776 0.000 0 1.000
#> ERR659020 1 0.6291 0.39532 0.532 0 0.468
#> ERR659116 1 0.6295 0.38169 0.528 0 0.472
#> ERR659021 1 0.5058 0.68997 0.756 0 0.244
#> ERR659117 1 0.4931 0.69292 0.768 0 0.232
#> ERR659022 1 0.4702 0.69360 0.788 0 0.212
#> ERR659118 1 0.4796 0.69555 0.780 0 0.220
#> ERR659023 1 0.5948 0.61318 0.640 0 0.360
#> ERR659119 1 0.5882 0.62221 0.652 0 0.348
#> ERR659024 1 0.5254 0.68165 0.736 0 0.264
#> ERR659120 1 0.5291 0.68017 0.732 0 0.268
#> ERR659025 1 0.6111 0.48768 0.604 0 0.396
#> ERR659121 1 0.6192 0.42744 0.580 0 0.420
#> ERR659026 3 0.5926 0.17325 0.356 0 0.644
#> ERR659122 3 0.6126 0.02088 0.400 0 0.600
#> ERR659027 1 0.6308 0.13620 0.508 0 0.492
#> ERR659123 3 0.6309 -0.12989 0.496 0 0.504
#> ERR659028 1 0.6045 0.58620 0.620 0 0.380
#> ERR659124 1 0.6095 0.57329 0.608 0 0.392
#> ERR659029 1 0.5397 0.68638 0.720 0 0.280
#> ERR659125 1 0.5397 0.68665 0.720 0 0.280
#> ERR659030 1 0.5016 0.67537 0.760 0 0.240
#> ERR659126 1 0.4887 0.68156 0.772 0 0.228
#> ERR659031 3 0.6180 0.01383 0.416 0 0.584
#> ERR659127 3 0.6168 0.03055 0.412 0 0.588
#> ERR659032 1 0.5859 0.61455 0.656 0 0.344
#> ERR659128 1 0.5810 0.62279 0.664 0 0.336
#> ERR659033 1 0.3752 0.65482 0.856 0 0.144
#> ERR659129 1 0.3686 0.65291 0.860 0 0.140
#> ERR659034 2 0.0000 1.00000 0.000 1 0.000
#> ERR659130 2 0.0000 1.00000 0.000 1 0.000
#> ERR659035 1 0.6260 0.49460 0.552 0 0.448
#> ERR659131 1 0.6225 0.52299 0.568 0 0.432
#> ERR659036 1 0.5968 0.60906 0.636 0 0.364
#> ERR659132 1 0.5859 0.63984 0.656 0 0.344
#> ERR659037 3 0.6008 0.15802 0.372 0 0.628
#> ERR659133 3 0.6026 0.14196 0.376 0 0.624
#> ERR659038 3 0.0000 0.62776 0.000 0 1.000
#> ERR659134 3 0.0000 0.62776 0.000 0 1.000
#> ERR659039 3 0.0000 0.62776 0.000 0 1.000
#> ERR659135 3 0.0000 0.62776 0.000 0 1.000
#> ERR659040 1 0.6260 0.45194 0.552 0 0.448
#> ERR659136 1 0.6252 0.46143 0.556 0 0.444
#> ERR659041 3 0.5905 0.28626 0.352 0 0.648
#> ERR659137 3 0.5859 0.30646 0.344 0 0.656
#> ERR659042 3 0.6305 -0.11865 0.484 0 0.516
#> ERR659138 3 0.6305 -0.11865 0.484 0 0.516
#> ERR659043 3 0.6309 -0.35860 0.496 0 0.504
#> ERR659139 3 0.6307 -0.33580 0.488 0 0.512
#> ERR659044 2 0.0000 1.00000 0.000 1 0.000
#> ERR659140 2 0.0000 1.00000 0.000 1 0.000
#> ERR659045 3 0.0892 0.62769 0.020 0 0.980
#> ERR659141 3 0.0892 0.62769 0.020 0 0.980
#> ERR659046 1 0.3752 0.66466 0.856 0 0.144
#> ERR659142 1 0.3879 0.67219 0.848 0 0.152
#> ERR659047 1 0.4796 0.70587 0.780 0 0.220
#> ERR659143 1 0.4702 0.70321 0.788 0 0.212
#> ERR659048 1 0.4654 0.70824 0.792 0 0.208
#> ERR659144 1 0.4750 0.70934 0.784 0 0.216
#> ERR659049 3 0.5098 0.41363 0.248 0 0.752
#> ERR659145 3 0.5363 0.36460 0.276 0 0.724
#> ERR659050 1 0.6244 0.44183 0.560 0 0.440
#> ERR659146 1 0.6235 0.45178 0.564 0 0.436
#> ERR659051 3 0.6309 -0.11173 0.496 0 0.504
#> ERR659147 3 0.6309 -0.11173 0.496 0 0.504
#> ERR659052 3 0.1643 0.61907 0.044 0 0.956
#> ERR659148 3 0.1643 0.61907 0.044 0 0.956
#> ERR659053 1 0.3879 0.66943 0.848 0 0.152
#> ERR659149 1 0.3879 0.66943 0.848 0 0.152
#> ERR659054 2 0.0000 1.00000 0.000 1 0.000
#> ERR659150 2 0.0000 1.00000 0.000 1 0.000
#> ERR659055 3 0.2711 0.59711 0.088 0 0.912
#> ERR659151 3 0.3192 0.58136 0.112 0 0.888
#> ERR659056 1 0.6309 0.10329 0.500 0 0.500
#> ERR659152 3 0.6309 -0.12451 0.500 0 0.500
#> ERR659057 1 0.5678 0.66638 0.684 0 0.316
#> ERR659153 1 0.5465 0.68803 0.712 0 0.288
#> ERR659058 3 0.0000 0.62776 0.000 0 1.000
#> ERR659154 3 0.0000 0.62776 0.000 0 1.000
#> ERR659059 1 0.4750 0.68602 0.784 0 0.216
#> ERR659155 1 0.4750 0.68710 0.784 0 0.216
#> ERR659060 1 0.6215 0.40669 0.572 0 0.428
#> ERR659156 1 0.6180 0.43157 0.584 0 0.416
#> ERR659061 1 0.5591 0.63892 0.696 0 0.304
#> ERR659157 1 0.5678 0.62898 0.684 0 0.316
#> ERR659062 3 0.5497 0.34580 0.292 0 0.708
#> ERR659158 3 0.5529 0.33721 0.296 0 0.704
#> ERR659063 1 0.5621 0.67555 0.692 0 0.308
#> ERR659159 1 0.5621 0.67555 0.692 0 0.308
#> ERR659064 1 0.5465 0.65863 0.712 0 0.288
#> ERR659160 1 0.5529 0.64729 0.704 0 0.296
#> ERR659065 2 0.0000 1.00000 0.000 1 0.000
#> ERR659161 2 0.0000 1.00000 0.000 1 0.000
#> ERR659066 3 0.0592 0.62885 0.012 0 0.988
#> ERR659162 3 0.0747 0.62862 0.016 0 0.984
#> ERR659067 3 0.0424 0.62720 0.008 0 0.992
#> ERR659163 3 0.0000 0.62776 0.000 0 1.000
#> ERR659068 2 0.0000 1.00000 0.000 1 0.000
#> ERR659164 2 0.0000 1.00000 0.000 1 0.000
#> ERR659069 3 0.0424 0.62539 0.008 0 0.992
#> ERR659165 3 0.0237 0.62728 0.004 0 0.996
#> ERR659070 1 0.5016 0.68368 0.760 0 0.240
#> ERR659166 1 0.5138 0.68022 0.748 0 0.252
#> ERR659071 1 0.4750 0.68879 0.784 0 0.216
#> ERR659167 1 0.4796 0.68466 0.780 0 0.220
#> ERR659072 3 0.0000 0.62776 0.000 0 1.000
#> ERR659168 3 0.0000 0.62776 0.000 0 1.000
#> ERR659073 3 0.4399 0.51308 0.188 0 0.812
#> ERR659169 3 0.4750 0.48190 0.216 0 0.784
#> ERR659074 2 0.0000 1.00000 0.000 1 0.000
#> ERR659170 2 0.0000 1.00000 0.000 1 0.000
#> ERR659075 1 0.6308 0.10210 0.508 0 0.492
#> ERR659171 1 0.6308 0.10210 0.508 0 0.492
#> ERR659076 2 0.0000 1.00000 0.000 1 0.000
#> ERR659172 2 0.0000 1.00000 0.000 1 0.000
#> ERR659077 1 0.5363 0.67059 0.724 0 0.276
#> ERR659173 1 0.5291 0.68097 0.732 0 0.268
#> ERR659078 1 0.5397 0.63294 0.720 0 0.280
#> ERR659174 1 0.5397 0.63089 0.720 0 0.280
#> ERR659079 1 0.6260 0.48059 0.552 0 0.448
#> ERR659175 1 0.6260 0.48059 0.552 0 0.448
#> ERR659080 3 0.6307 -0.11839 0.488 0 0.512
#> ERR659176 3 0.6307 -0.11839 0.488 0 0.512
#> ERR659081 1 0.3482 0.65966 0.872 0 0.128
#> ERR659177 1 0.3619 0.66627 0.864 0 0.136
#> ERR659082 1 0.4235 0.68042 0.824 0 0.176
#> ERR659178 1 0.4235 0.67652 0.824 0 0.176
#> ERR659083 2 0.0000 1.00000 0.000 1 0.000
#> ERR659179 2 0.0000 1.00000 0.000 1 0.000
#> ERR659084 2 0.0000 1.00000 0.000 1 0.000
#> ERR659180 2 0.0000 1.00000 0.000 1 0.000
#> ERR659085 3 0.6305 -0.25993 0.484 0 0.516
#> ERR659181 3 0.6309 -0.27800 0.496 0 0.504
#> ERR659086 1 0.3879 0.67176 0.848 0 0.152
#> ERR659182 1 0.3941 0.67440 0.844 0 0.156
#> ERR659087 3 0.4702 0.47995 0.212 0 0.788
#> ERR659183 3 0.4654 0.48537 0.208 0 0.792
#> ERR659088 3 0.6140 0.10912 0.404 0 0.596
#> ERR659184 3 0.6026 0.17408 0.376 0 0.624
#> ERR659089 3 0.6280 -0.13440 0.460 0 0.540
#> ERR659185 3 0.6280 -0.13440 0.460 0 0.540
#> ERR659090 1 0.3816 0.67876 0.852 0 0.148
#> ERR659186 1 0.3941 0.68428 0.844 0 0.156
#> ERR659091 1 0.6295 0.43191 0.528 0 0.472
#> ERR659187 1 0.6299 0.42019 0.524 0 0.476
#> ERR659092 3 0.6307 -0.32534 0.488 0 0.512
#> ERR659188 3 0.6295 -0.27356 0.472 0 0.528
#> ERR659093 1 0.4002 0.68358 0.840 0 0.160
#> ERR659189 1 0.3941 0.68061 0.844 0 0.156
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.7502 0.7319 0.356 0 0.456 0.188
#> ERR467498 3 0.7509 0.7264 0.360 0 0.452 0.188
#> ERR658998 1 0.7277 0.3302 0.540 0 0.228 0.232
#> ERR659094 1 0.7252 0.3294 0.544 0 0.224 0.232
#> ERR658999 4 0.0524 0.7999 0.004 0 0.008 0.988
#> ERR659095 4 0.0376 0.7986 0.004 0 0.004 0.992
#> ERR659000 3 0.7423 0.6432 0.404 0 0.428 0.168
#> ERR659096 3 0.7424 0.6322 0.408 0 0.424 0.168
#> ERR659001 1 0.6219 0.3493 0.588 0 0.068 0.344
#> ERR659097 1 0.6116 0.4024 0.612 0 0.068 0.320
#> ERR659002 1 0.5811 0.5286 0.704 0 0.180 0.116
#> ERR659098 1 0.5705 0.5419 0.712 0 0.180 0.108
#> ERR659003 1 0.4378 0.6345 0.796 0 0.164 0.040
#> ERR659099 1 0.4335 0.6335 0.796 0 0.168 0.036
#> ERR659004 4 0.2973 0.7987 0.020 0 0.096 0.884
#> ERR659100 4 0.2973 0.7987 0.020 0 0.096 0.884
#> ERR659005 1 0.4297 0.6535 0.820 0 0.084 0.096
#> ERR659101 1 0.4426 0.6594 0.812 0 0.092 0.096
#> ERR659006 4 0.2730 0.7989 0.016 0 0.088 0.896
#> ERR659102 4 0.2730 0.7989 0.016 0 0.088 0.896
#> ERR659007 1 0.2973 0.6626 0.884 0 0.020 0.096
#> ERR659103 1 0.3143 0.6593 0.876 0 0.024 0.100
#> ERR659008 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659104 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659009 4 0.3090 0.7948 0.056 0 0.056 0.888
#> ERR659105 4 0.3320 0.7853 0.068 0 0.056 0.876
#> ERR659010 4 0.2699 0.8002 0.068 0 0.028 0.904
#> ERR659106 4 0.2773 0.7970 0.072 0 0.028 0.900
#> ERR659011 4 0.3107 0.8072 0.036 0 0.080 0.884
#> ERR659107 4 0.3082 0.8077 0.032 0 0.084 0.884
#> ERR659012 4 0.2644 0.8117 0.032 0 0.060 0.908
#> ERR659108 4 0.2644 0.8117 0.032 0 0.060 0.908
#> ERR659013 1 0.7300 0.1750 0.516 0 0.304 0.180
#> ERR659109 1 0.7315 0.1664 0.512 0 0.308 0.180
#> ERR659014 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659110 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659015 1 0.3808 0.6363 0.812 0 0.176 0.012
#> ERR659111 1 0.3808 0.6363 0.812 0 0.176 0.012
#> ERR659016 3 0.7016 0.7891 0.320 0 0.540 0.140
#> ERR659112 3 0.7054 0.7905 0.320 0 0.536 0.144
#> ERR659017 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659113 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659018 1 0.4139 0.6577 0.816 0 0.040 0.144
#> ERR659114 1 0.4197 0.6511 0.808 0 0.036 0.156
#> ERR659019 4 0.1854 0.8087 0.012 0 0.048 0.940
#> ERR659115 4 0.1767 0.8092 0.012 0 0.044 0.944
#> ERR659020 1 0.5314 0.6100 0.740 0 0.084 0.176
#> ERR659116 1 0.5292 0.6119 0.744 0 0.088 0.168
#> ERR659021 1 0.3840 0.6509 0.844 0 0.104 0.052
#> ERR659117 1 0.3525 0.6477 0.860 0 0.100 0.040
#> ERR659022 1 0.4595 0.6008 0.780 0 0.176 0.044
#> ERR659118 1 0.4719 0.5982 0.772 0 0.180 0.048
#> ERR659023 1 0.5256 0.6012 0.732 0 0.204 0.064
#> ERR659119 1 0.5257 0.5950 0.728 0 0.212 0.060
#> ERR659024 1 0.4301 0.6612 0.816 0 0.120 0.064
#> ERR659120 1 0.4301 0.6607 0.816 0 0.120 0.064
#> ERR659025 1 0.6859 -0.2773 0.512 0 0.380 0.108
#> ERR659121 1 0.6961 -0.3363 0.496 0 0.388 0.116
#> ERR659026 1 0.6376 0.2542 0.536 0 0.068 0.396
#> ERR659122 1 0.6324 0.3422 0.572 0 0.072 0.356
#> ERR659027 3 0.7290 0.7760 0.328 0 0.504 0.168
#> ERR659123 3 0.7264 0.7861 0.320 0 0.512 0.168
#> ERR659028 1 0.5374 0.5820 0.704 0 0.244 0.052
#> ERR659124 1 0.5448 0.5796 0.700 0 0.244 0.056
#> ERR659029 1 0.4035 0.6389 0.804 0 0.176 0.020
#> ERR659125 1 0.4012 0.6348 0.800 0 0.184 0.016
#> ERR659030 1 0.4105 0.6231 0.812 0 0.156 0.032
#> ERR659126 1 0.4057 0.6269 0.816 0 0.152 0.032
#> ERR659031 1 0.7241 0.0217 0.536 0 0.276 0.188
#> ERR659127 1 0.7328 -0.0239 0.524 0 0.276 0.200
#> ERR659032 1 0.5041 0.5925 0.728 0 0.232 0.040
#> ERR659128 1 0.5041 0.5957 0.728 0 0.232 0.040
#> ERR659033 1 0.2334 0.6558 0.908 0 0.088 0.004
#> ERR659129 1 0.2266 0.6559 0.912 0 0.084 0.004
#> ERR659034 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659130 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659035 1 0.5220 0.5985 0.752 0 0.092 0.156
#> ERR659131 1 0.5151 0.6122 0.760 0 0.100 0.140
#> ERR659036 1 0.6080 0.4459 0.664 0 0.236 0.100
#> ERR659132 1 0.5988 0.4759 0.676 0 0.224 0.100
#> ERR659037 1 0.7034 0.2652 0.576 0 0.220 0.204
#> ERR659133 1 0.7064 0.2524 0.572 0 0.220 0.208
#> ERR659038 4 0.0672 0.8022 0.008 0 0.008 0.984
#> ERR659134 4 0.0672 0.8022 0.008 0 0.008 0.984
#> ERR659039 4 0.1510 0.8105 0.028 0 0.016 0.956
#> ERR659135 4 0.1510 0.8105 0.028 0 0.016 0.956
#> ERR659040 1 0.6050 0.4703 0.676 0 0.212 0.112
#> ERR659136 1 0.5820 0.5055 0.696 0 0.204 0.100
#> ERR659041 3 0.7143 0.7739 0.208 0 0.560 0.232
#> ERR659137 3 0.7143 0.7739 0.208 0 0.560 0.232
#> ERR659042 3 0.6859 0.8146 0.256 0 0.588 0.156
#> ERR659138 3 0.6859 0.8146 0.256 0 0.588 0.156
#> ERR659043 1 0.6885 0.3519 0.588 0 0.248 0.164
#> ERR659139 1 0.6910 0.3491 0.584 0 0.252 0.164
#> ERR659044 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659140 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659045 4 0.1610 0.8170 0.032 0 0.016 0.952
#> ERR659141 4 0.1256 0.8142 0.028 0 0.008 0.964
#> ERR659046 1 0.2522 0.6625 0.908 0 0.076 0.016
#> ERR659142 1 0.2635 0.6593 0.904 0 0.076 0.020
#> ERR659047 1 0.4181 0.6597 0.820 0 0.128 0.052
#> ERR659143 1 0.3749 0.6565 0.840 0 0.128 0.032
#> ERR659048 1 0.3308 0.6547 0.872 0 0.092 0.036
#> ERR659144 1 0.3308 0.6552 0.872 0 0.092 0.036
#> ERR659049 4 0.7803 -0.4506 0.268 0 0.316 0.416
#> ERR659145 4 0.7870 -0.5266 0.288 0 0.324 0.388
#> ERR659050 1 0.6340 0.4542 0.620 0 0.284 0.096
#> ERR659146 1 0.6415 0.4464 0.612 0 0.288 0.100
#> ERR659051 3 0.6608 0.7729 0.204 0 0.628 0.168
#> ERR659147 3 0.6608 0.7729 0.204 0 0.628 0.168
#> ERR659052 4 0.4605 0.7107 0.092 0 0.108 0.800
#> ERR659148 4 0.4662 0.7060 0.092 0 0.112 0.796
#> ERR659053 1 0.3257 0.6213 0.844 0 0.152 0.004
#> ERR659149 1 0.3257 0.6199 0.844 0 0.152 0.004
#> ERR659054 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659150 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659055 4 0.4337 0.6652 0.140 0 0.052 0.808
#> ERR659151 4 0.4514 0.6453 0.148 0 0.056 0.796
#> ERR659056 3 0.6742 0.8037 0.232 0 0.608 0.160
#> ERR659152 3 0.6742 0.8037 0.232 0 0.608 0.160
#> ERR659057 1 0.4610 0.6456 0.800 0 0.100 0.100
#> ERR659153 1 0.4724 0.6462 0.792 0 0.112 0.096
#> ERR659058 4 0.0895 0.8100 0.020 0 0.004 0.976
#> ERR659154 4 0.0895 0.8100 0.020 0 0.004 0.976
#> ERR659059 1 0.3852 0.6322 0.808 0 0.180 0.012
#> ERR659155 1 0.3925 0.6364 0.808 0 0.176 0.016
#> ERR659060 1 0.6729 0.1875 0.572 0 0.312 0.116
#> ERR659156 1 0.6729 0.1875 0.572 0 0.312 0.116
#> ERR659061 1 0.5742 0.4080 0.664 0 0.276 0.060
#> ERR659157 1 0.5742 0.4080 0.664 0 0.276 0.060
#> ERR659062 1 0.7777 -0.2514 0.428 0 0.304 0.268
#> ERR659158 1 0.7777 -0.2514 0.428 0 0.304 0.268
#> ERR659063 1 0.4008 0.6565 0.820 0 0.148 0.032
#> ERR659159 1 0.3863 0.6585 0.828 0 0.144 0.028
#> ERR659064 1 0.4100 0.6347 0.824 0 0.128 0.048
#> ERR659160 1 0.4234 0.6331 0.816 0 0.132 0.052
#> ERR659065 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659161 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659066 4 0.3308 0.7883 0.036 0 0.092 0.872
#> ERR659162 4 0.3308 0.7883 0.036 0 0.092 0.872
#> ERR659067 4 0.2335 0.8032 0.060 0 0.020 0.920
#> ERR659163 4 0.2256 0.8058 0.056 0 0.020 0.924
#> ERR659068 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659164 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659069 4 0.2282 0.8050 0.052 0 0.024 0.924
#> ERR659165 4 0.2060 0.8083 0.052 0 0.016 0.932
#> ERR659070 1 0.5035 0.5544 0.744 0 0.204 0.052
#> ERR659166 1 0.5184 0.5401 0.732 0 0.212 0.056
#> ERR659071 1 0.3743 0.6400 0.824 0 0.160 0.016
#> ERR659167 1 0.3695 0.6408 0.828 0 0.156 0.016
#> ERR659072 4 0.2450 0.8046 0.016 0 0.072 0.912
#> ERR659168 4 0.2450 0.8046 0.016 0 0.072 0.912
#> ERR659073 4 0.7158 -0.0823 0.340 0 0.148 0.512
#> ERR659169 4 0.7201 -0.1377 0.356 0 0.148 0.496
#> ERR659074 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659170 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659075 3 0.6437 0.7613 0.184 0 0.648 0.168
#> ERR659171 3 0.6437 0.7613 0.184 0 0.648 0.168
#> ERR659076 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659172 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659077 1 0.4849 0.6581 0.772 0 0.164 0.064
#> ERR659173 1 0.4685 0.6621 0.784 0 0.156 0.060
#> ERR659078 1 0.3959 0.6723 0.840 0 0.092 0.068
#> ERR659174 1 0.3894 0.6731 0.844 0 0.088 0.068
#> ERR659079 1 0.6538 0.4220 0.600 0 0.292 0.108
#> ERR659175 1 0.6497 0.4151 0.596 0 0.304 0.100
#> ERR659080 3 0.7068 0.8094 0.296 0 0.548 0.156
#> ERR659176 3 0.7118 0.8025 0.308 0 0.536 0.156
#> ERR659081 1 0.2944 0.6276 0.868 0 0.128 0.004
#> ERR659177 1 0.2944 0.6308 0.868 0 0.128 0.004
#> ERR659082 1 0.3443 0.6273 0.848 0 0.136 0.016
#> ERR659178 1 0.3495 0.6255 0.844 0 0.140 0.016
#> ERR659083 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659179 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659084 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659180 2 0.0000 1.0000 0.000 1 0.000 0.000
#> ERR659085 1 0.6075 0.4885 0.680 0 0.128 0.192
#> ERR659181 1 0.6194 0.4697 0.668 0 0.132 0.200
#> ERR659086 1 0.3333 0.6690 0.872 0 0.088 0.040
#> ERR659182 1 0.3333 0.6690 0.872 0 0.088 0.040
#> ERR659087 4 0.7193 -0.1016 0.340 0 0.152 0.508
#> ERR659183 4 0.7193 -0.1019 0.340 0 0.152 0.508
#> ERR659088 3 0.7541 0.5555 0.388 0 0.424 0.188
#> ERR659184 3 0.7608 0.5230 0.392 0 0.408 0.200
#> ERR659089 1 0.7072 0.2081 0.560 0 0.268 0.172
#> ERR659185 1 0.7072 0.2081 0.560 0 0.268 0.172
#> ERR659090 1 0.2867 0.6536 0.884 0 0.104 0.012
#> ERR659186 1 0.2741 0.6569 0.892 0 0.096 0.012
#> ERR659091 1 0.6215 0.5693 0.668 0 0.140 0.192
#> ERR659187 1 0.6248 0.5545 0.660 0 0.128 0.212
#> ERR659092 1 0.6822 0.4571 0.604 0 0.192 0.204
#> ERR659188 1 0.6936 0.4101 0.588 0 0.188 0.224
#> ERR659093 1 0.3219 0.6384 0.868 0 0.112 0.020
#> ERR659189 1 0.3278 0.6389 0.864 0 0.116 0.020
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 4 0.631 0.61809 0.180 0 0.160 0.624 0.036
#> ERR467498 4 0.631 0.61809 0.180 0 0.160 0.624 0.036
#> ERR658998 3 0.772 0.55188 0.176 0 0.496 0.192 0.136
#> ERR659094 3 0.775 0.55692 0.180 0 0.492 0.188 0.140
#> ERR658999 5 0.110 0.79897 0.008 0 0.012 0.012 0.968
#> ERR659095 5 0.110 0.79897 0.008 0 0.012 0.012 0.968
#> ERR659000 4 0.624 0.61221 0.180 0 0.160 0.628 0.032
#> ERR659096 4 0.627 0.60254 0.184 0 0.160 0.624 0.032
#> ERR659001 3 0.845 0.38186 0.224 0 0.320 0.172 0.284
#> ERR659097 3 0.844 0.41929 0.236 0 0.332 0.168 0.264
#> ERR659002 1 0.707 0.49712 0.552 0 0.184 0.200 0.064
#> ERR659098 1 0.681 0.51749 0.580 0 0.168 0.196 0.056
#> ERR659003 1 0.374 0.63272 0.840 0 0.064 0.072 0.024
#> ERR659099 1 0.360 0.63328 0.848 0 0.056 0.072 0.024
#> ERR659004 5 0.519 0.72586 0.008 0 0.092 0.204 0.696
#> ERR659100 5 0.522 0.72477 0.008 0 0.092 0.208 0.692
#> ERR659005 1 0.578 0.53511 0.692 0 0.104 0.152 0.052
#> ERR659101 1 0.603 0.50637 0.672 0 0.124 0.148 0.056
#> ERR659006 5 0.505 0.73064 0.012 0 0.088 0.180 0.720
#> ERR659102 5 0.505 0.73064 0.012 0 0.088 0.180 0.720
#> ERR659007 1 0.516 0.49993 0.728 0 0.168 0.072 0.032
#> ERR659103 1 0.562 0.45692 0.692 0 0.176 0.096 0.036
#> ERR659008 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659104 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659009 5 0.477 0.70058 0.032 0 0.076 0.124 0.768
#> ERR659105 5 0.485 0.69658 0.036 0 0.076 0.124 0.764
#> ERR659010 5 0.346 0.77905 0.036 0 0.052 0.052 0.860
#> ERR659106 5 0.339 0.78175 0.036 0 0.052 0.048 0.864
#> ERR659011 5 0.446 0.76932 0.016 0 0.056 0.156 0.772
#> ERR659107 5 0.448 0.77165 0.016 0 0.060 0.152 0.772
#> ERR659012 5 0.328 0.78748 0.004 0 0.068 0.072 0.856
#> ERR659108 5 0.321 0.78932 0.004 0 0.064 0.072 0.860
#> ERR659013 3 0.714 0.43621 0.164 0 0.480 0.312 0.044
#> ERR659109 3 0.714 0.43621 0.164 0 0.480 0.312 0.044
#> ERR659014 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659110 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659015 3 0.460 0.62503 0.292 0 0.680 0.016 0.012
#> ERR659111 3 0.469 0.62766 0.292 0 0.676 0.020 0.012
#> ERR659016 4 0.511 0.64366 0.288 0 0.028 0.660 0.024
#> ERR659112 4 0.519 0.64718 0.288 0 0.032 0.656 0.024
#> ERR659017 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659113 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659018 1 0.741 0.01709 0.488 0 0.292 0.096 0.124
#> ERR659114 1 0.737 0.00965 0.492 0 0.292 0.088 0.128
#> ERR659019 5 0.327 0.78504 0.032 0 0.008 0.108 0.852
#> ERR659115 5 0.327 0.78504 0.032 0 0.008 0.108 0.852
#> ERR659020 1 0.651 0.49742 0.636 0 0.116 0.092 0.156
#> ERR659116 1 0.643 0.51352 0.644 0 0.116 0.092 0.148
#> ERR659021 1 0.490 0.59062 0.760 0 0.124 0.080 0.036
#> ERR659117 1 0.481 0.58880 0.764 0 0.128 0.076 0.032
#> ERR659022 1 0.490 0.55670 0.736 0 0.036 0.188 0.040
#> ERR659118 1 0.482 0.56097 0.740 0 0.036 0.188 0.036
#> ERR659023 3 0.562 0.66640 0.204 0 0.672 0.104 0.020
#> ERR659119 3 0.565 0.66466 0.208 0 0.668 0.104 0.020
#> ERR659024 3 0.653 0.46283 0.376 0 0.500 0.084 0.040
#> ERR659120 3 0.643 0.50259 0.360 0 0.520 0.084 0.036
#> ERR659025 4 0.552 0.32632 0.460 0 0.040 0.488 0.012
#> ERR659121 4 0.543 0.34088 0.456 0 0.040 0.496 0.008
#> ERR659026 3 0.801 0.38709 0.216 0 0.356 0.096 0.332
#> ERR659122 3 0.809 0.42794 0.232 0 0.372 0.104 0.292
#> ERR659027 4 0.629 0.65497 0.272 0 0.120 0.584 0.024
#> ERR659123 4 0.627 0.65633 0.268 0 0.120 0.588 0.024
#> ERR659028 3 0.478 0.66038 0.180 0 0.736 0.076 0.008
#> ERR659124 3 0.488 0.66332 0.180 0 0.732 0.076 0.012
#> ERR659029 3 0.537 0.63041 0.304 0 0.632 0.048 0.016
#> ERR659125 3 0.535 0.63449 0.300 0 0.636 0.048 0.016
#> ERR659030 1 0.323 0.61374 0.868 0 0.072 0.040 0.020
#> ERR659126 1 0.323 0.61374 0.868 0 0.072 0.040 0.020
#> ERR659031 4 0.818 0.02395 0.244 0 0.296 0.348 0.112
#> ERR659127 4 0.819 0.06889 0.236 0 0.292 0.356 0.116
#> ERR659032 3 0.484 0.65723 0.196 0 0.728 0.064 0.012
#> ERR659128 3 0.478 0.65506 0.196 0 0.732 0.060 0.012
#> ERR659033 1 0.490 -0.08236 0.524 0 0.456 0.008 0.012
#> ERR659129 1 0.490 -0.08395 0.524 0 0.456 0.008 0.012
#> ERR659034 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659130 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659035 3 0.744 0.56500 0.268 0 0.492 0.160 0.080
#> ERR659131 3 0.722 0.56615 0.284 0 0.500 0.156 0.060
#> ERR659036 1 0.704 0.13813 0.492 0 0.172 0.300 0.036
#> ERR659132 1 0.706 0.13374 0.488 0 0.176 0.300 0.036
#> ERR659037 1 0.680 0.24044 0.524 0 0.036 0.300 0.140
#> ERR659133 1 0.685 0.22562 0.524 0 0.036 0.288 0.152
#> ERR659038 5 0.106 0.79872 0.008 0 0.004 0.020 0.968
#> ERR659134 5 0.096 0.79856 0.008 0 0.004 0.016 0.972
#> ERR659039 5 0.230 0.80195 0.020 0 0.068 0.004 0.908
#> ERR659135 5 0.224 0.80229 0.020 0 0.064 0.004 0.912
#> ERR659040 3 0.686 0.59381 0.260 0 0.492 0.232 0.016
#> ERR659136 3 0.683 0.60251 0.248 0 0.500 0.236 0.016
#> ERR659041 4 0.559 0.65541 0.184 0 0.052 0.696 0.068
#> ERR659137 4 0.565 0.65508 0.184 0 0.052 0.692 0.072
#> ERR659042 4 0.509 0.65448 0.256 0 0.032 0.684 0.028
#> ERR659138 4 0.509 0.65448 0.256 0 0.032 0.684 0.028
#> ERR659043 3 0.781 0.47395 0.308 0 0.344 0.288 0.060
#> ERR659139 3 0.785 0.47162 0.304 0 0.348 0.284 0.064
#> ERR659044 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659140 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659045 5 0.189 0.80719 0.016 0 0.032 0.016 0.936
#> ERR659141 5 0.189 0.80719 0.016 0 0.032 0.016 0.936
#> ERR659046 1 0.485 0.49154 0.720 0 0.220 0.028 0.032
#> ERR659142 1 0.469 0.52277 0.740 0 0.200 0.028 0.032
#> ERR659047 1 0.539 0.08380 0.560 0 0.392 0.016 0.032
#> ERR659143 1 0.530 0.19359 0.596 0 0.356 0.016 0.032
#> ERR659048 1 0.548 0.52381 0.696 0 0.164 0.120 0.020
#> ERR659144 1 0.540 0.52420 0.704 0 0.172 0.100 0.024
#> ERR659049 4 0.761 0.38031 0.180 0 0.068 0.400 0.352
#> ERR659145 4 0.773 0.44544 0.192 0 0.080 0.424 0.304
#> ERR659050 3 0.593 0.64686 0.156 0 0.660 0.156 0.028
#> ERR659146 3 0.582 0.64703 0.152 0 0.672 0.148 0.028
#> ERR659051 4 0.536 0.63771 0.096 0 0.140 0.724 0.040
#> ERR659147 4 0.536 0.63771 0.096 0 0.140 0.724 0.040
#> ERR659052 5 0.549 0.66081 0.048 0 0.068 0.180 0.704
#> ERR659148 5 0.546 0.66538 0.048 0 0.068 0.176 0.708
#> ERR659053 1 0.231 0.62188 0.912 0 0.036 0.048 0.004
#> ERR659149 1 0.231 0.62188 0.912 0 0.036 0.048 0.004
#> ERR659054 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659150 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659055 5 0.413 0.72779 0.060 0 0.120 0.016 0.804
#> ERR659151 5 0.448 0.69349 0.060 0 0.152 0.016 0.772
#> ERR659056 4 0.523 0.66485 0.224 0 0.052 0.696 0.028
#> ERR659152 4 0.523 0.66485 0.224 0 0.052 0.696 0.028
#> ERR659057 3 0.704 0.52920 0.344 0 0.488 0.088 0.080
#> ERR659153 3 0.682 0.55967 0.332 0 0.516 0.088 0.064
#> ERR659058 5 0.152 0.80436 0.016 0 0.016 0.016 0.952
#> ERR659154 5 0.142 0.80300 0.012 0 0.016 0.016 0.956
#> ERR659059 3 0.440 0.61896 0.296 0 0.684 0.016 0.004
#> ERR659155 3 0.442 0.61797 0.300 0 0.680 0.016 0.004
#> ERR659060 1 0.546 0.18868 0.596 0 0.016 0.344 0.044
#> ERR659156 1 0.551 0.18675 0.596 0 0.016 0.340 0.048
#> ERR659061 1 0.482 0.39533 0.688 0 0.028 0.268 0.016
#> ERR659157 1 0.487 0.38514 0.680 0 0.028 0.276 0.016
#> ERR659062 4 0.818 0.03929 0.152 0 0.324 0.360 0.164
#> ERR659158 4 0.820 0.00314 0.156 0 0.332 0.348 0.164
#> ERR659063 3 0.587 0.62189 0.336 0 0.576 0.068 0.020
#> ERR659159 3 0.589 0.61530 0.340 0 0.572 0.068 0.020
#> ERR659064 1 0.392 0.61935 0.820 0 0.076 0.092 0.012
#> ERR659160 1 0.403 0.61457 0.812 0 0.076 0.100 0.012
#> ERR659065 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659161 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659066 5 0.490 0.74319 0.040 0 0.048 0.164 0.748
#> ERR659162 5 0.504 0.73736 0.044 0 0.048 0.172 0.736
#> ERR659067 5 0.223 0.80157 0.012 0 0.068 0.008 0.912
#> ERR659163 5 0.240 0.80034 0.016 0 0.072 0.008 0.904
#> ERR659068 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659164 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659069 5 0.235 0.79993 0.012 0 0.076 0.008 0.904
#> ERR659165 5 0.235 0.79993 0.012 0 0.076 0.008 0.904
#> ERR659070 1 0.454 0.45424 0.732 0 0.020 0.224 0.024
#> ERR659166 1 0.451 0.43700 0.728 0 0.016 0.232 0.024
#> ERR659071 3 0.479 0.55552 0.356 0 0.620 0.012 0.012
#> ERR659167 3 0.479 0.55531 0.356 0 0.620 0.012 0.012
#> ERR659072 5 0.317 0.78598 0.004 0 0.024 0.124 0.848
#> ERR659168 5 0.317 0.78598 0.004 0 0.024 0.124 0.848
#> ERR659073 5 0.777 0.05682 0.148 0 0.116 0.288 0.448
#> ERR659169 5 0.804 -0.11717 0.180 0 0.124 0.296 0.400
#> ERR659074 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659170 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659075 4 0.565 0.65008 0.124 0 0.144 0.696 0.036
#> ERR659171 4 0.565 0.65008 0.124 0 0.144 0.696 0.036
#> ERR659076 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659172 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659077 3 0.618 0.43125 0.416 0 0.492 0.056 0.036
#> ERR659173 3 0.618 0.43125 0.416 0 0.492 0.056 0.036
#> ERR659078 1 0.609 0.28143 0.592 0 0.300 0.072 0.036
#> ERR659174 1 0.609 0.28346 0.592 0 0.300 0.072 0.036
#> ERR659079 3 0.684 0.65129 0.208 0 0.556 0.196 0.040
#> ERR659175 3 0.684 0.65129 0.208 0 0.556 0.196 0.040
#> ERR659080 4 0.535 0.65857 0.256 0 0.052 0.668 0.024
#> ERR659176 4 0.535 0.65857 0.256 0 0.052 0.668 0.024
#> ERR659081 1 0.249 0.62250 0.908 0 0.048 0.020 0.024
#> ERR659177 1 0.242 0.62419 0.912 0 0.044 0.020 0.024
#> ERR659082 1 0.281 0.62722 0.888 0 0.032 0.068 0.012
#> ERR659178 1 0.267 0.63005 0.896 0 0.024 0.064 0.016
#> ERR659083 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659179 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659084 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659180 2 0.000 1.00000 0.000 1 0.000 0.000 0.000
#> ERR659085 1 0.718 0.44525 0.556 0 0.112 0.212 0.120
#> ERR659181 1 0.724 0.43709 0.548 0 0.116 0.216 0.120
#> ERR659086 1 0.533 0.22369 0.608 0 0.340 0.032 0.020
#> ERR659182 1 0.531 0.22485 0.612 0 0.336 0.032 0.020
#> ERR659087 5 0.808 -0.34452 0.128 0 0.336 0.172 0.364
#> ERR659183 5 0.798 -0.31148 0.116 0 0.344 0.168 0.372
#> ERR659088 4 0.779 0.51476 0.288 0 0.212 0.420 0.080
#> ERR659184 4 0.782 0.50757 0.292 0 0.208 0.416 0.084
#> ERR659089 1 0.653 0.28659 0.568 0 0.044 0.284 0.104
#> ERR659185 1 0.650 0.29522 0.576 0 0.044 0.276 0.104
#> ERR659090 1 0.398 0.60376 0.816 0 0.120 0.036 0.028
#> ERR659186 1 0.420 0.58989 0.796 0 0.140 0.036 0.028
#> ERR659091 3 0.740 0.63917 0.252 0 0.512 0.136 0.100
#> ERR659187 3 0.746 0.63467 0.256 0 0.504 0.136 0.104
#> ERR659092 3 0.762 0.64289 0.220 0 0.500 0.164 0.116
#> ERR659188 3 0.761 0.64163 0.212 0 0.504 0.164 0.120
#> ERR659093 1 0.345 0.61037 0.856 0 0.080 0.036 0.028
#> ERR659189 1 0.362 0.60517 0.844 0 0.092 0.036 0.028
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.553 0.5274 0.228 0 0.016 0.648 0.076 0.032
#> ERR467498 4 0.555 0.5215 0.232 0 0.016 0.644 0.076 0.032
#> ERR658998 1 0.547 0.6345 0.716 0 0.104 0.068 0.060 0.052
#> ERR659094 1 0.539 0.6332 0.720 0 0.108 0.068 0.060 0.044
#> ERR658999 3 0.120 0.5596 0.008 0 0.952 0.000 0.040 0.000
#> ERR659095 3 0.120 0.5596 0.008 0 0.952 0.000 0.040 0.000
#> ERR659000 4 0.550 0.5517 0.216 0 0.008 0.652 0.084 0.040
#> ERR659096 4 0.548 0.5421 0.224 0 0.008 0.648 0.084 0.036
#> ERR659001 1 0.709 0.4894 0.516 0 0.244 0.064 0.048 0.128
#> ERR659097 1 0.707 0.4989 0.524 0 0.232 0.064 0.048 0.132
#> ERR659002 6 0.710 0.3827 0.156 0 0.020 0.288 0.072 0.464
#> ERR659098 6 0.696 0.3882 0.152 0 0.016 0.288 0.068 0.476
#> ERR659003 6 0.578 0.5505 0.112 0 0.008 0.224 0.036 0.620
#> ERR659099 6 0.584 0.5431 0.104 0 0.012 0.232 0.036 0.616
#> ERR659004 5 0.527 0.9612 0.004 0 0.380 0.068 0.540 0.008
#> ERR659100 5 0.527 0.9612 0.004 0 0.380 0.068 0.540 0.008
#> ERR659005 6 0.655 0.5542 0.200 0 0.020 0.200 0.036 0.544
#> ERR659101 6 0.663 0.5506 0.224 0 0.020 0.192 0.036 0.528
#> ERR659006 5 0.498 0.9611 0.000 0 0.400 0.052 0.540 0.008
#> ERR659102 5 0.498 0.9611 0.000 0 0.400 0.052 0.540 0.008
#> ERR659007 6 0.500 0.5865 0.228 0 0.008 0.072 0.016 0.676
#> ERR659103 6 0.512 0.5769 0.232 0 0.008 0.080 0.016 0.664
#> ERR659008 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659104 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659009 3 0.493 0.4547 0.132 0 0.736 0.056 0.064 0.012
#> ERR659105 3 0.506 0.4412 0.140 0 0.724 0.064 0.060 0.012
#> ERR659010 3 0.354 0.5676 0.068 0 0.844 0.040 0.024 0.024
#> ERR659106 3 0.330 0.5740 0.068 0 0.856 0.036 0.020 0.020
#> ERR659011 3 0.531 -0.6651 0.020 0 0.492 0.032 0.444 0.012
#> ERR659107 3 0.530 -0.6441 0.020 0 0.500 0.032 0.436 0.012
#> ERR659012 3 0.281 0.5892 0.056 0 0.880 0.020 0.040 0.004
#> ERR659108 3 0.255 0.5899 0.040 0 0.896 0.020 0.040 0.004
#> ERR659013 1 0.460 0.6146 0.764 0 0.028 0.112 0.076 0.020
#> ERR659109 1 0.468 0.6156 0.760 0 0.028 0.112 0.076 0.024
#> ERR659014 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659110 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659015 1 0.403 0.6155 0.752 0 0.000 0.000 0.088 0.160
#> ERR659111 1 0.414 0.6088 0.740 0 0.000 0.000 0.092 0.168
#> ERR659016 4 0.318 0.6359 0.072 0 0.000 0.852 0.024 0.052
#> ERR659112 4 0.317 0.6360 0.076 0 0.000 0.852 0.024 0.048
#> ERR659017 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659113 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659018 6 0.735 0.1263 0.356 0 0.128 0.068 0.044 0.404
#> ERR659114 6 0.737 0.1114 0.360 0 0.124 0.072 0.044 0.400
#> ERR659019 3 0.451 -0.1476 0.000 0 0.660 0.044 0.288 0.008
#> ERR659115 3 0.451 -0.1476 0.000 0 0.660 0.044 0.288 0.008
#> ERR659020 6 0.710 0.5291 0.156 0 0.100 0.168 0.036 0.540
#> ERR659116 6 0.707 0.5343 0.156 0 0.100 0.164 0.036 0.544
#> ERR659021 6 0.477 0.6284 0.096 0 0.016 0.100 0.036 0.752
#> ERR659117 6 0.472 0.6300 0.108 0 0.016 0.084 0.036 0.756
#> ERR659022 6 0.622 0.4058 0.100 0 0.012 0.320 0.040 0.528
#> ERR659118 6 0.617 0.4005 0.100 0 0.012 0.324 0.036 0.528
#> ERR659023 1 0.483 0.6388 0.736 0 0.000 0.100 0.076 0.088
#> ERR659119 1 0.488 0.6376 0.732 0 0.000 0.104 0.076 0.088
#> ERR659024 1 0.670 0.3794 0.492 0 0.004 0.120 0.088 0.296
#> ERR659120 1 0.663 0.4045 0.508 0 0.004 0.116 0.088 0.284
#> ERR659025 4 0.483 0.4596 0.084 0 0.000 0.692 0.020 0.204
#> ERR659121 4 0.483 0.4715 0.080 0 0.000 0.696 0.024 0.200
#> ERR659026 1 0.688 0.4230 0.468 0 0.332 0.036 0.044 0.120
#> ERR659122 1 0.696 0.4469 0.480 0 0.304 0.040 0.044 0.132
#> ERR659027 4 0.399 0.6194 0.156 0 0.004 0.776 0.012 0.052
#> ERR659123 4 0.396 0.6215 0.152 0 0.004 0.780 0.012 0.052
#> ERR659028 1 0.306 0.6502 0.860 0 0.000 0.024 0.064 0.052
#> ERR659124 1 0.306 0.6502 0.860 0 0.000 0.024 0.064 0.052
#> ERR659029 1 0.472 0.6113 0.728 0 0.000 0.036 0.084 0.152
#> ERR659125 1 0.465 0.6097 0.732 0 0.000 0.032 0.084 0.152
#> ERR659030 6 0.511 0.6262 0.092 0 0.020 0.136 0.032 0.720
#> ERR659126 6 0.523 0.6274 0.100 0 0.020 0.132 0.036 0.712
#> ERR659031 1 0.678 0.0603 0.432 0 0.064 0.396 0.036 0.072
#> ERR659127 1 0.686 0.0462 0.424 0 0.068 0.396 0.036 0.076
#> ERR659032 1 0.388 0.6428 0.804 0 0.000 0.032 0.088 0.076
#> ERR659128 1 0.396 0.6396 0.796 0 0.000 0.028 0.088 0.088
#> ERR659033 6 0.534 0.1703 0.348 0 0.000 0.004 0.104 0.544
#> ERR659129 6 0.535 0.1499 0.356 0 0.000 0.004 0.104 0.536
#> ERR659034 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659130 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659035 1 0.694 0.5291 0.548 0 0.040 0.172 0.064 0.176
#> ERR659131 1 0.705 0.5257 0.536 0 0.040 0.164 0.072 0.188
#> ERR659036 4 0.655 -0.0443 0.276 0 0.008 0.408 0.012 0.296
#> ERR659132 4 0.653 -0.0574 0.264 0 0.008 0.412 0.012 0.304
#> ERR659037 4 0.675 -0.0465 0.040 0 0.068 0.436 0.060 0.396
#> ERR659133 4 0.675 -0.0465 0.040 0 0.068 0.436 0.060 0.396
#> ERR659038 3 0.167 0.5412 0.004 0 0.924 0.004 0.068 0.000
#> ERR659134 3 0.162 0.5444 0.004 0 0.928 0.004 0.064 0.000
#> ERR659039 3 0.164 0.5916 0.040 0 0.932 0.000 0.028 0.000
#> ERR659135 3 0.164 0.5916 0.040 0 0.932 0.000 0.028 0.000
#> ERR659040 1 0.540 0.5928 0.656 0 0.000 0.192 0.040 0.112
#> ERR659136 1 0.528 0.6018 0.668 0 0.000 0.184 0.036 0.112
#> ERR659041 4 0.352 0.6365 0.024 0 0.032 0.848 0.048 0.048
#> ERR659137 4 0.352 0.6365 0.024 0 0.032 0.848 0.048 0.048
#> ERR659042 4 0.263 0.6399 0.040 0 0.000 0.888 0.028 0.044
#> ERR659138 4 0.263 0.6399 0.040 0 0.000 0.888 0.028 0.044
#> ERR659043 1 0.576 0.5999 0.664 0 0.012 0.132 0.064 0.128
#> ERR659139 1 0.576 0.5999 0.664 0 0.012 0.132 0.064 0.128
#> ERR659044 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659140 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659045 3 0.237 0.5813 0.024 0 0.896 0.012 0.068 0.000
#> ERR659141 3 0.237 0.5813 0.024 0 0.896 0.012 0.068 0.000
#> ERR659046 6 0.485 0.6119 0.160 0 0.004 0.068 0.044 0.724
#> ERR659142 6 0.482 0.6261 0.152 0 0.004 0.076 0.040 0.728
#> ERR659047 6 0.550 0.1921 0.444 0 0.012 0.036 0.028 0.480
#> ERR659143 6 0.553 0.3571 0.388 0 0.008 0.044 0.032 0.528
#> ERR659048 6 0.627 0.5270 0.184 0 0.012 0.248 0.020 0.536
#> ERR659144 6 0.624 0.5363 0.192 0 0.012 0.232 0.020 0.544
#> ERR659049 4 0.693 0.4367 0.128 0 0.256 0.520 0.040 0.056
#> ERR659145 4 0.672 0.4818 0.132 0 0.228 0.552 0.032 0.056
#> ERR659050 1 0.318 0.6578 0.856 0 0.000 0.056 0.044 0.044
#> ERR659146 1 0.304 0.6590 0.864 0 0.000 0.056 0.036 0.044
#> ERR659051 4 0.573 0.5676 0.152 0 0.012 0.648 0.152 0.036
#> ERR659147 4 0.573 0.5676 0.152 0 0.012 0.648 0.152 0.036
#> ERR659052 3 0.507 0.3630 0.048 0 0.708 0.184 0.040 0.020
#> ERR659148 3 0.496 0.3657 0.044 0 0.712 0.188 0.040 0.016
#> ERR659053 6 0.452 0.6135 0.076 0 0.004 0.168 0.016 0.736
#> ERR659149 6 0.445 0.6157 0.076 0 0.004 0.160 0.016 0.744
#> ERR659054 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659150 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659055 3 0.421 0.4908 0.136 0 0.772 0.000 0.052 0.040
#> ERR659151 3 0.425 0.4820 0.140 0 0.768 0.000 0.048 0.044
#> ERR659056 4 0.227 0.6385 0.028 0 0.004 0.912 0.028 0.028
#> ERR659152 4 0.219 0.6381 0.028 0 0.004 0.916 0.024 0.028
#> ERR659057 1 0.697 0.4675 0.524 0 0.040 0.112 0.072 0.252
#> ERR659153 1 0.691 0.4921 0.536 0 0.032 0.124 0.076 0.232
#> ERR659058 3 0.212 0.5779 0.020 0 0.916 0.004 0.048 0.012
#> ERR659154 3 0.195 0.5783 0.020 0 0.924 0.004 0.044 0.008
#> ERR659059 1 0.433 0.5937 0.720 0 0.004 0.000 0.076 0.200
#> ERR659155 1 0.436 0.5919 0.716 0 0.004 0.000 0.076 0.204
#> ERR659060 4 0.534 0.1235 0.020 0 0.004 0.532 0.052 0.392
#> ERR659156 4 0.552 0.0885 0.024 0 0.008 0.516 0.052 0.400
#> ERR659061 6 0.573 0.0988 0.040 0 0.012 0.444 0.040 0.464
#> ERR659157 6 0.573 0.0988 0.040 0 0.012 0.444 0.040 0.464
#> ERR659062 1 0.671 0.4192 0.556 0 0.136 0.220 0.056 0.032
#> ERR659158 1 0.667 0.4286 0.560 0 0.140 0.216 0.052 0.032
#> ERR659063 1 0.493 0.5774 0.684 0 0.000 0.040 0.056 0.220
#> ERR659159 1 0.502 0.5728 0.676 0 0.000 0.044 0.056 0.224
#> ERR659064 6 0.544 0.5945 0.164 0 0.000 0.172 0.024 0.640
#> ERR659160 6 0.547 0.5922 0.164 0 0.000 0.176 0.024 0.636
#> ERR659065 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659161 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659066 3 0.580 -0.6940 0.008 0 0.460 0.080 0.432 0.020
#> ERR659162 3 0.586 -0.6854 0.008 0 0.460 0.080 0.428 0.024
#> ERR659067 3 0.253 0.5875 0.064 0 0.884 0.000 0.048 0.004
#> ERR659163 3 0.258 0.5863 0.068 0 0.880 0.000 0.048 0.004
#> ERR659068 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659164 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659069 3 0.216 0.5947 0.056 0 0.908 0.000 0.028 0.008
#> ERR659165 3 0.208 0.5950 0.056 0 0.912 0.000 0.024 0.008
#> ERR659070 6 0.590 0.2771 0.068 0 0.008 0.396 0.036 0.492
#> ERR659166 6 0.590 0.2651 0.068 0 0.008 0.400 0.036 0.488
#> ERR659071 1 0.541 0.5304 0.624 0 0.004 0.028 0.080 0.264
#> ERR659167 1 0.529 0.5331 0.628 0 0.004 0.020 0.080 0.268
#> ERR659072 3 0.409 0.1265 0.000 0 0.708 0.028 0.256 0.008
#> ERR659168 3 0.400 0.1201 0.000 0 0.708 0.028 0.260 0.004
#> ERR659073 3 0.838 -0.0617 0.184 0 0.340 0.268 0.108 0.100
#> ERR659169 3 0.845 -0.1065 0.188 0 0.328 0.268 0.104 0.112
#> ERR659074 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659170 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659075 4 0.574 0.5753 0.156 0 0.016 0.656 0.132 0.040
#> ERR659171 4 0.574 0.5753 0.156 0 0.016 0.656 0.132 0.040
#> ERR659076 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659172 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659077 1 0.632 0.2996 0.480 0 0.020 0.036 0.088 0.376
#> ERR659173 1 0.645 0.2372 0.460 0 0.028 0.040 0.080 0.392
#> ERR659078 6 0.668 0.3970 0.264 0 0.012 0.100 0.096 0.528
#> ERR659174 6 0.676 0.3937 0.264 0 0.016 0.100 0.096 0.524
#> ERR659079 1 0.387 0.6464 0.820 0 0.012 0.068 0.064 0.036
#> ERR659175 1 0.387 0.6464 0.820 0 0.012 0.068 0.064 0.036
#> ERR659080 4 0.281 0.6386 0.040 0 0.004 0.880 0.020 0.056
#> ERR659176 4 0.293 0.6375 0.040 0 0.004 0.872 0.020 0.064
#> ERR659081 6 0.423 0.6342 0.116 0 0.004 0.092 0.016 0.772
#> ERR659177 6 0.422 0.6340 0.120 0 0.004 0.088 0.016 0.772
#> ERR659082 6 0.468 0.6191 0.068 0 0.012 0.156 0.024 0.740
#> ERR659178 6 0.454 0.6195 0.068 0 0.008 0.160 0.020 0.744
#> ERR659083 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659179 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659084 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659180 2 0.000 1.0000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659085 6 0.734 0.3456 0.096 0 0.072 0.320 0.064 0.448
#> ERR659181 6 0.737 0.3423 0.104 0 0.068 0.324 0.064 0.440
#> ERR659086 6 0.553 0.3996 0.280 0 0.008 0.020 0.088 0.604
#> ERR659182 6 0.570 0.3678 0.292 0 0.008 0.024 0.092 0.584
#> ERR659087 1 0.628 0.3328 0.512 0 0.348 0.064 0.056 0.020
#> ERR659183 1 0.629 0.3222 0.508 0 0.352 0.064 0.056 0.020
#> ERR659088 4 0.594 0.5056 0.260 0 0.048 0.600 0.016 0.076
#> ERR659184 4 0.602 0.5039 0.256 0 0.052 0.596 0.016 0.080
#> ERR659089 4 0.659 0.0233 0.056 0 0.036 0.464 0.064 0.380
#> ERR659185 4 0.658 0.0178 0.060 0 0.032 0.464 0.064 0.380
#> ERR659090 6 0.450 0.6419 0.164 0 0.008 0.052 0.028 0.748
#> ERR659186 6 0.456 0.6307 0.188 0 0.008 0.048 0.024 0.732
#> ERR659091 1 0.488 0.6438 0.756 0 0.052 0.052 0.036 0.104
#> ERR659187 1 0.492 0.6419 0.752 0 0.052 0.052 0.036 0.108
#> ERR659092 1 0.480 0.6510 0.768 0 0.060 0.056 0.044 0.072
#> ERR659188 1 0.475 0.6501 0.772 0 0.060 0.056 0.048 0.064
#> ERR659093 6 0.406 0.6258 0.064 0 0.012 0.100 0.024 0.800
#> ERR659189 6 0.412 0.6270 0.072 0 0.012 0.096 0.024 0.796
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.545 0.893 0.918 0.3046 0.767 0.767
#> 3 3 0.193 0.542 0.668 0.8315 0.713 0.626
#> 4 4 0.333 0.554 0.675 0.2321 0.748 0.500
#> 5 5 0.408 0.489 0.638 0.0962 0.964 0.876
#> 6 6 0.463 0.346 0.564 0.0615 0.835 0.477
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
#> ERR467487 1 0.1633 0.922 0.976 0.024
#> ERR467498 1 0.1633 0.922 0.976 0.024
#> ERR658998 1 0.2603 0.924 0.956 0.044
#> ERR659094 1 0.2603 0.924 0.956 0.044
#> ERR658999 1 0.7299 0.818 0.796 0.204
#> ERR659095 1 0.7376 0.813 0.792 0.208
#> ERR659000 1 0.4161 0.903 0.916 0.084
#> ERR659096 1 0.4161 0.902 0.916 0.084
#> ERR659001 1 0.1414 0.922 0.980 0.020
#> ERR659097 1 0.1414 0.922 0.980 0.020
#> ERR659002 1 0.2778 0.925 0.952 0.048
#> ERR659098 1 0.2778 0.925 0.952 0.048
#> ERR659003 1 0.2236 0.925 0.964 0.036
#> ERR659099 1 0.2043 0.925 0.968 0.032
#> ERR659004 1 0.8081 0.760 0.752 0.248
#> ERR659100 1 0.8267 0.742 0.740 0.260
#> ERR659005 1 0.2778 0.917 0.952 0.048
#> ERR659101 1 0.2603 0.918 0.956 0.044
#> ERR659006 1 0.8267 0.735 0.740 0.260
#> ERR659102 1 0.8267 0.735 0.740 0.260
#> ERR659007 1 0.0376 0.921 0.996 0.004
#> ERR659103 1 0.0376 0.921 0.996 0.004
#> ERR659008 2 0.7056 0.806 0.192 0.808
#> ERR659104 2 0.3114 0.941 0.056 0.944
#> ERR659009 1 0.5059 0.899 0.888 0.112
#> ERR659105 1 0.4815 0.904 0.896 0.104
#> ERR659010 1 0.5946 0.874 0.856 0.144
#> ERR659106 1 0.5629 0.883 0.868 0.132
#> ERR659011 1 0.6531 0.855 0.832 0.168
#> ERR659107 1 0.6623 0.851 0.828 0.172
#> ERR659012 1 0.7376 0.815 0.792 0.208
#> ERR659108 1 0.7376 0.815 0.792 0.208
#> ERR659013 1 0.2236 0.924 0.964 0.036
#> ERR659109 1 0.2236 0.926 0.964 0.036
#> ERR659014 2 0.2948 0.940 0.052 0.948
#> ERR659110 2 0.2043 0.954 0.032 0.968
#> ERR659015 1 0.2603 0.926 0.956 0.044
#> ERR659111 1 0.2236 0.926 0.964 0.036
#> ERR659016 1 0.5946 0.846 0.856 0.144
#> ERR659112 1 0.5842 0.850 0.860 0.140
#> ERR659017 2 0.2043 0.953 0.032 0.968
#> ERR659113 2 0.1843 0.953 0.028 0.972
#> ERR659018 1 0.2043 0.925 0.968 0.032
#> ERR659114 1 0.2043 0.925 0.968 0.032
#> ERR659019 1 0.6343 0.863 0.840 0.160
#> ERR659115 1 0.6343 0.862 0.840 0.160
#> ERR659020 1 0.1184 0.923 0.984 0.016
#> ERR659116 1 0.1184 0.923 0.984 0.016
#> ERR659021 1 0.2236 0.926 0.964 0.036
#> ERR659117 1 0.2236 0.926 0.964 0.036
#> ERR659022 1 0.3114 0.914 0.944 0.056
#> ERR659118 1 0.3431 0.911 0.936 0.064
#> ERR659023 1 0.2778 0.925 0.952 0.048
#> ERR659119 1 0.3274 0.921 0.940 0.060
#> ERR659024 1 0.2948 0.925 0.948 0.052
#> ERR659120 1 0.3114 0.924 0.944 0.056
#> ERR659025 1 0.4939 0.890 0.892 0.108
#> ERR659121 1 0.5059 0.887 0.888 0.112
#> ERR659026 1 0.2423 0.924 0.960 0.040
#> ERR659122 1 0.1843 0.923 0.972 0.028
#> ERR659027 1 0.2778 0.924 0.952 0.048
#> ERR659123 1 0.2423 0.924 0.960 0.040
#> ERR659028 1 0.2423 0.925 0.960 0.040
#> ERR659124 1 0.2423 0.925 0.960 0.040
#> ERR659029 1 0.2236 0.927 0.964 0.036
#> ERR659125 1 0.2236 0.926 0.964 0.036
#> ERR659030 1 0.2603 0.926 0.956 0.044
#> ERR659126 1 0.2603 0.926 0.956 0.044
#> ERR659031 1 0.2043 0.927 0.968 0.032
#> ERR659127 1 0.1843 0.927 0.972 0.028
#> ERR659032 1 0.4161 0.906 0.916 0.084
#> ERR659128 1 0.4161 0.906 0.916 0.084
#> ERR659033 1 0.2423 0.925 0.960 0.040
#> ERR659129 1 0.2236 0.923 0.964 0.036
#> ERR659034 2 0.1414 0.952 0.020 0.980
#> ERR659130 2 0.2236 0.954 0.036 0.964
#> ERR659035 1 0.2043 0.924 0.968 0.032
#> ERR659131 1 0.1843 0.924 0.972 0.028
#> ERR659036 1 0.3274 0.916 0.940 0.060
#> ERR659132 1 0.3114 0.918 0.944 0.056
#> ERR659037 1 0.4815 0.902 0.896 0.104
#> ERR659133 1 0.4815 0.902 0.896 0.104
#> ERR659038 1 0.8267 0.745 0.740 0.260
#> ERR659134 1 0.8207 0.751 0.744 0.256
#> ERR659039 1 0.4431 0.910 0.908 0.092
#> ERR659135 1 0.4431 0.910 0.908 0.092
#> ERR659040 1 0.2778 0.924 0.952 0.048
#> ERR659136 1 0.2948 0.923 0.948 0.052
#> ERR659041 1 0.7745 0.791 0.772 0.228
#> ERR659137 1 0.7815 0.786 0.768 0.232
#> ERR659042 1 0.7056 0.799 0.808 0.192
#> ERR659138 1 0.7056 0.799 0.808 0.192
#> ERR659043 1 0.4022 0.907 0.920 0.080
#> ERR659139 1 0.4298 0.902 0.912 0.088
#> ERR659044 2 0.3114 0.934 0.056 0.944
#> ERR659140 2 0.1414 0.950 0.020 0.980
#> ERR659045 1 0.6343 0.863 0.840 0.160
#> ERR659141 1 0.6531 0.857 0.832 0.168
#> ERR659046 1 0.2423 0.926 0.960 0.040
#> ERR659142 1 0.2236 0.926 0.964 0.036
#> ERR659047 1 0.2603 0.927 0.956 0.044
#> ERR659143 1 0.2423 0.927 0.960 0.040
#> ERR659048 1 0.2423 0.923 0.960 0.040
#> ERR659144 1 0.2236 0.924 0.964 0.036
#> ERR659049 1 0.6438 0.851 0.836 0.164
#> ERR659145 1 0.6438 0.852 0.836 0.164
#> ERR659050 1 0.2603 0.924 0.956 0.044
#> ERR659146 1 0.2603 0.924 0.956 0.044
#> ERR659051 1 0.9850 0.195 0.572 0.428
#> ERR659147 1 0.9850 0.195 0.572 0.428
#> ERR659052 1 0.5408 0.889 0.876 0.124
#> ERR659148 1 0.5408 0.889 0.876 0.124
#> ERR659053 1 0.2948 0.918 0.948 0.052
#> ERR659149 1 0.2948 0.918 0.948 0.052
#> ERR659054 2 0.3431 0.931 0.064 0.936
#> ERR659150 2 0.1184 0.951 0.016 0.984
#> ERR659055 1 0.4161 0.913 0.916 0.084
#> ERR659151 1 0.3733 0.917 0.928 0.072
#> ERR659056 1 0.6887 0.808 0.816 0.184
#> ERR659152 1 0.6887 0.808 0.816 0.184
#> ERR659057 1 0.1414 0.923 0.980 0.020
#> ERR659153 1 0.1184 0.922 0.984 0.016
#> ERR659058 1 0.7528 0.807 0.784 0.216
#> ERR659154 1 0.7453 0.811 0.788 0.212
#> ERR659059 1 0.1633 0.922 0.976 0.024
#> ERR659155 1 0.1633 0.922 0.976 0.024
#> ERR659060 1 0.4939 0.903 0.892 0.108
#> ERR659156 1 0.5059 0.901 0.888 0.112
#> ERR659061 1 0.2236 0.927 0.964 0.036
#> ERR659157 1 0.2236 0.927 0.964 0.036
#> ERR659062 1 0.3274 0.920 0.940 0.060
#> ERR659158 1 0.3274 0.920 0.940 0.060
#> ERR659063 1 0.3431 0.921 0.936 0.064
#> ERR659159 1 0.3274 0.922 0.940 0.060
#> ERR659064 1 0.2778 0.919 0.952 0.048
#> ERR659160 1 0.2948 0.918 0.948 0.052
#> ERR659065 2 0.1843 0.953 0.028 0.972
#> ERR659161 2 0.1414 0.953 0.020 0.980
#> ERR659066 1 0.5629 0.880 0.868 0.132
#> ERR659162 1 0.5629 0.880 0.868 0.132
#> ERR659067 1 0.5629 0.888 0.868 0.132
#> ERR659163 1 0.5408 0.894 0.876 0.124
#> ERR659068 2 0.2236 0.952 0.036 0.964
#> ERR659164 2 0.2236 0.950 0.036 0.964
#> ERR659069 1 0.6048 0.875 0.852 0.148
#> ERR659165 1 0.6343 0.865 0.840 0.160
#> ERR659070 1 0.3584 0.912 0.932 0.068
#> ERR659166 1 0.3733 0.910 0.928 0.072
#> ERR659071 1 0.2236 0.927 0.964 0.036
#> ERR659167 1 0.2423 0.928 0.960 0.040
#> ERR659072 1 0.6887 0.834 0.816 0.184
#> ERR659168 1 0.7056 0.826 0.808 0.192
#> ERR659073 1 0.3879 0.913 0.924 0.076
#> ERR659169 1 0.3584 0.916 0.932 0.068
#> ERR659074 2 0.1633 0.953 0.024 0.976
#> ERR659170 2 0.2603 0.925 0.044 0.956
#> ERR659075 2 0.9170 0.584 0.332 0.668
#> ERR659171 2 0.9170 0.584 0.332 0.668
#> ERR659076 2 0.1843 0.954 0.028 0.972
#> ERR659172 2 0.1843 0.954 0.028 0.972
#> ERR659077 1 0.1414 0.923 0.980 0.020
#> ERR659173 1 0.1414 0.923 0.980 0.020
#> ERR659078 1 0.1843 0.925 0.972 0.028
#> ERR659174 1 0.1843 0.925 0.972 0.028
#> ERR659079 1 0.2423 0.925 0.960 0.040
#> ERR659175 1 0.2236 0.924 0.964 0.036
#> ERR659080 1 0.5408 0.888 0.876 0.124
#> ERR659176 1 0.5408 0.888 0.876 0.124
#> ERR659081 1 0.1633 0.921 0.976 0.024
#> ERR659177 1 0.2043 0.921 0.968 0.032
#> ERR659082 1 0.2423 0.926 0.960 0.040
#> ERR659178 1 0.2423 0.926 0.960 0.040
#> ERR659083 2 0.1843 0.953 0.028 0.972
#> ERR659179 2 0.1414 0.952 0.020 0.980
#> ERR659084 2 0.2043 0.954 0.032 0.968
#> ERR659180 2 0.1843 0.954 0.028 0.972
#> ERR659085 1 0.3733 0.917 0.928 0.072
#> ERR659181 1 0.3733 0.917 0.928 0.072
#> ERR659086 1 0.1184 0.923 0.984 0.016
#> ERR659182 1 0.1184 0.923 0.984 0.016
#> ERR659087 1 0.2043 0.925 0.968 0.032
#> ERR659183 1 0.2043 0.925 0.968 0.032
#> ERR659088 1 0.3431 0.922 0.936 0.064
#> ERR659184 1 0.3431 0.923 0.936 0.064
#> ERR659089 1 0.2043 0.923 0.968 0.032
#> ERR659185 1 0.2043 0.923 0.968 0.032
#> ERR659090 1 0.0376 0.920 0.996 0.004
#> ERR659186 1 0.0376 0.920 0.996 0.004
#> ERR659091 1 0.1414 0.924 0.980 0.020
#> ERR659187 1 0.1843 0.925 0.972 0.028
#> ERR659092 1 0.2778 0.926 0.952 0.048
#> ERR659188 1 0.2778 0.925 0.952 0.048
#> ERR659093 1 0.2236 0.925 0.964 0.036
#> ERR659189 1 0.2043 0.925 0.968 0.032
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.665 0.4324 0.620 0.016 0.364
#> ERR467498 1 0.657 0.4296 0.612 0.012 0.376
#> ERR658998 1 0.764 0.1092 0.632 0.072 0.296
#> ERR659094 1 0.767 0.0897 0.628 0.072 0.300
#> ERR658999 3 0.833 0.7572 0.328 0.100 0.572
#> ERR659095 3 0.837 0.7569 0.324 0.104 0.572
#> ERR659000 1 0.875 0.4457 0.564 0.144 0.292
#> ERR659096 1 0.873 0.4467 0.564 0.140 0.296
#> ERR659001 1 0.610 0.2026 0.672 0.008 0.320
#> ERR659097 1 0.596 0.2666 0.692 0.008 0.300
#> ERR659002 1 0.558 0.5965 0.792 0.040 0.168
#> ERR659098 1 0.575 0.5934 0.780 0.040 0.180
#> ERR659003 1 0.619 0.6114 0.776 0.084 0.140
#> ERR659099 1 0.608 0.6153 0.784 0.088 0.128
#> ERR659004 3 0.870 0.7216 0.276 0.148 0.576
#> ERR659100 3 0.870 0.7216 0.276 0.148 0.576
#> ERR659005 1 0.644 0.5537 0.732 0.048 0.220
#> ERR659101 1 0.614 0.5619 0.748 0.040 0.212
#> ERR659006 3 0.880 0.7225 0.284 0.152 0.564
#> ERR659102 3 0.878 0.7188 0.280 0.152 0.568
#> ERR659007 1 0.250 0.6043 0.928 0.004 0.068
#> ERR659103 1 0.259 0.5989 0.924 0.004 0.072
#> ERR659008 2 0.754 0.7173 0.132 0.692 0.176
#> ERR659104 2 0.256 0.9242 0.028 0.936 0.036
#> ERR659009 3 0.792 0.5922 0.464 0.056 0.480
#> ERR659105 3 0.792 0.5824 0.472 0.056 0.472
#> ERR659010 3 0.810 0.7293 0.388 0.072 0.540
#> ERR659106 3 0.798 0.7160 0.400 0.064 0.536
#> ERR659011 3 0.837 0.7569 0.336 0.100 0.564
#> ERR659107 3 0.843 0.7567 0.336 0.104 0.560
#> ERR659012 3 0.794 0.7504 0.332 0.076 0.592
#> ERR659108 3 0.799 0.7499 0.328 0.080 0.592
#> ERR659013 1 0.649 0.5249 0.740 0.060 0.200
#> ERR659109 1 0.640 0.5222 0.748 0.060 0.192
#> ERR659014 2 0.353 0.8944 0.016 0.892 0.092
#> ERR659110 2 0.244 0.9237 0.028 0.940 0.032
#> ERR659015 1 0.376 0.6063 0.892 0.040 0.068
#> ERR659111 1 0.368 0.6067 0.896 0.044 0.060
#> ERR659016 1 0.888 0.3928 0.540 0.144 0.316
#> ERR659112 1 0.887 0.3893 0.536 0.140 0.324
#> ERR659017 2 0.369 0.9165 0.048 0.896 0.056
#> ERR659113 2 0.245 0.9210 0.012 0.936 0.052
#> ERR659018 1 0.617 0.4327 0.740 0.036 0.224
#> ERR659114 1 0.606 0.4274 0.744 0.032 0.224
#> ERR659019 3 0.801 0.7364 0.384 0.068 0.548
#> ERR659115 3 0.800 0.7376 0.380 0.068 0.552
#> ERR659020 1 0.607 0.3942 0.728 0.024 0.248
#> ERR659116 1 0.594 0.4180 0.732 0.020 0.248
#> ERR659021 1 0.506 0.5970 0.836 0.064 0.100
#> ERR659117 1 0.473 0.6089 0.852 0.060 0.088
#> ERR659022 1 0.681 0.5438 0.716 0.064 0.220
#> ERR659118 1 0.685 0.5407 0.712 0.064 0.224
#> ERR659023 1 0.606 0.5230 0.780 0.072 0.148
#> ERR659119 1 0.606 0.5230 0.780 0.072 0.148
#> ERR659024 1 0.438 0.6243 0.868 0.060 0.072
#> ERR659120 1 0.438 0.6243 0.868 0.060 0.072
#> ERR659025 1 0.830 0.4864 0.620 0.136 0.244
#> ERR659121 1 0.833 0.4859 0.616 0.136 0.248
#> ERR659026 1 0.725 0.1800 0.648 0.052 0.300
#> ERR659122 1 0.703 0.2630 0.676 0.052 0.272
#> ERR659027 1 0.789 0.4227 0.580 0.068 0.352
#> ERR659123 1 0.781 0.4257 0.584 0.064 0.352
#> ERR659028 1 0.545 0.5628 0.816 0.068 0.116
#> ERR659124 1 0.530 0.5635 0.824 0.068 0.108
#> ERR659029 1 0.397 0.6276 0.884 0.044 0.072
#> ERR659125 1 0.388 0.6272 0.888 0.044 0.068
#> ERR659030 1 0.672 0.5580 0.724 0.064 0.212
#> ERR659126 1 0.685 0.5544 0.716 0.068 0.216
#> ERR659031 1 0.512 0.5480 0.788 0.012 0.200
#> ERR659127 1 0.517 0.5438 0.784 0.012 0.204
#> ERR659032 1 0.641 0.5464 0.764 0.092 0.144
#> ERR659128 1 0.641 0.5464 0.764 0.092 0.144
#> ERR659033 1 0.393 0.6214 0.880 0.028 0.092
#> ERR659129 1 0.393 0.6224 0.880 0.028 0.092
#> ERR659034 2 0.177 0.9247 0.016 0.960 0.024
#> ERR659130 2 0.212 0.9161 0.012 0.948 0.040
#> ERR659035 1 0.611 0.2297 0.688 0.012 0.300
#> ERR659131 1 0.623 0.2836 0.700 0.020 0.280
#> ERR659036 1 0.702 0.5482 0.704 0.072 0.224
#> ERR659132 1 0.672 0.5668 0.728 0.068 0.204
#> ERR659037 1 0.757 -0.3110 0.552 0.044 0.404
#> ERR659133 1 0.765 -0.2910 0.552 0.048 0.400
#> ERR659038 3 0.846 0.7438 0.296 0.120 0.584
#> ERR659134 3 0.843 0.7429 0.292 0.120 0.588
#> ERR659039 3 0.717 0.5856 0.456 0.024 0.520
#> ERR659135 3 0.717 0.5842 0.456 0.024 0.520
#> ERR659040 1 0.260 0.6168 0.932 0.016 0.052
#> ERR659136 1 0.274 0.6177 0.928 0.020 0.052
#> ERR659041 3 0.903 0.3798 0.388 0.136 0.476
#> ERR659137 3 0.902 0.3866 0.384 0.136 0.480
#> ERR659042 1 0.860 0.4396 0.584 0.140 0.276
#> ERR659138 1 0.857 0.4416 0.588 0.140 0.272
#> ERR659043 1 0.713 0.5580 0.716 0.104 0.180
#> ERR659139 1 0.718 0.5552 0.712 0.104 0.184
#> ERR659044 2 0.399 0.9028 0.064 0.884 0.052
#> ERR659140 2 0.256 0.9261 0.028 0.936 0.036
#> ERR659045 3 0.763 0.6689 0.428 0.044 0.528
#> ERR659141 3 0.761 0.6835 0.420 0.044 0.536
#> ERR659046 1 0.334 0.6175 0.908 0.032 0.060
#> ERR659142 1 0.324 0.6192 0.912 0.032 0.056
#> ERR659047 1 0.596 0.5797 0.788 0.076 0.136
#> ERR659143 1 0.605 0.5803 0.784 0.080 0.136
#> ERR659048 1 0.605 0.5906 0.768 0.052 0.180
#> ERR659144 1 0.605 0.5906 0.768 0.052 0.180
#> ERR659049 3 0.852 0.7475 0.328 0.112 0.560
#> ERR659145 3 0.870 0.7436 0.332 0.124 0.544
#> ERR659050 1 0.645 0.4589 0.740 0.056 0.204
#> ERR659146 1 0.640 0.4647 0.744 0.056 0.200
#> ERR659051 3 0.972 -0.1760 0.300 0.252 0.448
#> ERR659147 3 0.972 -0.1760 0.300 0.252 0.448
#> ERR659052 3 0.774 0.7475 0.356 0.060 0.584
#> ERR659148 3 0.768 0.7451 0.360 0.056 0.584
#> ERR659053 1 0.587 0.5788 0.760 0.032 0.208
#> ERR659149 1 0.578 0.5856 0.768 0.032 0.200
#> ERR659054 2 0.419 0.9036 0.068 0.876 0.056
#> ERR659150 2 0.292 0.9202 0.032 0.924 0.044
#> ERR659055 1 0.781 -0.2615 0.548 0.056 0.396
#> ERR659151 1 0.772 -0.2319 0.552 0.052 0.396
#> ERR659056 1 0.900 0.3242 0.472 0.132 0.396
#> ERR659152 1 0.892 0.3173 0.464 0.124 0.412
#> ERR659057 1 0.491 0.4997 0.796 0.008 0.196
#> ERR659153 1 0.470 0.5213 0.812 0.008 0.180
#> ERR659058 3 0.842 0.7433 0.364 0.096 0.540
#> ERR659154 3 0.834 0.7354 0.376 0.088 0.536
#> ERR659059 1 0.409 0.5954 0.872 0.028 0.100
#> ERR659155 1 0.368 0.6064 0.892 0.028 0.080
#> ERR659060 1 0.841 0.4421 0.580 0.112 0.308
#> ERR659156 1 0.835 0.4468 0.584 0.108 0.308
#> ERR659061 1 0.690 0.5493 0.684 0.048 0.268
#> ERR659157 1 0.696 0.5492 0.684 0.052 0.264
#> ERR659062 1 0.753 -0.3674 0.532 0.040 0.428
#> ERR659158 1 0.744 -0.3498 0.536 0.036 0.428
#> ERR659063 1 0.490 0.6183 0.844 0.064 0.092
#> ERR659159 1 0.507 0.6162 0.836 0.068 0.096
#> ERR659064 1 0.632 0.5846 0.732 0.040 0.228
#> ERR659160 1 0.668 0.5672 0.708 0.048 0.244
#> ERR659065 2 0.219 0.9225 0.024 0.948 0.028
#> ERR659161 2 0.162 0.9227 0.012 0.964 0.024
#> ERR659066 3 0.828 0.7427 0.360 0.088 0.552
#> ERR659162 3 0.828 0.7427 0.360 0.088 0.552
#> ERR659067 3 0.810 0.6566 0.420 0.068 0.512
#> ERR659163 3 0.825 0.6433 0.424 0.076 0.500
#> ERR659068 2 0.303 0.9219 0.032 0.920 0.048
#> ERR659164 2 0.277 0.9218 0.024 0.928 0.048
#> ERR659069 3 0.789 0.6720 0.396 0.060 0.544
#> ERR659165 3 0.780 0.6806 0.392 0.056 0.552
#> ERR659070 1 0.785 0.5081 0.648 0.104 0.248
#> ERR659166 1 0.801 0.4986 0.636 0.112 0.252
#> ERR659071 1 0.454 0.6216 0.860 0.056 0.084
#> ERR659167 1 0.475 0.6114 0.852 0.072 0.076
#> ERR659072 3 0.829 0.7567 0.332 0.096 0.572
#> ERR659168 3 0.829 0.7567 0.332 0.096 0.572
#> ERR659073 3 0.740 0.5655 0.480 0.032 0.488
#> ERR659169 1 0.729 -0.5309 0.496 0.028 0.476
#> ERR659074 2 0.188 0.9233 0.032 0.956 0.012
#> ERR659170 2 0.323 0.8951 0.020 0.908 0.072
#> ERR659075 2 0.920 0.5051 0.168 0.504 0.328
#> ERR659171 2 0.920 0.5051 0.168 0.504 0.328
#> ERR659076 2 0.244 0.9245 0.028 0.940 0.032
#> ERR659172 2 0.205 0.9253 0.028 0.952 0.020
#> ERR659077 1 0.442 0.5948 0.848 0.020 0.132
#> ERR659173 1 0.435 0.5930 0.852 0.020 0.128
#> ERR659078 1 0.568 0.5707 0.804 0.072 0.124
#> ERR659174 1 0.559 0.5722 0.808 0.068 0.124
#> ERR659079 1 0.600 0.5303 0.784 0.072 0.144
#> ERR659175 1 0.594 0.5355 0.788 0.072 0.140
#> ERR659080 3 0.844 -0.2128 0.388 0.092 0.520
#> ERR659176 3 0.857 -0.2172 0.392 0.100 0.508
#> ERR659081 1 0.568 0.6175 0.792 0.048 0.160
#> ERR659177 1 0.545 0.6203 0.804 0.044 0.152
#> ERR659082 1 0.626 0.5722 0.752 0.052 0.196
#> ERR659178 1 0.645 0.5703 0.740 0.056 0.204
#> ERR659083 2 0.315 0.9237 0.040 0.916 0.044
#> ERR659179 2 0.257 0.9213 0.032 0.936 0.032
#> ERR659084 2 0.293 0.9231 0.040 0.924 0.036
#> ERR659180 2 0.219 0.9259 0.024 0.948 0.028
#> ERR659085 1 0.669 0.1487 0.664 0.028 0.308
#> ERR659181 1 0.680 0.1451 0.660 0.032 0.308
#> ERR659086 1 0.337 0.6190 0.908 0.052 0.040
#> ERR659182 1 0.378 0.6119 0.892 0.044 0.064
#> ERR659087 1 0.674 0.3046 0.688 0.040 0.272
#> ERR659183 1 0.673 0.3102 0.680 0.036 0.284
#> ERR659088 1 0.827 0.1613 0.520 0.080 0.400
#> ERR659184 1 0.834 0.1557 0.516 0.084 0.400
#> ERR659089 1 0.723 0.3462 0.544 0.028 0.428
#> ERR659185 1 0.735 0.3317 0.532 0.032 0.436
#> ERR659090 1 0.517 0.5860 0.792 0.016 0.192
#> ERR659186 1 0.497 0.5985 0.800 0.012 0.188
#> ERR659091 1 0.615 0.4278 0.752 0.044 0.204
#> ERR659187 1 0.623 0.4088 0.740 0.040 0.220
#> ERR659092 1 0.694 0.3821 0.708 0.068 0.224
#> ERR659188 1 0.710 0.3405 0.692 0.068 0.240
#> ERR659093 1 0.530 0.5886 0.808 0.036 0.156
#> ERR659189 1 0.541 0.5882 0.804 0.040 0.156
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.785 0.2944 0.272 0.012 0.496 0.220
#> ERR467498 3 0.789 0.2814 0.272 0.012 0.488 0.228
#> ERR658998 1 0.496 0.5562 0.744 0.016 0.016 0.224
#> ERR659094 1 0.503 0.5443 0.736 0.016 0.016 0.232
#> ERR658999 4 0.415 0.7619 0.132 0.048 0.000 0.820
#> ERR659095 4 0.415 0.7619 0.132 0.048 0.000 0.820
#> ERR659000 3 0.756 0.4827 0.344 0.060 0.532 0.064
#> ERR659096 3 0.762 0.4781 0.344 0.060 0.528 0.068
#> ERR659001 1 0.587 0.5195 0.668 0.004 0.060 0.268
#> ERR659097 1 0.580 0.5597 0.688 0.004 0.068 0.240
#> ERR659002 3 0.743 0.4472 0.312 0.016 0.540 0.132
#> ERR659098 3 0.737 0.4719 0.316 0.024 0.552 0.108
#> ERR659003 1 0.683 -0.0728 0.516 0.056 0.408 0.020
#> ERR659099 1 0.685 -0.0485 0.520 0.052 0.404 0.024
#> ERR659004 4 0.370 0.7486 0.080 0.048 0.008 0.864
#> ERR659100 4 0.370 0.7486 0.080 0.048 0.008 0.864
#> ERR659005 3 0.581 0.4207 0.428 0.004 0.544 0.024
#> ERR659101 3 0.585 0.3540 0.456 0.004 0.516 0.024
#> ERR659006 4 0.340 0.7509 0.076 0.044 0.004 0.876
#> ERR659102 4 0.340 0.7509 0.076 0.044 0.004 0.876
#> ERR659007 1 0.550 0.5640 0.720 0.008 0.220 0.052
#> ERR659103 1 0.543 0.5859 0.736 0.008 0.196 0.060
#> ERR659008 2 0.827 0.5838 0.084 0.552 0.224 0.140
#> ERR659104 2 0.287 0.9092 0.012 0.908 0.036 0.044
#> ERR659009 4 0.572 0.5050 0.376 0.020 0.008 0.596
#> ERR659105 4 0.576 0.4775 0.388 0.020 0.008 0.584
#> ERR659010 4 0.485 0.7291 0.220 0.028 0.004 0.748
#> ERR659106 4 0.489 0.7213 0.224 0.028 0.004 0.744
#> ERR659011 4 0.348 0.7618 0.116 0.028 0.000 0.856
#> ERR659107 4 0.354 0.7623 0.120 0.028 0.000 0.852
#> ERR659012 4 0.429 0.7521 0.172 0.032 0.000 0.796
#> ERR659108 4 0.420 0.7538 0.164 0.032 0.000 0.804
#> ERR659013 1 0.523 0.5798 0.796 0.048 0.080 0.076
#> ERR659109 1 0.523 0.5803 0.796 0.048 0.076 0.080
#> ERR659014 2 0.286 0.9086 0.016 0.908 0.024 0.052
#> ERR659110 2 0.204 0.9139 0.016 0.940 0.008 0.036
#> ERR659015 1 0.450 0.6276 0.816 0.016 0.128 0.040
#> ERR659111 1 0.436 0.6337 0.828 0.016 0.112 0.044
#> ERR659016 3 0.485 0.6032 0.136 0.052 0.796 0.016
#> ERR659112 3 0.493 0.6022 0.136 0.056 0.792 0.016
#> ERR659017 2 0.241 0.9130 0.020 0.928 0.016 0.036
#> ERR659113 2 0.137 0.9174 0.016 0.964 0.004 0.016
#> ERR659018 1 0.630 0.5946 0.692 0.012 0.148 0.148
#> ERR659114 1 0.616 0.6004 0.704 0.012 0.148 0.136
#> ERR659019 4 0.459 0.7556 0.148 0.020 0.028 0.804
#> ERR659115 4 0.464 0.7553 0.152 0.020 0.028 0.800
#> ERR659020 1 0.710 0.5221 0.608 0.016 0.140 0.236
#> ERR659116 1 0.703 0.5282 0.612 0.012 0.152 0.224
#> ERR659021 1 0.751 0.2493 0.536 0.032 0.332 0.100
#> ERR659117 1 0.742 0.2457 0.544 0.040 0.336 0.080
#> ERR659022 3 0.551 0.5979 0.268 0.024 0.692 0.016
#> ERR659118 3 0.551 0.5979 0.268 0.024 0.692 0.016
#> ERR659023 1 0.470 0.6443 0.820 0.028 0.092 0.060
#> ERR659119 1 0.483 0.6437 0.812 0.028 0.096 0.064
#> ERR659024 1 0.714 0.4111 0.596 0.060 0.292 0.052
#> ERR659120 1 0.728 0.4507 0.596 0.064 0.280 0.060
#> ERR659025 3 0.598 0.6184 0.208 0.060 0.708 0.024
#> ERR659121 3 0.609 0.6196 0.204 0.068 0.704 0.024
#> ERR659026 1 0.682 0.5603 0.660 0.040 0.088 0.212
#> ERR659122 1 0.700 0.5845 0.652 0.036 0.120 0.192
#> ERR659027 3 0.810 0.3707 0.296 0.060 0.524 0.120
#> ERR659123 3 0.821 0.3495 0.304 0.060 0.508 0.128
#> ERR659028 1 0.439 0.6149 0.832 0.036 0.104 0.028
#> ERR659124 1 0.433 0.6156 0.836 0.036 0.100 0.028
#> ERR659029 1 0.564 0.4881 0.672 0.020 0.288 0.020
#> ERR659125 1 0.564 0.4891 0.672 0.020 0.288 0.020
#> ERR659030 3 0.773 0.2285 0.428 0.048 0.444 0.080
#> ERR659126 3 0.773 0.2463 0.420 0.048 0.452 0.080
#> ERR659031 1 0.807 0.3305 0.468 0.016 0.280 0.236
#> ERR659127 1 0.820 0.3055 0.436 0.016 0.288 0.260
#> ERR659032 1 0.384 0.6078 0.864 0.032 0.076 0.028
#> ERR659128 1 0.391 0.6064 0.860 0.032 0.080 0.028
#> ERR659033 1 0.588 0.4901 0.660 0.012 0.288 0.040
#> ERR659129 1 0.597 0.5072 0.668 0.016 0.272 0.044
#> ERR659034 2 0.171 0.9134 0.020 0.952 0.024 0.004
#> ERR659130 2 0.264 0.9136 0.024 0.920 0.024 0.032
#> ERR659035 1 0.660 0.5137 0.600 0.004 0.096 0.300
#> ERR659131 1 0.657 0.5541 0.628 0.004 0.116 0.252
#> ERR659036 3 0.574 0.5466 0.328 0.024 0.636 0.012
#> ERR659132 3 0.558 0.5241 0.336 0.016 0.636 0.012
#> ERR659037 4 0.699 0.5541 0.220 0.016 0.140 0.624
#> ERR659133 4 0.713 0.5383 0.220 0.020 0.144 0.616
#> ERR659038 4 0.376 0.7604 0.104 0.048 0.000 0.848
#> ERR659134 4 0.376 0.7604 0.104 0.048 0.000 0.848
#> ERR659039 4 0.585 0.4682 0.404 0.004 0.028 0.564
#> ERR659135 4 0.571 0.5102 0.384 0.004 0.024 0.588
#> ERR659040 1 0.591 0.5015 0.692 0.028 0.244 0.036
#> ERR659136 1 0.593 0.5023 0.696 0.028 0.236 0.040
#> ERR659041 4 0.813 0.2389 0.080 0.100 0.288 0.532
#> ERR659137 4 0.806 0.2600 0.080 0.096 0.284 0.540
#> ERR659042 3 0.564 0.6115 0.140 0.112 0.740 0.008
#> ERR659138 3 0.564 0.6115 0.140 0.112 0.740 0.008
#> ERR659043 1 0.628 0.0327 0.552 0.044 0.396 0.008
#> ERR659139 1 0.626 0.0639 0.560 0.044 0.388 0.008
#> ERR659044 2 0.393 0.8652 0.052 0.864 0.048 0.036
#> ERR659140 2 0.176 0.9170 0.012 0.952 0.016 0.020
#> ERR659045 4 0.600 0.4930 0.400 0.024 0.012 0.564
#> ERR659141 4 0.596 0.5228 0.384 0.024 0.012 0.580
#> ERR659046 1 0.647 -0.0493 0.484 0.024 0.464 0.028
#> ERR659142 3 0.620 0.0765 0.472 0.016 0.488 0.024
#> ERR659047 1 0.564 0.5351 0.736 0.032 0.192 0.040
#> ERR659143 1 0.571 0.5219 0.728 0.032 0.200 0.040
#> ERR659048 3 0.695 0.4554 0.372 0.052 0.544 0.032
#> ERR659144 3 0.673 0.4481 0.380 0.048 0.548 0.024
#> ERR659049 4 0.505 0.7574 0.152 0.052 0.016 0.780
#> ERR659145 4 0.499 0.7563 0.164 0.048 0.012 0.776
#> ERR659050 1 0.415 0.6176 0.844 0.012 0.076 0.068
#> ERR659146 1 0.420 0.6144 0.840 0.012 0.088 0.060
#> ERR659051 3 0.897 0.1671 0.212 0.156 0.492 0.140
#> ERR659147 3 0.897 0.1671 0.212 0.156 0.492 0.140
#> ERR659052 4 0.412 0.7578 0.128 0.024 0.016 0.832
#> ERR659148 4 0.433 0.7568 0.144 0.024 0.016 0.816
#> ERR659053 3 0.565 0.5525 0.324 0.032 0.640 0.004
#> ERR659149 3 0.558 0.5449 0.328 0.028 0.640 0.004
#> ERR659054 2 0.409 0.8704 0.040 0.852 0.080 0.028
#> ERR659150 2 0.242 0.9107 0.028 0.928 0.028 0.016
#> ERR659055 1 0.649 0.2581 0.604 0.036 0.032 0.328
#> ERR659151 1 0.641 0.2659 0.608 0.036 0.028 0.328
#> ERR659056 3 0.597 0.5584 0.048 0.112 0.748 0.092
#> ERR659152 3 0.603 0.5568 0.048 0.108 0.744 0.100
#> ERR659057 1 0.617 0.6263 0.696 0.008 0.156 0.140
#> ERR659153 1 0.601 0.6298 0.708 0.008 0.168 0.116
#> ERR659058 4 0.513 0.7532 0.156 0.048 0.020 0.776
#> ERR659154 4 0.539 0.7418 0.180 0.048 0.020 0.752
#> ERR659059 1 0.451 0.6262 0.804 0.008 0.148 0.040
#> ERR659155 1 0.465 0.6226 0.792 0.008 0.160 0.040
#> ERR659060 3 0.790 0.5955 0.156 0.108 0.608 0.128
#> ERR659156 3 0.792 0.5987 0.168 0.104 0.604 0.124
#> ERR659061 3 0.678 0.5831 0.272 0.024 0.624 0.080
#> ERR659157 3 0.647 0.5918 0.268 0.020 0.644 0.068
#> ERR659062 1 0.500 0.3387 0.660 0.012 0.000 0.328
#> ERR659158 1 0.494 0.3772 0.672 0.012 0.000 0.316
#> ERR659063 1 0.569 0.1749 0.576 0.016 0.400 0.008
#> ERR659159 1 0.570 0.1598 0.572 0.016 0.404 0.008
#> ERR659064 3 0.603 0.4832 0.372 0.024 0.588 0.016
#> ERR659160 3 0.599 0.5032 0.360 0.024 0.600 0.016
#> ERR659065 2 0.181 0.9132 0.004 0.948 0.028 0.020
#> ERR659161 2 0.259 0.9154 0.012 0.920 0.032 0.036
#> ERR659066 4 0.358 0.7469 0.068 0.036 0.020 0.876
#> ERR659162 4 0.366 0.7465 0.072 0.036 0.020 0.872
#> ERR659067 4 0.595 0.5045 0.384 0.044 0.000 0.572
#> ERR659163 4 0.595 0.5063 0.384 0.044 0.000 0.572
#> ERR659068 2 0.201 0.9115 0.004 0.940 0.036 0.020
#> ERR659164 2 0.174 0.9160 0.008 0.952 0.016 0.024
#> ERR659069 4 0.614 0.6418 0.280 0.040 0.024 0.656
#> ERR659165 4 0.598 0.6455 0.284 0.036 0.020 0.660
#> ERR659070 3 0.559 0.6188 0.216 0.052 0.720 0.012
#> ERR659166 3 0.540 0.6208 0.204 0.048 0.736 0.012
#> ERR659071 1 0.524 0.5906 0.764 0.024 0.172 0.040
#> ERR659167 1 0.511 0.6126 0.780 0.028 0.152 0.040
#> ERR659072 4 0.362 0.7593 0.112 0.036 0.000 0.852
#> ERR659168 4 0.362 0.7593 0.112 0.036 0.000 0.852
#> ERR659073 4 0.589 0.6056 0.284 0.008 0.048 0.660
#> ERR659169 4 0.640 0.5540 0.304 0.012 0.064 0.620
#> ERR659074 2 0.172 0.9137 0.012 0.952 0.028 0.008
#> ERR659170 2 0.276 0.8896 0.012 0.908 0.064 0.016
#> ERR659075 2 0.953 0.4156 0.204 0.400 0.244 0.152
#> ERR659171 2 0.953 0.4156 0.204 0.400 0.244 0.152
#> ERR659076 2 0.185 0.9135 0.028 0.948 0.012 0.012
#> ERR659172 2 0.152 0.9173 0.008 0.960 0.016 0.016
#> ERR659077 1 0.564 0.5773 0.744 0.016 0.160 0.080
#> ERR659173 1 0.546 0.5889 0.756 0.016 0.156 0.072
#> ERR659078 1 0.741 0.5167 0.612 0.036 0.204 0.148
#> ERR659174 1 0.743 0.5187 0.612 0.036 0.196 0.156
#> ERR659079 1 0.393 0.6064 0.860 0.020 0.064 0.056
#> ERR659175 1 0.385 0.6076 0.864 0.020 0.064 0.052
#> ERR659080 3 0.717 0.5108 0.064 0.104 0.656 0.176
#> ERR659176 3 0.723 0.5100 0.068 0.104 0.652 0.176
#> ERR659081 3 0.646 0.2695 0.456 0.020 0.492 0.032
#> ERR659177 3 0.655 0.2300 0.460 0.028 0.484 0.028
#> ERR659082 3 0.767 0.3694 0.376 0.048 0.496 0.080
#> ERR659178 3 0.755 0.4351 0.344 0.052 0.532 0.072
#> ERR659083 2 0.151 0.9173 0.008 0.960 0.020 0.012
#> ERR659179 2 0.138 0.9173 0.008 0.964 0.020 0.008
#> ERR659084 2 0.188 0.9171 0.016 0.948 0.020 0.016
#> ERR659180 2 0.182 0.9162 0.024 0.948 0.004 0.024
#> ERR659085 4 0.856 -0.0694 0.324 0.032 0.244 0.400
#> ERR659181 4 0.853 -0.0505 0.320 0.032 0.240 0.408
#> ERR659086 1 0.527 0.6094 0.760 0.016 0.172 0.052
#> ERR659182 1 0.533 0.6186 0.764 0.020 0.160 0.056
#> ERR659087 1 0.601 0.5770 0.712 0.024 0.068 0.196
#> ERR659183 1 0.604 0.5755 0.712 0.024 0.072 0.192
#> ERR659088 4 0.894 0.0309 0.268 0.052 0.320 0.360
#> ERR659184 4 0.896 0.1310 0.252 0.060 0.292 0.396
#> ERR659089 3 0.701 0.4464 0.088 0.020 0.580 0.312
#> ERR659185 3 0.701 0.4721 0.088 0.024 0.596 0.292
#> ERR659090 3 0.653 0.4476 0.396 0.020 0.544 0.040
#> ERR659186 3 0.633 0.3987 0.428 0.016 0.524 0.032
#> ERR659091 1 0.388 0.6334 0.856 0.016 0.036 0.092
#> ERR659187 1 0.401 0.6305 0.848 0.016 0.036 0.100
#> ERR659092 1 0.457 0.6210 0.828 0.036 0.044 0.092
#> ERR659188 1 0.439 0.6173 0.832 0.028 0.036 0.104
#> ERR659093 1 0.679 0.0823 0.536 0.036 0.392 0.036
#> ERR659189 1 0.676 0.1358 0.548 0.036 0.380 0.036
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 5 0.815 0.33561 0.180 0.000 0.160 0.244 0.416
#> ERR467498 5 0.818 0.34099 0.184 0.000 0.168 0.236 0.412
#> ERR658998 1 0.488 0.55612 0.772 0.020 0.136 0.024 0.048
#> ERR659094 1 0.499 0.55439 0.764 0.020 0.140 0.024 0.052
#> ERR658999 3 0.345 0.68404 0.084 0.028 0.860 0.008 0.020
#> ERR659095 3 0.315 0.68316 0.084 0.032 0.868 0.000 0.016
#> ERR659000 4 0.871 0.14309 0.232 0.064 0.056 0.364 0.284
#> ERR659096 4 0.866 0.14427 0.232 0.064 0.052 0.368 0.284
#> ERR659001 1 0.685 0.43532 0.576 0.016 0.248 0.032 0.128
#> ERR659097 1 0.682 0.43489 0.572 0.008 0.244 0.036 0.140
#> ERR659002 4 0.766 0.47858 0.132 0.036 0.152 0.572 0.108
#> ERR659098 4 0.749 0.50183 0.144 0.032 0.128 0.588 0.108
#> ERR659003 1 0.672 -0.00315 0.464 0.040 0.020 0.424 0.052
#> ERR659099 1 0.672 -0.01994 0.460 0.040 0.020 0.428 0.052
#> ERR659004 3 0.199 0.64227 0.000 0.044 0.924 0.000 0.032
#> ERR659100 3 0.199 0.64227 0.000 0.044 0.924 0.000 0.032
#> ERR659005 1 0.604 -0.05552 0.456 0.012 0.000 0.452 0.080
#> ERR659101 1 0.591 0.11378 0.508 0.008 0.000 0.404 0.080
#> ERR659006 3 0.290 0.65273 0.024 0.056 0.888 0.000 0.032
#> ERR659102 3 0.290 0.65273 0.024 0.056 0.888 0.000 0.032
#> ERR659007 1 0.490 0.49425 0.676 0.000 0.024 0.280 0.020
#> ERR659103 1 0.493 0.50942 0.692 0.000 0.028 0.256 0.024
#> ERR659008 2 0.748 0.37513 0.068 0.580 0.080 0.064 0.208
#> ERR659104 2 0.291 0.89503 0.012 0.896 0.036 0.036 0.020
#> ERR659009 3 0.673 0.39354 0.320 0.024 0.544 0.020 0.092
#> ERR659105 3 0.672 0.40223 0.316 0.024 0.548 0.020 0.092
#> ERR659010 3 0.427 0.65889 0.116 0.016 0.808 0.012 0.048
#> ERR659106 3 0.446 0.65369 0.124 0.016 0.796 0.016 0.048
#> ERR659011 3 0.354 0.67801 0.068 0.024 0.860 0.008 0.040
#> ERR659107 3 0.362 0.67552 0.068 0.028 0.856 0.008 0.040
#> ERR659012 3 0.435 0.66950 0.140 0.024 0.792 0.004 0.040
#> ERR659108 3 0.423 0.67277 0.128 0.028 0.804 0.004 0.036
#> ERR659013 1 0.718 0.38045 0.560 0.028 0.080 0.064 0.268
#> ERR659109 1 0.714 0.38499 0.568 0.028 0.080 0.064 0.260
#> ERR659014 2 0.322 0.88250 0.012 0.876 0.064 0.012 0.036
#> ERR659110 2 0.192 0.90411 0.008 0.936 0.036 0.004 0.016
#> ERR659015 1 0.440 0.56739 0.792 0.024 0.016 0.144 0.024
#> ERR659111 1 0.436 0.57270 0.800 0.024 0.016 0.132 0.028
#> ERR659016 4 0.631 0.40078 0.084 0.076 0.004 0.652 0.184
#> ERR659112 4 0.631 0.40078 0.084 0.076 0.004 0.652 0.184
#> ERR659017 2 0.256 0.89904 0.008 0.912 0.024 0.028 0.028
#> ERR659113 2 0.267 0.90497 0.016 0.908 0.032 0.016 0.028
#> ERR659018 1 0.733 0.47253 0.560 0.012 0.092 0.220 0.116
#> ERR659114 1 0.720 0.47154 0.568 0.012 0.080 0.228 0.112
#> ERR659019 3 0.501 0.66176 0.084 0.028 0.784 0.056 0.048
#> ERR659115 3 0.530 0.65826 0.096 0.028 0.764 0.056 0.056
#> ERR659020 1 0.784 0.38114 0.512 0.020 0.160 0.220 0.088
#> ERR659116 1 0.779 0.36545 0.504 0.016 0.144 0.244 0.092
#> ERR659021 1 0.715 0.10742 0.428 0.020 0.044 0.424 0.084
#> ERR659117 1 0.711 0.13109 0.440 0.020 0.044 0.416 0.080
#> ERR659022 4 0.569 0.53506 0.140 0.024 0.008 0.700 0.128
#> ERR659118 4 0.569 0.54260 0.144 0.024 0.008 0.700 0.124
#> ERR659023 1 0.443 0.57855 0.812 0.032 0.024 0.096 0.036
#> ERR659119 1 0.446 0.57873 0.812 0.028 0.028 0.092 0.040
#> ERR659024 1 0.693 0.35229 0.528 0.028 0.032 0.332 0.080
#> ERR659120 1 0.702 0.36980 0.528 0.028 0.036 0.324 0.084
#> ERR659025 4 0.534 0.57078 0.112 0.060 0.008 0.748 0.072
#> ERR659121 4 0.540 0.56803 0.112 0.060 0.008 0.744 0.076
#> ERR659026 1 0.799 0.45740 0.492 0.012 0.208 0.156 0.132
#> ERR659122 1 0.800 0.46103 0.496 0.012 0.184 0.168 0.140
#> ERR659027 4 0.854 0.28403 0.176 0.048 0.088 0.436 0.252
#> ERR659123 4 0.857 0.27871 0.184 0.048 0.088 0.432 0.248
#> ERR659028 1 0.696 0.51648 0.600 0.020 0.044 0.156 0.180
#> ERR659124 1 0.685 0.52084 0.608 0.016 0.044 0.160 0.172
#> ERR659029 1 0.736 0.39343 0.472 0.008 0.032 0.284 0.204
#> ERR659125 1 0.738 0.40112 0.480 0.008 0.036 0.276 0.200
#> ERR659030 4 0.676 0.46319 0.192 0.024 0.052 0.628 0.104
#> ERR659126 4 0.676 0.46319 0.192 0.024 0.052 0.628 0.104
#> ERR659031 1 0.890 0.14334 0.344 0.032 0.192 0.288 0.144
#> ERR659127 1 0.896 0.10523 0.324 0.032 0.204 0.292 0.148
#> ERR659032 1 0.473 0.56487 0.776 0.028 0.008 0.052 0.136
#> ERR659128 1 0.483 0.56336 0.768 0.028 0.008 0.056 0.140
#> ERR659033 1 0.642 0.29245 0.532 0.008 0.016 0.348 0.096
#> ERR659129 1 0.638 0.32461 0.544 0.008 0.016 0.336 0.096
#> ERR659034 2 0.277 0.89301 0.016 0.892 0.016 0.004 0.072
#> ERR659130 2 0.301 0.90327 0.016 0.888 0.040 0.008 0.048
#> ERR659035 1 0.793 0.49024 0.516 0.024 0.204 0.152 0.104
#> ERR659131 1 0.797 0.49493 0.520 0.024 0.172 0.164 0.120
#> ERR659036 4 0.669 0.43456 0.244 0.028 0.020 0.596 0.112
#> ERR659132 4 0.678 0.42983 0.248 0.032 0.020 0.588 0.112
#> ERR659037 3 0.784 0.35827 0.252 0.024 0.500 0.148 0.076
#> ERR659133 3 0.784 0.34563 0.256 0.024 0.496 0.152 0.072
#> ERR659038 3 0.356 0.67592 0.056 0.052 0.860 0.008 0.024
#> ERR659134 3 0.342 0.67819 0.056 0.044 0.868 0.008 0.024
#> ERR659039 3 0.646 0.56911 0.212 0.012 0.628 0.036 0.112
#> ERR659135 3 0.629 0.57810 0.212 0.012 0.640 0.032 0.104
#> ERR659040 1 0.687 0.45082 0.560 0.016 0.032 0.276 0.116
#> ERR659136 1 0.678 0.44621 0.564 0.016 0.028 0.280 0.112
#> ERR659041 3 0.788 0.06802 0.024 0.084 0.448 0.332 0.112
#> ERR659137 3 0.787 0.07596 0.024 0.084 0.452 0.328 0.112
#> ERR659042 4 0.367 0.56445 0.048 0.064 0.000 0.848 0.040
#> ERR659138 4 0.367 0.56445 0.048 0.064 0.000 0.848 0.040
#> ERR659043 1 0.693 0.24989 0.460 0.032 0.004 0.380 0.124
#> ERR659139 1 0.698 0.25533 0.464 0.032 0.004 0.368 0.132
#> ERR659044 2 0.478 0.84225 0.036 0.800 0.040 0.048 0.076
#> ERR659140 2 0.304 0.90266 0.008 0.888 0.024 0.032 0.048
#> ERR659045 3 0.651 0.46601 0.344 0.028 0.548 0.024 0.056
#> ERR659141 3 0.630 0.48687 0.340 0.024 0.564 0.024 0.048
#> ERR659046 4 0.620 -0.00082 0.420 0.020 0.012 0.496 0.052
#> ERR659142 4 0.613 0.02572 0.412 0.020 0.012 0.508 0.048
#> ERR659047 1 0.669 0.43766 0.600 0.028 0.036 0.256 0.080
#> ERR659143 1 0.659 0.41020 0.588 0.024 0.028 0.280 0.080
#> ERR659048 4 0.627 0.39292 0.264 0.020 0.028 0.620 0.068
#> ERR659144 4 0.655 0.37658 0.264 0.024 0.036 0.604 0.072
#> ERR659049 3 0.609 0.60821 0.196 0.044 0.676 0.024 0.060
#> ERR659145 3 0.647 0.58085 0.224 0.048 0.636 0.024 0.068
#> ERR659050 1 0.502 0.57986 0.768 0.016 0.028 0.072 0.116
#> ERR659146 1 0.494 0.57933 0.772 0.016 0.024 0.072 0.116
#> ERR659051 5 0.772 0.56639 0.104 0.128 0.044 0.152 0.572
#> ERR659147 5 0.772 0.56639 0.104 0.128 0.044 0.152 0.572
#> ERR659052 3 0.367 0.64302 0.044 0.016 0.848 0.008 0.084
#> ERR659148 3 0.378 0.64124 0.044 0.016 0.840 0.008 0.092
#> ERR659053 4 0.578 0.50216 0.216 0.024 0.020 0.680 0.060
#> ERR659149 4 0.589 0.48872 0.232 0.024 0.020 0.664 0.060
#> ERR659054 2 0.438 0.83958 0.028 0.812 0.024 0.032 0.104
#> ERR659150 2 0.353 0.89049 0.028 0.860 0.032 0.008 0.072
#> ERR659055 1 0.772 0.23019 0.496 0.044 0.304 0.064 0.092
#> ERR659151 1 0.753 0.28069 0.520 0.040 0.292 0.064 0.084
#> ERR659056 4 0.556 0.36512 0.016 0.072 0.028 0.716 0.168
#> ERR659152 4 0.550 0.36396 0.012 0.072 0.028 0.716 0.172
#> ERR659057 1 0.727 0.49883 0.584 0.016 0.100 0.188 0.112
#> ERR659153 1 0.713 0.50675 0.600 0.020 0.088 0.188 0.104
#> ERR659058 3 0.608 0.63759 0.116 0.048 0.712 0.076 0.048
#> ERR659154 3 0.617 0.63206 0.132 0.040 0.700 0.080 0.048
#> ERR659059 1 0.533 0.58264 0.744 0.008 0.044 0.120 0.084
#> ERR659155 1 0.541 0.58428 0.740 0.008 0.048 0.116 0.088
#> ERR659060 4 0.652 0.53811 0.072 0.068 0.072 0.688 0.100
#> ERR659156 4 0.657 0.53805 0.076 0.068 0.068 0.684 0.104
#> ERR659061 4 0.680 0.52228 0.204 0.012 0.064 0.612 0.108
#> ERR659157 4 0.680 0.52228 0.204 0.012 0.064 0.612 0.108
#> ERR659062 1 0.542 0.38312 0.672 0.016 0.252 0.008 0.052
#> ERR659158 1 0.530 0.39429 0.680 0.012 0.248 0.008 0.052
#> ERR659063 1 0.670 0.37977 0.540 0.016 0.024 0.324 0.096
#> ERR659159 1 0.661 0.37335 0.532 0.012 0.024 0.340 0.092
#> ERR659064 4 0.643 0.48349 0.224 0.028 0.012 0.620 0.116
#> ERR659160 4 0.640 0.49984 0.208 0.032 0.012 0.632 0.116
#> ERR659065 2 0.240 0.89102 0.004 0.916 0.016 0.040 0.024
#> ERR659161 2 0.334 0.89356 0.016 0.872 0.032 0.016 0.064
#> ERR659066 3 0.324 0.64471 0.012 0.040 0.880 0.024 0.044
#> ERR659162 3 0.320 0.64201 0.008 0.044 0.880 0.024 0.044
#> ERR659067 3 0.616 0.56256 0.272 0.024 0.616 0.012 0.076
#> ERR659163 3 0.611 0.56106 0.268 0.020 0.620 0.012 0.080
#> ERR659068 2 0.262 0.89796 0.000 0.904 0.032 0.028 0.036
#> ERR659164 2 0.326 0.89986 0.016 0.880 0.036 0.024 0.044
#> ERR659069 3 0.656 0.56321 0.160 0.016 0.652 0.068 0.104
#> ERR659165 3 0.646 0.56874 0.160 0.016 0.660 0.064 0.100
#> ERR659070 4 0.507 0.58721 0.140 0.040 0.008 0.756 0.056
#> ERR659166 4 0.460 0.58832 0.116 0.036 0.004 0.788 0.056
#> ERR659071 1 0.629 0.55202 0.668 0.020 0.044 0.172 0.096
#> ERR659167 1 0.615 0.54951 0.672 0.016 0.040 0.180 0.092
#> ERR659072 3 0.313 0.67149 0.052 0.044 0.880 0.004 0.020
#> ERR659168 3 0.306 0.66880 0.048 0.044 0.884 0.004 0.020
#> ERR659073 3 0.633 0.45016 0.324 0.000 0.556 0.036 0.084
#> ERR659169 3 0.666 0.39396 0.340 0.000 0.520 0.048 0.092
#> ERR659074 2 0.236 0.90281 0.004 0.916 0.020 0.012 0.048
#> ERR659170 2 0.341 0.84730 0.012 0.860 0.004 0.052 0.072
#> ERR659075 5 0.830 0.19169 0.100 0.352 0.064 0.076 0.408
#> ERR659171 5 0.834 0.19866 0.100 0.348 0.068 0.076 0.408
#> ERR659076 2 0.282 0.90078 0.012 0.900 0.024 0.020 0.044
#> ERR659172 2 0.210 0.90780 0.012 0.932 0.028 0.016 0.012
#> ERR659077 1 0.583 0.51547 0.688 0.016 0.024 0.088 0.184
#> ERR659173 1 0.597 0.52250 0.684 0.016 0.032 0.092 0.176
#> ERR659078 1 0.717 0.49871 0.612 0.024 0.100 0.136 0.128
#> ERR659174 1 0.717 0.50270 0.612 0.024 0.100 0.140 0.124
#> ERR659079 1 0.420 0.57432 0.820 0.020 0.032 0.024 0.104
#> ERR659175 1 0.417 0.57326 0.820 0.020 0.028 0.024 0.108
#> ERR659080 4 0.780 0.16925 0.048 0.044 0.128 0.488 0.292
#> ERR659176 4 0.784 0.16950 0.048 0.044 0.132 0.484 0.292
#> ERR659081 4 0.681 0.37610 0.296 0.020 0.024 0.552 0.108
#> ERR659177 4 0.690 0.32279 0.320 0.020 0.024 0.528 0.108
#> ERR659082 4 0.748 0.43281 0.220 0.040 0.060 0.564 0.116
#> ERR659178 4 0.719 0.44841 0.208 0.040 0.048 0.592 0.112
#> ERR659083 2 0.343 0.89338 0.020 0.872 0.028 0.028 0.052
#> ERR659179 2 0.250 0.90044 0.024 0.916 0.016 0.016 0.028
#> ERR659084 2 0.296 0.90004 0.028 0.896 0.032 0.024 0.020
#> ERR659180 2 0.249 0.90602 0.020 0.916 0.024 0.012 0.028
#> ERR659085 3 0.802 -0.13203 0.268 0.012 0.352 0.316 0.052
#> ERR659181 3 0.804 -0.14260 0.284 0.012 0.344 0.308 0.052
#> ERR659086 1 0.509 0.54870 0.736 0.016 0.012 0.176 0.060
#> ERR659182 1 0.504 0.55506 0.744 0.016 0.012 0.164 0.064
#> ERR659087 1 0.731 0.40710 0.548 0.024 0.244 0.044 0.140
#> ERR659183 1 0.726 0.40350 0.548 0.020 0.244 0.044 0.144
#> ERR659088 4 0.913 -0.08348 0.176 0.032 0.252 0.276 0.264
#> ERR659184 3 0.913 -0.13768 0.172 0.032 0.272 0.264 0.260
#> ERR659089 4 0.793 0.16749 0.072 0.020 0.252 0.476 0.180
#> ERR659185 4 0.790 0.20174 0.076 0.020 0.228 0.492 0.184
#> ERR659090 4 0.680 0.43211 0.212 0.004 0.024 0.552 0.208
#> ERR659186 4 0.698 0.37114 0.256 0.000 0.028 0.504 0.212
#> ERR659091 1 0.591 0.54984 0.696 0.008 0.092 0.052 0.152
#> ERR659187 1 0.604 0.54886 0.684 0.008 0.092 0.056 0.160
#> ERR659092 1 0.573 0.54130 0.728 0.044 0.064 0.032 0.132
#> ERR659188 1 0.565 0.54279 0.728 0.036 0.068 0.028 0.140
#> ERR659093 1 0.676 0.09765 0.456 0.020 0.036 0.428 0.060
#> ERR659189 1 0.675 0.11970 0.468 0.020 0.036 0.416 0.060
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 5 0.793 0.35104 0.040 0.000 0.256 0.192 0.388 0.124
#> ERR467498 5 0.789 0.36175 0.036 0.000 0.252 0.192 0.392 0.128
#> ERR658998 1 0.712 0.03729 0.440 0.040 0.380 0.028 0.040 0.072
#> ERR659094 1 0.717 0.03954 0.440 0.040 0.376 0.028 0.044 0.072
#> ERR658999 6 0.373 0.68296 0.064 0.028 0.068 0.000 0.012 0.828
#> ERR659095 6 0.351 0.68242 0.056 0.028 0.068 0.000 0.008 0.840
#> ERR659000 4 0.829 0.07572 0.116 0.036 0.228 0.396 0.200 0.024
#> ERR659096 4 0.832 0.05831 0.116 0.036 0.228 0.388 0.208 0.024
#> ERR659001 3 0.625 0.40551 0.084 0.012 0.624 0.020 0.056 0.204
#> ERR659097 3 0.670 0.39903 0.100 0.012 0.600 0.032 0.072 0.184
#> ERR659002 4 0.702 0.43587 0.084 0.008 0.120 0.592 0.068 0.128
#> ERR659098 4 0.694 0.44551 0.088 0.008 0.116 0.600 0.064 0.124
#> ERR659003 1 0.639 0.32505 0.604 0.044 0.080 0.228 0.032 0.012
#> ERR659099 1 0.651 0.31697 0.596 0.044 0.084 0.228 0.032 0.016
#> ERR659004 6 0.177 0.65406 0.016 0.020 0.000 0.004 0.024 0.936
#> ERR659100 6 0.186 0.65245 0.020 0.020 0.000 0.004 0.024 0.932
#> ERR659005 1 0.664 0.12965 0.472 0.012 0.096 0.348 0.072 0.000
#> ERR659101 1 0.667 0.19575 0.492 0.012 0.108 0.316 0.072 0.000
#> ERR659006 6 0.233 0.66047 0.028 0.020 0.004 0.000 0.040 0.908
#> ERR659102 6 0.239 0.65859 0.028 0.020 0.004 0.000 0.044 0.904
#> ERR659007 1 0.679 0.22627 0.476 0.008 0.280 0.196 0.032 0.008
#> ERR659103 1 0.668 0.24002 0.496 0.008 0.264 0.196 0.028 0.008
#> ERR659008 2 0.640 0.31483 0.052 0.556 0.016 0.020 0.300 0.056
#> ERR659104 2 0.305 0.89948 0.012 0.880 0.016 0.040 0.016 0.036
#> ERR659009 3 0.526 -0.17187 0.012 0.008 0.488 0.012 0.024 0.456
#> ERR659105 3 0.510 -0.14238 0.008 0.008 0.504 0.012 0.020 0.448
#> ERR659010 6 0.477 0.60301 0.008 0.012 0.240 0.024 0.020 0.696
#> ERR659106 6 0.473 0.59904 0.008 0.012 0.248 0.024 0.016 0.692
#> ERR659011 6 0.258 0.67531 0.028 0.008 0.044 0.008 0.012 0.900
#> ERR659107 6 0.268 0.67517 0.028 0.012 0.044 0.008 0.012 0.896
#> ERR659012 6 0.501 0.64380 0.096 0.024 0.136 0.000 0.020 0.724
#> ERR659108 6 0.488 0.64883 0.088 0.024 0.132 0.000 0.020 0.736
#> ERR659013 3 0.417 0.42888 0.040 0.024 0.816 0.028 0.076 0.016
#> ERR659109 3 0.417 0.42888 0.040 0.024 0.816 0.028 0.076 0.016
#> ERR659014 2 0.293 0.89330 0.012 0.880 0.016 0.004 0.032 0.056
#> ERR659110 2 0.275 0.90196 0.004 0.888 0.024 0.004 0.028 0.052
#> ERR659015 1 0.598 0.14433 0.524 0.020 0.368 0.052 0.032 0.004
#> ERR659111 1 0.592 0.12861 0.516 0.016 0.380 0.052 0.032 0.004
#> ERR659016 4 0.649 0.27557 0.072 0.048 0.032 0.564 0.276 0.008
#> ERR659112 4 0.653 0.27181 0.076 0.048 0.032 0.560 0.276 0.008
#> ERR659017 2 0.320 0.90029 0.016 0.872 0.012 0.048 0.028 0.024
#> ERR659113 2 0.251 0.90650 0.008 0.904 0.020 0.004 0.032 0.032
#> ERR659018 1 0.675 0.19517 0.520 0.020 0.308 0.092 0.024 0.036
#> ERR659114 1 0.668 0.19252 0.524 0.016 0.308 0.092 0.028 0.032
#> ERR659019 6 0.541 0.60217 0.224 0.016 0.036 0.012 0.040 0.672
#> ERR659115 6 0.553 0.59139 0.244 0.016 0.040 0.012 0.036 0.652
#> ERR659020 1 0.671 0.28011 0.604 0.004 0.148 0.088 0.040 0.116
#> ERR659116 1 0.674 0.28812 0.600 0.004 0.152 0.112 0.040 0.092
#> ERR659021 4 0.759 -0.00592 0.356 0.024 0.140 0.396 0.056 0.028
#> ERR659117 4 0.747 0.00298 0.352 0.020 0.152 0.400 0.056 0.020
#> ERR659022 4 0.655 0.42826 0.156 0.012 0.096 0.580 0.156 0.000
#> ERR659118 4 0.639 0.44155 0.148 0.016 0.084 0.604 0.148 0.000
#> ERR659023 1 0.578 0.21688 0.596 0.024 0.296 0.048 0.032 0.004
#> ERR659119 1 0.579 0.21259 0.600 0.032 0.292 0.040 0.032 0.004
#> ERR659024 1 0.785 0.19489 0.412 0.036 0.212 0.260 0.064 0.016
#> ERR659120 1 0.782 0.18854 0.408 0.032 0.224 0.256 0.064 0.016
#> ERR659025 4 0.362 0.49808 0.084 0.012 0.044 0.836 0.020 0.004
#> ERR659121 4 0.358 0.49908 0.084 0.016 0.036 0.840 0.020 0.004
#> ERR659026 3 0.703 0.08133 0.392 0.008 0.416 0.036 0.040 0.108
#> ERR659122 1 0.729 -0.07079 0.412 0.020 0.388 0.056 0.036 0.088
#> ERR659027 1 0.763 -0.03191 0.468 0.016 0.052 0.228 0.192 0.044
#> ERR659123 1 0.763 -0.02971 0.468 0.016 0.052 0.224 0.196 0.044
#> ERR659028 3 0.580 0.27602 0.256 0.012 0.624 0.056 0.040 0.012
#> ERR659124 3 0.582 0.27628 0.260 0.012 0.620 0.056 0.040 0.012
#> ERR659029 3 0.718 0.27227 0.188 0.020 0.524 0.172 0.088 0.008
#> ERR659125 3 0.709 0.29330 0.184 0.020 0.540 0.156 0.092 0.008
#> ERR659030 1 0.637 -0.00306 0.488 0.020 0.052 0.376 0.060 0.004
#> ERR659126 1 0.621 -0.02870 0.480 0.020 0.048 0.392 0.060 0.000
#> ERR659031 3 0.909 0.09948 0.168 0.012 0.280 0.216 0.176 0.148
#> ERR659127 3 0.913 0.10447 0.168 0.012 0.272 0.208 0.168 0.172
#> ERR659032 1 0.589 0.13211 0.552 0.028 0.328 0.016 0.076 0.000
#> ERR659128 1 0.588 0.13532 0.556 0.028 0.324 0.016 0.076 0.000
#> ERR659033 1 0.764 0.19428 0.420 0.016 0.260 0.196 0.100 0.008
#> ERR659129 1 0.759 0.19440 0.424 0.016 0.264 0.196 0.092 0.008
#> ERR659034 2 0.266 0.89904 0.024 0.900 0.016 0.012 0.036 0.012
#> ERR659130 2 0.274 0.90897 0.024 0.896 0.016 0.008 0.020 0.036
#> ERR659035 3 0.824 0.19800 0.240 0.008 0.384 0.132 0.048 0.188
#> ERR659131 3 0.829 0.20483 0.236 0.012 0.392 0.148 0.048 0.164
#> ERR659036 1 0.708 -0.12076 0.412 0.012 0.092 0.372 0.108 0.004
#> ERR659132 1 0.710 -0.09435 0.416 0.012 0.092 0.364 0.112 0.004
#> ERR659037 1 0.723 0.14107 0.452 0.028 0.016 0.132 0.044 0.328
#> ERR659133 1 0.714 0.13997 0.452 0.028 0.016 0.132 0.036 0.336
#> ERR659038 6 0.365 0.68086 0.072 0.036 0.040 0.000 0.016 0.836
#> ERR659134 6 0.356 0.68137 0.072 0.036 0.040 0.000 0.012 0.840
#> ERR659039 6 0.619 0.50971 0.120 0.012 0.276 0.000 0.036 0.556
#> ERR659135 6 0.617 0.52070 0.124 0.012 0.264 0.000 0.036 0.564
#> ERR659040 1 0.708 0.12250 0.424 0.012 0.308 0.196 0.060 0.000
#> ERR659136 1 0.712 0.12181 0.420 0.012 0.308 0.196 0.064 0.000
#> ERR659041 4 0.689 0.10021 0.044 0.036 0.024 0.444 0.056 0.396
#> ERR659137 4 0.690 0.07210 0.044 0.036 0.024 0.428 0.056 0.412
#> ERR659042 4 0.516 0.49709 0.088 0.040 0.064 0.740 0.068 0.000
#> ERR659138 4 0.516 0.49649 0.084 0.040 0.064 0.740 0.072 0.000
#> ERR659043 3 0.671 0.15923 0.144 0.016 0.440 0.360 0.040 0.000
#> ERR659139 3 0.671 0.16712 0.144 0.016 0.444 0.356 0.040 0.000
#> ERR659044 2 0.455 0.83285 0.044 0.800 0.032 0.032 0.060 0.032
#> ERR659140 2 0.242 0.90841 0.024 0.912 0.008 0.012 0.024 0.020
#> ERR659045 6 0.682 0.16367 0.388 0.032 0.152 0.012 0.008 0.408
#> ERR659141 6 0.694 0.19690 0.372 0.036 0.152 0.008 0.016 0.416
#> ERR659046 4 0.705 0.12952 0.288 0.008 0.180 0.460 0.056 0.008
#> ERR659142 4 0.696 0.15773 0.288 0.008 0.164 0.476 0.056 0.008
#> ERR659047 1 0.591 0.26130 0.584 0.012 0.268 0.116 0.016 0.004
#> ERR659143 1 0.589 0.26332 0.588 0.012 0.264 0.116 0.016 0.004
#> ERR659048 4 0.625 0.16555 0.372 0.012 0.068 0.496 0.048 0.004
#> ERR659144 4 0.633 0.15990 0.372 0.012 0.076 0.488 0.048 0.004
#> ERR659049 6 0.688 0.35067 0.344 0.060 0.036 0.028 0.040 0.492
#> ERR659145 6 0.694 0.27759 0.376 0.060 0.040 0.032 0.032 0.460
#> ERR659050 1 0.626 -0.03947 0.440 0.012 0.424 0.012 0.096 0.016
#> ERR659146 1 0.630 -0.04212 0.440 0.012 0.420 0.012 0.100 0.016
#> ERR659051 5 0.612 0.56752 0.028 0.096 0.108 0.060 0.680 0.028
#> ERR659147 5 0.612 0.56752 0.028 0.096 0.108 0.060 0.680 0.028
#> ERR659052 6 0.452 0.61799 0.040 0.004 0.060 0.004 0.128 0.764
#> ERR659148 6 0.457 0.61442 0.044 0.004 0.056 0.004 0.132 0.760
#> ERR659053 4 0.562 0.18936 0.396 0.016 0.020 0.516 0.052 0.000
#> ERR659149 4 0.575 0.15416 0.404 0.016 0.024 0.500 0.056 0.000
#> ERR659054 2 0.494 0.78578 0.028 0.756 0.044 0.012 0.120 0.040
#> ERR659150 2 0.276 0.89923 0.008 0.892 0.016 0.012 0.048 0.024
#> ERR659055 1 0.681 0.00408 0.456 0.020 0.300 0.004 0.020 0.200
#> ERR659151 1 0.673 -0.03062 0.440 0.016 0.336 0.004 0.020 0.184
#> ERR659056 4 0.694 0.22179 0.128 0.048 0.020 0.560 0.216 0.028
#> ERR659152 4 0.709 0.21320 0.136 0.048 0.020 0.544 0.220 0.032
#> ERR659057 1 0.774 0.21255 0.492 0.020 0.216 0.112 0.120 0.040
#> ERR659153 1 0.771 0.20593 0.484 0.016 0.224 0.120 0.120 0.036
#> ERR659058 6 0.704 0.54923 0.216 0.048 0.096 0.028 0.044 0.568
#> ERR659154 6 0.731 0.51823 0.240 0.048 0.112 0.032 0.040 0.528
#> ERR659059 3 0.622 0.30592 0.264 0.008 0.576 0.068 0.080 0.004
#> ERR659155 3 0.627 0.26976 0.288 0.008 0.556 0.068 0.076 0.004
#> ERR659060 4 0.489 0.50396 0.080 0.016 0.028 0.772 0.056 0.048
#> ERR659156 4 0.499 0.50452 0.084 0.016 0.028 0.764 0.060 0.048
#> ERR659061 4 0.531 0.42164 0.212 0.012 0.048 0.684 0.032 0.012
#> ERR659157 4 0.509 0.43020 0.204 0.012 0.048 0.700 0.028 0.008
#> ERR659062 1 0.712 0.05420 0.456 0.024 0.352 0.024 0.048 0.096
#> ERR659158 1 0.713 0.04484 0.448 0.024 0.360 0.024 0.048 0.096
#> ERR659063 3 0.654 0.16593 0.172 0.008 0.452 0.344 0.016 0.008
#> ERR659159 3 0.658 0.15676 0.180 0.008 0.444 0.344 0.016 0.008
#> ERR659064 1 0.733 -0.15789 0.392 0.024 0.100 0.384 0.092 0.008
#> ERR659160 4 0.720 0.16902 0.372 0.024 0.092 0.412 0.096 0.004
#> ERR659065 2 0.269 0.90765 0.020 0.900 0.020 0.020 0.012 0.028
#> ERR659161 2 0.383 0.89112 0.024 0.840 0.028 0.016 0.044 0.048
#> ERR659066 6 0.294 0.65142 0.036 0.016 0.004 0.024 0.036 0.884
#> ERR659162 6 0.294 0.65142 0.036 0.016 0.004 0.024 0.036 0.884
#> ERR659067 6 0.600 0.47516 0.100 0.020 0.304 0.000 0.020 0.556
#> ERR659163 6 0.593 0.45421 0.096 0.012 0.320 0.000 0.024 0.548
#> ERR659068 2 0.285 0.90262 0.012 0.892 0.024 0.024 0.016 0.032
#> ERR659164 2 0.301 0.90233 0.024 0.880 0.012 0.008 0.028 0.048
#> ERR659069 6 0.697 0.48036 0.184 0.024 0.220 0.016 0.032 0.524
#> ERR659165 6 0.703 0.47965 0.184 0.024 0.220 0.016 0.036 0.520
#> ERR659070 4 0.385 0.48336 0.152 0.012 0.016 0.792 0.028 0.000
#> ERR659166 4 0.404 0.49194 0.136 0.012 0.016 0.788 0.048 0.000
#> ERR659071 3 0.695 0.06663 0.356 0.016 0.412 0.168 0.048 0.000
#> ERR659167 3 0.693 0.08760 0.340 0.016 0.432 0.160 0.052 0.000
#> ERR659072 6 0.289 0.66450 0.036 0.024 0.024 0.000 0.032 0.884
#> ERR659168 6 0.273 0.66416 0.036 0.024 0.020 0.000 0.028 0.892
#> ERR659073 6 0.814 0.16256 0.236 0.016 0.184 0.048 0.100 0.416
#> ERR659169 6 0.820 0.14142 0.232 0.016 0.192 0.048 0.104 0.408
#> ERR659074 2 0.215 0.90762 0.012 0.924 0.012 0.020 0.008 0.024
#> ERR659170 2 0.324 0.86603 0.036 0.864 0.008 0.016 0.064 0.012
#> ERR659075 5 0.843 0.34544 0.164 0.284 0.096 0.032 0.372 0.052
#> ERR659171 5 0.843 0.34544 0.164 0.284 0.096 0.032 0.372 0.052
#> ERR659076 2 0.216 0.90715 0.024 0.924 0.016 0.008 0.016 0.012
#> ERR659172 2 0.239 0.90836 0.016 0.912 0.004 0.016 0.024 0.028
#> ERR659077 3 0.754 0.22184 0.256 0.020 0.460 0.068 0.176 0.020
#> ERR659173 3 0.761 0.20917 0.264 0.028 0.456 0.064 0.168 0.020
#> ERR659078 1 0.813 0.10843 0.416 0.052 0.292 0.136 0.048 0.056
#> ERR659174 1 0.810 0.10740 0.416 0.044 0.292 0.140 0.048 0.060
#> ERR659079 3 0.557 0.28639 0.308 0.016 0.596 0.012 0.060 0.008
#> ERR659175 3 0.565 0.29255 0.304 0.012 0.592 0.016 0.068 0.008
#> ERR659080 4 0.818 0.12528 0.132 0.044 0.028 0.436 0.236 0.124
#> ERR659176 4 0.834 0.10637 0.140 0.048 0.036 0.424 0.236 0.116
#> ERR659081 1 0.561 0.11359 0.584 0.012 0.036 0.316 0.052 0.000
#> ERR659177 1 0.554 0.16873 0.604 0.012 0.040 0.296 0.048 0.000
#> ERR659082 1 0.642 -0.01902 0.496 0.024 0.032 0.368 0.068 0.012
#> ERR659178 1 0.641 -0.07181 0.476 0.024 0.032 0.388 0.072 0.008
#> ERR659083 2 0.236 0.90498 0.036 0.912 0.004 0.016 0.020 0.012
#> ERR659179 2 0.300 0.90105 0.012 0.884 0.032 0.024 0.032 0.016
#> ERR659084 2 0.214 0.90628 0.016 0.924 0.028 0.008 0.012 0.012
#> ERR659180 2 0.266 0.90818 0.012 0.900 0.020 0.012 0.020 0.036
#> ERR659085 4 0.785 0.01877 0.328 0.012 0.080 0.344 0.024 0.212
#> ERR659181 4 0.781 -0.00326 0.336 0.012 0.076 0.344 0.024 0.208
#> ERR659086 1 0.678 0.24840 0.564 0.020 0.224 0.124 0.052 0.016
#> ERR659182 1 0.674 0.22407 0.560 0.020 0.244 0.108 0.052 0.016
#> ERR659087 3 0.528 0.41572 0.068 0.004 0.720 0.028 0.040 0.140
#> ERR659183 3 0.536 0.41789 0.072 0.004 0.716 0.028 0.044 0.136
#> ERR659088 1 0.872 0.00542 0.424 0.044 0.088 0.148 0.156 0.140
#> ERR659184 1 0.868 0.00776 0.428 0.044 0.080 0.148 0.148 0.152
#> ERR659089 4 0.784 0.16093 0.064 0.020 0.040 0.444 0.208 0.224
#> ERR659185 4 0.779 0.17047 0.064 0.020 0.040 0.456 0.212 0.208
#> ERR659090 4 0.782 0.21908 0.112 0.004 0.228 0.376 0.260 0.020
#> ERR659186 4 0.786 0.19864 0.128 0.004 0.252 0.360 0.240 0.016
#> ERR659091 3 0.443 0.39865 0.204 0.012 0.732 0.000 0.032 0.020
#> ERR659187 3 0.463 0.39479 0.204 0.012 0.720 0.000 0.044 0.020
#> ERR659092 3 0.452 0.36938 0.216 0.016 0.724 0.004 0.020 0.020
#> ERR659188 3 0.462 0.36431 0.220 0.016 0.716 0.004 0.024 0.020
#> ERR659093 1 0.610 0.15000 0.524 0.008 0.064 0.356 0.036 0.012
#> ERR659189 1 0.612 0.17314 0.528 0.008 0.076 0.344 0.036 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["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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.986 0.995 0.241 0.767 0.767
#> 3 3 0.992 0.975 0.971 0.183 0.982 0.977
#> 4 4 0.814 0.833 0.936 0.170 0.982 0.977
#> 5 5 0.708 0.853 0.904 0.208 0.888 0.847
#> 6 6 0.650 0.872 0.904 0.079 0.999 0.998
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
#> ERR467487 1 0.242 0.954 0.960 0.040
#> ERR467498 1 0.242 0.954 0.960 0.040
#> ERR658998 1 0.000 0.994 1.000 0.000
#> ERR659094 1 0.000 0.994 1.000 0.000
#> ERR658999 1 0.000 0.994 1.000 0.000
#> ERR659095 1 0.000 0.994 1.000 0.000
#> ERR659000 1 0.000 0.994 1.000 0.000
#> ERR659096 1 0.000 0.994 1.000 0.000
#> ERR659001 1 0.000 0.994 1.000 0.000
#> ERR659097 1 0.000 0.994 1.000 0.000
#> ERR659002 1 0.000 0.994 1.000 0.000
#> ERR659098 1 0.000 0.994 1.000 0.000
#> ERR659003 1 0.000 0.994 1.000 0.000
#> ERR659099 1 0.000 0.994 1.000 0.000
#> ERR659004 1 0.000 0.994 1.000 0.000
#> ERR659100 1 0.000 0.994 1.000 0.000
#> ERR659005 1 0.000 0.994 1.000 0.000
#> ERR659101 1 0.000 0.994 1.000 0.000
#> ERR659006 1 0.000 0.994 1.000 0.000
#> ERR659102 1 0.000 0.994 1.000 0.000
#> ERR659007 1 0.000 0.994 1.000 0.000
#> ERR659103 1 0.000 0.994 1.000 0.000
#> ERR659008 2 0.000 1.000 0.000 1.000
#> ERR659104 2 0.000 1.000 0.000 1.000
#> ERR659009 1 0.000 0.994 1.000 0.000
#> ERR659105 1 0.000 0.994 1.000 0.000
#> ERR659010 1 0.000 0.994 1.000 0.000
#> ERR659106 1 0.000 0.994 1.000 0.000
#> ERR659011 1 0.000 0.994 1.000 0.000
#> ERR659107 1 0.000 0.994 1.000 0.000
#> ERR659012 1 0.000 0.994 1.000 0.000
#> ERR659108 1 0.000 0.994 1.000 0.000
#> ERR659013 1 0.000 0.994 1.000 0.000
#> ERR659109 1 0.000 0.994 1.000 0.000
#> ERR659014 2 0.000 1.000 0.000 1.000
#> ERR659110 2 0.000 1.000 0.000 1.000
#> ERR659015 1 0.000 0.994 1.000 0.000
#> ERR659111 1 0.000 0.994 1.000 0.000
#> ERR659016 1 0.000 0.994 1.000 0.000
#> ERR659112 1 0.000 0.994 1.000 0.000
#> ERR659017 2 0.000 1.000 0.000 1.000
#> ERR659113 2 0.000 1.000 0.000 1.000
#> ERR659018 1 0.000 0.994 1.000 0.000
#> ERR659114 1 0.000 0.994 1.000 0.000
#> ERR659019 1 0.000 0.994 1.000 0.000
#> ERR659115 1 0.000 0.994 1.000 0.000
#> ERR659020 1 0.000 0.994 1.000 0.000
#> ERR659116 1 0.000 0.994 1.000 0.000
#> ERR659021 1 0.000 0.994 1.000 0.000
#> ERR659117 1 0.000 0.994 1.000 0.000
#> ERR659022 1 0.000 0.994 1.000 0.000
#> ERR659118 1 0.000 0.994 1.000 0.000
#> ERR659023 1 0.000 0.994 1.000 0.000
#> ERR659119 1 0.000 0.994 1.000 0.000
#> ERR659024 1 0.000 0.994 1.000 0.000
#> ERR659120 1 0.000 0.994 1.000 0.000
#> ERR659025 1 0.000 0.994 1.000 0.000
#> ERR659121 1 0.000 0.994 1.000 0.000
#> ERR659026 1 0.000 0.994 1.000 0.000
#> ERR659122 1 0.000 0.994 1.000 0.000
#> ERR659027 1 0.000 0.994 1.000 0.000
#> ERR659123 1 0.000 0.994 1.000 0.000
#> ERR659028 1 0.000 0.994 1.000 0.000
#> ERR659124 1 0.000 0.994 1.000 0.000
#> ERR659029 1 0.000 0.994 1.000 0.000
#> ERR659125 1 0.000 0.994 1.000 0.000
#> ERR659030 1 0.000 0.994 1.000 0.000
#> ERR659126 1 0.000 0.994 1.000 0.000
#> ERR659031 1 0.000 0.994 1.000 0.000
#> ERR659127 1 0.000 0.994 1.000 0.000
#> ERR659032 1 0.000 0.994 1.000 0.000
#> ERR659128 1 0.000 0.994 1.000 0.000
#> ERR659033 1 0.000 0.994 1.000 0.000
#> ERR659129 1 0.000 0.994 1.000 0.000
#> ERR659034 2 0.000 1.000 0.000 1.000
#> ERR659130 2 0.000 1.000 0.000 1.000
#> ERR659035 1 0.000 0.994 1.000 0.000
#> ERR659131 1 0.000 0.994 1.000 0.000
#> ERR659036 1 0.000 0.994 1.000 0.000
#> ERR659132 1 0.000 0.994 1.000 0.000
#> ERR659037 1 0.000 0.994 1.000 0.000
#> ERR659133 1 0.000 0.994 1.000 0.000
#> ERR659038 1 0.000 0.994 1.000 0.000
#> ERR659134 1 0.000 0.994 1.000 0.000
#> ERR659039 1 0.000 0.994 1.000 0.000
#> ERR659135 1 0.000 0.994 1.000 0.000
#> ERR659040 1 0.000 0.994 1.000 0.000
#> ERR659136 1 0.000 0.994 1.000 0.000
#> ERR659041 1 0.000 0.994 1.000 0.000
#> ERR659137 1 0.000 0.994 1.000 0.000
#> ERR659042 1 0.000 0.994 1.000 0.000
#> ERR659138 1 0.000 0.994 1.000 0.000
#> ERR659043 1 0.000 0.994 1.000 0.000
#> ERR659139 1 0.000 0.994 1.000 0.000
#> ERR659044 2 0.000 1.000 0.000 1.000
#> ERR659140 2 0.000 1.000 0.000 1.000
#> ERR659045 1 0.000 0.994 1.000 0.000
#> ERR659141 1 0.000 0.994 1.000 0.000
#> ERR659046 1 0.000 0.994 1.000 0.000
#> ERR659142 1 0.000 0.994 1.000 0.000
#> ERR659047 1 0.000 0.994 1.000 0.000
#> ERR659143 1 0.000 0.994 1.000 0.000
#> ERR659048 1 0.000 0.994 1.000 0.000
#> ERR659144 1 0.000 0.994 1.000 0.000
#> ERR659049 1 0.000 0.994 1.000 0.000
#> ERR659145 1 0.000 0.994 1.000 0.000
#> ERR659050 1 0.000 0.994 1.000 0.000
#> ERR659146 1 0.000 0.994 1.000 0.000
#> ERR659051 1 0.992 0.195 0.552 0.448
#> ERR659147 1 0.992 0.195 0.552 0.448
#> ERR659052 1 0.000 0.994 1.000 0.000
#> ERR659148 1 0.000 0.994 1.000 0.000
#> ERR659053 1 0.000 0.994 1.000 0.000
#> ERR659149 1 0.000 0.994 1.000 0.000
#> ERR659054 2 0.000 1.000 0.000 1.000
#> ERR659150 2 0.000 1.000 0.000 1.000
#> ERR659055 1 0.000 0.994 1.000 0.000
#> ERR659151 1 0.000 0.994 1.000 0.000
#> ERR659056 1 0.000 0.994 1.000 0.000
#> ERR659152 1 0.000 0.994 1.000 0.000
#> ERR659057 1 0.000 0.994 1.000 0.000
#> ERR659153 1 0.000 0.994 1.000 0.000
#> ERR659058 1 0.000 0.994 1.000 0.000
#> ERR659154 1 0.000 0.994 1.000 0.000
#> ERR659059 1 0.000 0.994 1.000 0.000
#> ERR659155 1 0.000 0.994 1.000 0.000
#> ERR659060 1 0.000 0.994 1.000 0.000
#> ERR659156 1 0.000 0.994 1.000 0.000
#> ERR659061 1 0.000 0.994 1.000 0.000
#> ERR659157 1 0.000 0.994 1.000 0.000
#> ERR659062 1 0.000 0.994 1.000 0.000
#> ERR659158 1 0.000 0.994 1.000 0.000
#> ERR659063 1 0.000 0.994 1.000 0.000
#> ERR659159 1 0.000 0.994 1.000 0.000
#> ERR659064 1 0.000 0.994 1.000 0.000
#> ERR659160 1 0.000 0.994 1.000 0.000
#> ERR659065 2 0.000 1.000 0.000 1.000
#> ERR659161 2 0.000 1.000 0.000 1.000
#> ERR659066 1 0.000 0.994 1.000 0.000
#> ERR659162 1 0.000 0.994 1.000 0.000
#> ERR659067 1 0.000 0.994 1.000 0.000
#> ERR659163 1 0.000 0.994 1.000 0.000
#> ERR659068 2 0.000 1.000 0.000 1.000
#> ERR659164 2 0.000 1.000 0.000 1.000
#> ERR659069 1 0.000 0.994 1.000 0.000
#> ERR659165 1 0.000 0.994 1.000 0.000
#> ERR659070 1 0.000 0.994 1.000 0.000
#> ERR659166 1 0.000 0.994 1.000 0.000
#> ERR659071 1 0.000 0.994 1.000 0.000
#> ERR659167 1 0.000 0.994 1.000 0.000
#> ERR659072 1 0.000 0.994 1.000 0.000
#> ERR659168 1 0.000 0.994 1.000 0.000
#> ERR659073 1 0.000 0.994 1.000 0.000
#> ERR659169 1 0.000 0.994 1.000 0.000
#> ERR659074 2 0.000 1.000 0.000 1.000
#> ERR659170 2 0.000 1.000 0.000 1.000
#> ERR659075 2 0.000 1.000 0.000 1.000
#> ERR659171 2 0.000 1.000 0.000 1.000
#> ERR659076 2 0.000 1.000 0.000 1.000
#> ERR659172 2 0.000 1.000 0.000 1.000
#> ERR659077 1 0.000 0.994 1.000 0.000
#> ERR659173 1 0.000 0.994 1.000 0.000
#> ERR659078 1 0.000 0.994 1.000 0.000
#> ERR659174 1 0.000 0.994 1.000 0.000
#> ERR659079 1 0.000 0.994 1.000 0.000
#> ERR659175 1 0.000 0.994 1.000 0.000
#> ERR659080 1 0.000 0.994 1.000 0.000
#> ERR659176 1 0.000 0.994 1.000 0.000
#> ERR659081 1 0.000 0.994 1.000 0.000
#> ERR659177 1 0.000 0.994 1.000 0.000
#> ERR659082 1 0.000 0.994 1.000 0.000
#> ERR659178 1 0.000 0.994 1.000 0.000
#> ERR659083 2 0.000 1.000 0.000 1.000
#> ERR659179 2 0.000 1.000 0.000 1.000
#> ERR659084 2 0.000 1.000 0.000 1.000
#> ERR659180 2 0.000 1.000 0.000 1.000
#> ERR659085 1 0.000 0.994 1.000 0.000
#> ERR659181 1 0.000 0.994 1.000 0.000
#> ERR659086 1 0.000 0.994 1.000 0.000
#> ERR659182 1 0.000 0.994 1.000 0.000
#> ERR659087 1 0.000 0.994 1.000 0.000
#> ERR659183 1 0.000 0.994 1.000 0.000
#> ERR659088 1 0.000 0.994 1.000 0.000
#> ERR659184 1 0.000 0.994 1.000 0.000
#> ERR659089 1 0.000 0.994 1.000 0.000
#> ERR659185 1 0.000 0.994 1.000 0.000
#> ERR659090 1 0.000 0.994 1.000 0.000
#> ERR659186 1 0.000 0.994 1.000 0.000
#> ERR659091 1 0.000 0.994 1.000 0.000
#> ERR659187 1 0.000 0.994 1.000 0.000
#> ERR659092 1 0.000 0.994 1.000 0.000
#> ERR659188 1 0.000 0.994 1.000 0.000
#> ERR659093 1 0.000 0.994 1.000 0.000
#> ERR659189 1 0.000 0.994 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.4007 0.905 0.880 0.036 0.084
#> ERR467498 1 0.4007 0.905 0.880 0.036 0.084
#> ERR658998 1 0.0892 0.978 0.980 0.000 0.020
#> ERR659094 1 0.0892 0.978 0.980 0.000 0.020
#> ERR658999 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659095 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659000 1 0.3619 0.889 0.864 0.000 0.136
#> ERR659096 1 0.3619 0.889 0.864 0.000 0.136
#> ERR659001 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659097 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659002 1 0.0424 0.978 0.992 0.000 0.008
#> ERR659098 1 0.0424 0.978 0.992 0.000 0.008
#> ERR659003 1 0.0424 0.979 0.992 0.000 0.008
#> ERR659099 1 0.0424 0.979 0.992 0.000 0.008
#> ERR659004 1 0.2711 0.949 0.912 0.000 0.088
#> ERR659100 1 0.2711 0.949 0.912 0.000 0.088
#> ERR659005 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659101 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659006 1 0.2711 0.949 0.912 0.000 0.088
#> ERR659102 1 0.2711 0.949 0.912 0.000 0.088
#> ERR659007 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659103 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659009 1 0.1860 0.970 0.948 0.000 0.052
#> ERR659105 1 0.1860 0.970 0.948 0.000 0.052
#> ERR659010 1 0.2066 0.966 0.940 0.000 0.060
#> ERR659106 1 0.2066 0.966 0.940 0.000 0.060
#> ERR659011 1 0.1529 0.975 0.960 0.000 0.040
#> ERR659107 1 0.1529 0.975 0.960 0.000 0.040
#> ERR659012 1 0.2711 0.949 0.912 0.000 0.088
#> ERR659108 1 0.2711 0.949 0.912 0.000 0.088
#> ERR659013 1 0.3038 0.922 0.896 0.000 0.104
#> ERR659109 1 0.3038 0.922 0.896 0.000 0.104
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659015 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659111 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659016 1 0.3267 0.919 0.884 0.000 0.116
#> ERR659112 1 0.3267 0.919 0.884 0.000 0.116
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659018 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659114 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659019 1 0.1411 0.975 0.964 0.000 0.036
#> ERR659115 1 0.1411 0.975 0.964 0.000 0.036
#> ERR659020 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659116 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659021 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659117 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659022 1 0.0424 0.978 0.992 0.000 0.008
#> ERR659118 1 0.0424 0.978 0.992 0.000 0.008
#> ERR659023 1 0.0424 0.978 0.992 0.000 0.008
#> ERR659119 1 0.0424 0.978 0.992 0.000 0.008
#> ERR659024 1 0.0892 0.977 0.980 0.000 0.020
#> ERR659120 1 0.0892 0.977 0.980 0.000 0.020
#> ERR659025 1 0.1031 0.975 0.976 0.000 0.024
#> ERR659121 1 0.1031 0.975 0.976 0.000 0.024
#> ERR659026 1 0.1289 0.976 0.968 0.000 0.032
#> ERR659122 1 0.1289 0.976 0.968 0.000 0.032
#> ERR659027 1 0.2448 0.950 0.924 0.000 0.076
#> ERR659123 1 0.2448 0.950 0.924 0.000 0.076
#> ERR659028 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659124 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659029 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659125 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659030 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659126 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659031 1 0.1643 0.969 0.956 0.000 0.044
#> ERR659127 1 0.1643 0.969 0.956 0.000 0.044
#> ERR659032 1 0.1860 0.967 0.948 0.000 0.052
#> ERR659128 1 0.1860 0.967 0.948 0.000 0.052
#> ERR659033 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659129 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659035 1 0.1031 0.976 0.976 0.000 0.024
#> ERR659131 1 0.1031 0.976 0.976 0.000 0.024
#> ERR659036 1 0.1411 0.972 0.964 0.000 0.036
#> ERR659132 1 0.1411 0.972 0.964 0.000 0.036
#> ERR659037 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659133 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659038 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659134 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659039 1 0.1411 0.975 0.964 0.000 0.036
#> ERR659135 1 0.1411 0.975 0.964 0.000 0.036
#> ERR659040 1 0.1163 0.976 0.972 0.000 0.028
#> ERR659136 1 0.1163 0.976 0.972 0.000 0.028
#> ERR659041 1 0.2261 0.953 0.932 0.000 0.068
#> ERR659137 1 0.2261 0.953 0.932 0.000 0.068
#> ERR659042 1 0.1753 0.968 0.952 0.000 0.048
#> ERR659138 1 0.1753 0.968 0.952 0.000 0.048
#> ERR659043 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659139 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659045 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659141 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659046 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659142 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659047 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659143 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659048 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659144 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659049 1 0.1964 0.963 0.944 0.000 0.056
#> ERR659145 1 0.1964 0.963 0.944 0.000 0.056
#> ERR659050 1 0.1163 0.976 0.972 0.000 0.028
#> ERR659146 1 0.1163 0.976 0.972 0.000 0.028
#> ERR659051 3 0.4555 1.000 0.000 0.200 0.800
#> ERR659147 3 0.4555 1.000 0.000 0.200 0.800
#> ERR659052 1 0.2066 0.966 0.940 0.000 0.060
#> ERR659148 1 0.2066 0.966 0.940 0.000 0.060
#> ERR659053 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659149 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659055 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659151 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659056 1 0.2448 0.948 0.924 0.000 0.076
#> ERR659152 1 0.2448 0.948 0.924 0.000 0.076
#> ERR659057 1 0.0892 0.978 0.980 0.000 0.020
#> ERR659153 1 0.0892 0.978 0.980 0.000 0.020
#> ERR659058 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659154 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659059 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659155 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659060 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659156 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659061 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659157 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659062 1 0.0892 0.979 0.980 0.000 0.020
#> ERR659158 1 0.0892 0.979 0.980 0.000 0.020
#> ERR659063 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659159 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659064 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659160 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659065 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659066 1 0.1411 0.974 0.964 0.000 0.036
#> ERR659162 1 0.1411 0.974 0.964 0.000 0.036
#> ERR659067 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659163 1 0.1031 0.977 0.976 0.000 0.024
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659069 1 0.1411 0.976 0.964 0.000 0.036
#> ERR659165 1 0.1411 0.976 0.964 0.000 0.036
#> ERR659070 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659166 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659071 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659167 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659072 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659168 1 0.1289 0.975 0.968 0.000 0.032
#> ERR659073 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659169 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659075 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659171 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659077 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659173 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659078 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659174 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659079 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659175 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659080 1 0.2448 0.949 0.924 0.000 0.076
#> ERR659176 1 0.2448 0.949 0.924 0.000 0.076
#> ERR659081 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659177 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659082 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659178 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659085 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659181 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659086 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659182 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659087 1 0.1643 0.974 0.956 0.000 0.044
#> ERR659183 1 0.1643 0.974 0.956 0.000 0.044
#> ERR659088 1 0.2448 0.956 0.924 0.000 0.076
#> ERR659184 1 0.2448 0.956 0.924 0.000 0.076
#> ERR659089 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659185 1 0.0747 0.978 0.984 0.000 0.016
#> ERR659090 1 0.1289 0.976 0.968 0.000 0.032
#> ERR659186 1 0.1289 0.976 0.968 0.000 0.032
#> ERR659091 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659187 1 0.0424 0.977 0.992 0.000 0.008
#> ERR659092 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659188 1 0.0592 0.978 0.988 0.000 0.012
#> ERR659093 1 0.0000 0.977 1.000 0.000 0.000
#> ERR659189 1 0.0000 0.977 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.5618 0.244 0.720 0.036 0.024 0.220
#> ERR467498 1 0.5618 0.244 0.720 0.036 0.024 0.220
#> ERR658998 1 0.1256 0.899 0.964 0.000 0.008 0.028
#> ERR659094 1 0.1256 0.899 0.964 0.000 0.008 0.028
#> ERR658999 1 0.1059 0.900 0.972 0.000 0.012 0.016
#> ERR659095 1 0.1059 0.900 0.972 0.000 0.012 0.016
#> ERR659000 4 0.6214 1.000 0.468 0.000 0.052 0.480
#> ERR659096 4 0.6214 1.000 0.468 0.000 0.052 0.480
#> ERR659001 1 0.0779 0.902 0.980 0.000 0.004 0.016
#> ERR659097 1 0.0779 0.902 0.980 0.000 0.004 0.016
#> ERR659002 1 0.1004 0.899 0.972 0.000 0.004 0.024
#> ERR659098 1 0.1004 0.899 0.972 0.000 0.004 0.024
#> ERR659003 1 0.0672 0.904 0.984 0.000 0.008 0.008
#> ERR659099 1 0.0672 0.904 0.984 0.000 0.008 0.008
#> ERR659004 1 0.3617 0.762 0.860 0.000 0.076 0.064
#> ERR659100 1 0.3617 0.762 0.860 0.000 0.076 0.064
#> ERR659005 1 0.0469 0.903 0.988 0.000 0.000 0.012
#> ERR659101 1 0.0469 0.903 0.988 0.000 0.000 0.012
#> ERR659006 1 0.3533 0.771 0.864 0.000 0.080 0.056
#> ERR659102 1 0.3533 0.771 0.864 0.000 0.080 0.056
#> ERR659007 1 0.0779 0.902 0.980 0.000 0.004 0.016
#> ERR659103 1 0.0779 0.902 0.980 0.000 0.004 0.016
#> ERR659008 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659009 1 0.2021 0.880 0.936 0.000 0.040 0.024
#> ERR659105 1 0.2021 0.880 0.936 0.000 0.040 0.024
#> ERR659010 1 0.2319 0.868 0.924 0.000 0.040 0.036
#> ERR659106 1 0.2319 0.868 0.924 0.000 0.040 0.036
#> ERR659011 1 0.1629 0.896 0.952 0.000 0.024 0.024
#> ERR659107 1 0.1629 0.896 0.952 0.000 0.024 0.024
#> ERR659012 1 0.3474 0.780 0.868 0.000 0.068 0.064
#> ERR659108 1 0.3474 0.780 0.868 0.000 0.068 0.064
#> ERR659013 1 0.5231 -0.209 0.676 0.000 0.028 0.296
#> ERR659109 1 0.5231 -0.209 0.676 0.000 0.028 0.296
#> ERR659014 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659015 1 0.1284 0.898 0.964 0.000 0.012 0.024
#> ERR659111 1 0.1284 0.898 0.964 0.000 0.012 0.024
#> ERR659016 1 0.6214 -0.574 0.576 0.000 0.064 0.360
#> ERR659112 1 0.6214 -0.574 0.576 0.000 0.064 0.360
#> ERR659017 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659018 1 0.0672 0.901 0.984 0.000 0.008 0.008
#> ERR659114 1 0.0672 0.901 0.984 0.000 0.008 0.008
#> ERR659019 1 0.1411 0.898 0.960 0.000 0.020 0.020
#> ERR659115 1 0.1411 0.898 0.960 0.000 0.020 0.020
#> ERR659020 1 0.1004 0.903 0.972 0.000 0.004 0.024
#> ERR659116 1 0.1004 0.903 0.972 0.000 0.004 0.024
#> ERR659021 1 0.0188 0.898 0.996 0.000 0.000 0.004
#> ERR659117 1 0.0188 0.898 0.996 0.000 0.000 0.004
#> ERR659022 1 0.0779 0.902 0.980 0.000 0.004 0.016
#> ERR659118 1 0.0779 0.902 0.980 0.000 0.004 0.016
#> ERR659023 1 0.0937 0.903 0.976 0.000 0.012 0.012
#> ERR659119 1 0.0937 0.903 0.976 0.000 0.012 0.012
#> ERR659024 1 0.1256 0.898 0.964 0.000 0.008 0.028
#> ERR659120 1 0.1256 0.898 0.964 0.000 0.008 0.028
#> ERR659025 1 0.2021 0.866 0.932 0.000 0.012 0.056
#> ERR659121 1 0.2021 0.866 0.932 0.000 0.012 0.056
#> ERR659026 1 0.1833 0.892 0.944 0.000 0.024 0.032
#> ERR659122 1 0.1833 0.892 0.944 0.000 0.024 0.032
#> ERR659027 1 0.4220 0.387 0.748 0.000 0.004 0.248
#> ERR659123 1 0.4220 0.387 0.748 0.000 0.004 0.248
#> ERR659028 1 0.0804 0.903 0.980 0.000 0.008 0.012
#> ERR659124 1 0.0804 0.903 0.980 0.000 0.008 0.012
#> ERR659029 1 0.1182 0.901 0.968 0.000 0.016 0.016
#> ERR659125 1 0.1182 0.901 0.968 0.000 0.016 0.016
#> ERR659030 1 0.0469 0.902 0.988 0.000 0.012 0.000
#> ERR659126 1 0.0469 0.902 0.988 0.000 0.012 0.000
#> ERR659031 1 0.2376 0.847 0.916 0.000 0.016 0.068
#> ERR659127 1 0.2376 0.847 0.916 0.000 0.016 0.068
#> ERR659032 1 0.2494 0.856 0.916 0.000 0.036 0.048
#> ERR659128 1 0.2494 0.856 0.916 0.000 0.036 0.048
#> ERR659033 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659129 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659034 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659035 1 0.1510 0.895 0.956 0.000 0.016 0.028
#> ERR659131 1 0.1510 0.895 0.956 0.000 0.016 0.028
#> ERR659036 1 0.3485 0.711 0.856 0.000 0.028 0.116
#> ERR659132 1 0.3485 0.711 0.856 0.000 0.028 0.116
#> ERR659037 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659133 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659038 1 0.1406 0.898 0.960 0.000 0.016 0.024
#> ERR659134 1 0.1406 0.898 0.960 0.000 0.016 0.024
#> ERR659039 1 0.1297 0.897 0.964 0.000 0.020 0.016
#> ERR659135 1 0.1297 0.897 0.964 0.000 0.020 0.016
#> ERR659040 1 0.1584 0.892 0.952 0.000 0.012 0.036
#> ERR659136 1 0.1584 0.892 0.952 0.000 0.012 0.036
#> ERR659041 1 0.4426 0.484 0.772 0.000 0.024 0.204
#> ERR659137 1 0.4426 0.484 0.772 0.000 0.024 0.204
#> ERR659042 1 0.3653 0.690 0.844 0.000 0.028 0.128
#> ERR659138 1 0.3653 0.690 0.844 0.000 0.028 0.128
#> ERR659043 1 0.1406 0.894 0.960 0.000 0.016 0.024
#> ERR659139 1 0.1406 0.894 0.960 0.000 0.016 0.024
#> ERR659044 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659045 1 0.0672 0.901 0.984 0.000 0.008 0.008
#> ERR659141 1 0.0672 0.901 0.984 0.000 0.008 0.008
#> ERR659046 1 0.0657 0.902 0.984 0.000 0.004 0.012
#> ERR659142 1 0.0657 0.902 0.984 0.000 0.004 0.012
#> ERR659047 1 0.0336 0.900 0.992 0.000 0.000 0.008
#> ERR659143 1 0.0336 0.900 0.992 0.000 0.000 0.008
#> ERR659048 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659144 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659049 1 0.3335 0.725 0.856 0.000 0.016 0.128
#> ERR659145 1 0.3335 0.725 0.856 0.000 0.016 0.128
#> ERR659050 1 0.1635 0.891 0.948 0.000 0.008 0.044
#> ERR659146 1 0.1635 0.891 0.948 0.000 0.008 0.044
#> ERR659051 3 0.3400 1.000 0.000 0.180 0.820 0.000
#> ERR659147 3 0.3400 1.000 0.000 0.180 0.820 0.000
#> ERR659052 1 0.2408 0.867 0.920 0.000 0.044 0.036
#> ERR659148 1 0.2408 0.867 0.920 0.000 0.044 0.036
#> ERR659053 1 0.0336 0.899 0.992 0.000 0.000 0.008
#> ERR659149 1 0.0336 0.899 0.992 0.000 0.000 0.008
#> ERR659054 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659055 1 0.1182 0.898 0.968 0.000 0.016 0.016
#> ERR659151 1 0.1182 0.898 0.968 0.000 0.016 0.016
#> ERR659056 1 0.4313 0.333 0.736 0.000 0.004 0.260
#> ERR659152 1 0.4313 0.333 0.736 0.000 0.004 0.260
#> ERR659057 1 0.1042 0.903 0.972 0.000 0.008 0.020
#> ERR659153 1 0.1042 0.903 0.972 0.000 0.008 0.020
#> ERR659058 1 0.1406 0.898 0.960 0.000 0.016 0.024
#> ERR659154 1 0.1406 0.898 0.960 0.000 0.016 0.024
#> ERR659059 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659155 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659060 1 0.0927 0.901 0.976 0.000 0.008 0.016
#> ERR659156 1 0.0927 0.901 0.976 0.000 0.008 0.016
#> ERR659061 1 0.1059 0.903 0.972 0.000 0.012 0.016
#> ERR659157 1 0.1059 0.903 0.972 0.000 0.012 0.016
#> ERR659062 1 0.1256 0.903 0.964 0.000 0.008 0.028
#> ERR659158 1 0.1256 0.903 0.964 0.000 0.008 0.028
#> ERR659063 1 0.0779 0.900 0.980 0.000 0.004 0.016
#> ERR659159 1 0.0779 0.900 0.980 0.000 0.004 0.016
#> ERR659064 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659160 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659065 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659066 1 0.1733 0.889 0.948 0.000 0.028 0.024
#> ERR659162 1 0.1733 0.889 0.948 0.000 0.028 0.024
#> ERR659067 1 0.1059 0.900 0.972 0.000 0.012 0.016
#> ERR659163 1 0.1059 0.900 0.972 0.000 0.012 0.016
#> ERR659068 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659069 1 0.1624 0.897 0.952 0.000 0.020 0.028
#> ERR659165 1 0.1624 0.897 0.952 0.000 0.020 0.028
#> ERR659070 1 0.0592 0.901 0.984 0.000 0.000 0.016
#> ERR659166 1 0.0592 0.901 0.984 0.000 0.000 0.016
#> ERR659071 1 0.0927 0.903 0.976 0.000 0.016 0.008
#> ERR659167 1 0.0927 0.903 0.976 0.000 0.016 0.008
#> ERR659072 1 0.1411 0.896 0.960 0.000 0.020 0.020
#> ERR659168 1 0.1411 0.896 0.960 0.000 0.020 0.020
#> ERR659073 1 0.0524 0.902 0.988 0.000 0.008 0.004
#> ERR659169 1 0.0524 0.902 0.988 0.000 0.008 0.004
#> ERR659074 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659075 2 0.4643 0.409 0.000 0.656 0.000 0.344
#> ERR659171 2 0.4643 0.409 0.000 0.656 0.000 0.344
#> ERR659076 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659077 1 0.1151 0.903 0.968 0.000 0.008 0.024
#> ERR659173 1 0.1151 0.903 0.968 0.000 0.008 0.024
#> ERR659078 1 0.0804 0.903 0.980 0.000 0.008 0.012
#> ERR659174 1 0.0804 0.903 0.980 0.000 0.008 0.012
#> ERR659079 1 0.0927 0.902 0.976 0.000 0.008 0.016
#> ERR659175 1 0.0927 0.902 0.976 0.000 0.008 0.016
#> ERR659080 1 0.4482 0.300 0.728 0.000 0.008 0.264
#> ERR659176 1 0.4482 0.300 0.728 0.000 0.008 0.264
#> ERR659081 1 0.0188 0.900 0.996 0.000 0.004 0.000
#> ERR659177 1 0.0188 0.900 0.996 0.000 0.004 0.000
#> ERR659082 1 0.0188 0.901 0.996 0.000 0.004 0.000
#> ERR659178 1 0.0188 0.901 0.996 0.000 0.004 0.000
#> ERR659083 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 0.967 0.000 1.000 0.000 0.000
#> ERR659085 1 0.0524 0.902 0.988 0.000 0.004 0.008
#> ERR659181 1 0.0524 0.902 0.988 0.000 0.004 0.008
#> ERR659086 1 0.0469 0.901 0.988 0.000 0.000 0.012
#> ERR659182 1 0.0469 0.901 0.988 0.000 0.000 0.012
#> ERR659087 1 0.1724 0.891 0.948 0.000 0.032 0.020
#> ERR659183 1 0.1724 0.891 0.948 0.000 0.032 0.020
#> ERR659088 1 0.4877 0.431 0.752 0.000 0.044 0.204
#> ERR659184 1 0.4877 0.431 0.752 0.000 0.044 0.204
#> ERR659089 1 0.1209 0.900 0.964 0.000 0.004 0.032
#> ERR659185 1 0.1209 0.900 0.964 0.000 0.004 0.032
#> ERR659090 1 0.1510 0.899 0.956 0.000 0.016 0.028
#> ERR659186 1 0.1510 0.899 0.956 0.000 0.016 0.028
#> ERR659091 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659187 1 0.0524 0.901 0.988 0.000 0.004 0.008
#> ERR659092 1 0.0804 0.902 0.980 0.000 0.008 0.012
#> ERR659188 1 0.0804 0.902 0.980 0.000 0.008 0.012
#> ERR659093 1 0.0188 0.898 0.996 0.000 0.000 0.004
#> ERR659189 1 0.0188 0.898 0.996 0.000 0.000 0.004
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.5777 0.6672 0.360 0.032 0.572 0.032 0.004
#> ERR467498 3 0.5777 0.6672 0.360 0.032 0.572 0.032 0.004
#> ERR658998 1 0.1682 0.9199 0.944 0.000 0.032 0.012 0.012
#> ERR659094 1 0.1682 0.9199 0.944 0.000 0.032 0.012 0.012
#> ERR658999 1 0.1267 0.9207 0.960 0.000 0.024 0.012 0.004
#> ERR659095 1 0.1267 0.9207 0.960 0.000 0.024 0.012 0.004
#> ERR659000 5 0.6387 1.0000 0.248 0.000 0.236 0.000 0.516
#> ERR659096 5 0.6387 1.0000 0.248 0.000 0.236 0.000 0.516
#> ERR659001 1 0.0992 0.9223 0.968 0.000 0.024 0.008 0.000
#> ERR659097 1 0.0992 0.9223 0.968 0.000 0.024 0.008 0.000
#> ERR659002 1 0.1369 0.9161 0.956 0.000 0.028 0.008 0.008
#> ERR659098 1 0.1369 0.9161 0.956 0.000 0.028 0.008 0.008
#> ERR659003 1 0.1168 0.9258 0.960 0.000 0.032 0.008 0.000
#> ERR659099 1 0.1168 0.9258 0.960 0.000 0.032 0.008 0.000
#> ERR659004 1 0.4442 0.7043 0.784 0.000 0.116 0.084 0.016
#> ERR659100 1 0.4442 0.7043 0.784 0.000 0.116 0.084 0.016
#> ERR659005 1 0.1012 0.9246 0.968 0.000 0.020 0.012 0.000
#> ERR659101 1 0.1012 0.9246 0.968 0.000 0.020 0.012 0.000
#> ERR659006 1 0.4400 0.7136 0.788 0.000 0.108 0.088 0.016
#> ERR659102 1 0.4400 0.7136 0.788 0.000 0.108 0.088 0.016
#> ERR659007 1 0.0992 0.9223 0.968 0.000 0.024 0.008 0.000
#> ERR659103 1 0.0992 0.9223 0.968 0.000 0.024 0.008 0.000
#> ERR659008 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659009 1 0.2409 0.8914 0.908 0.000 0.056 0.028 0.008
#> ERR659105 1 0.2409 0.8914 0.908 0.000 0.056 0.028 0.008
#> ERR659010 1 0.2554 0.8875 0.892 0.000 0.072 0.036 0.000
#> ERR659106 1 0.2554 0.8875 0.892 0.000 0.072 0.036 0.000
#> ERR659011 1 0.1965 0.9079 0.924 0.000 0.052 0.024 0.000
#> ERR659107 1 0.1965 0.9079 0.924 0.000 0.052 0.024 0.000
#> ERR659012 1 0.4179 0.7372 0.800 0.000 0.112 0.076 0.012
#> ERR659108 1 0.4179 0.7372 0.800 0.000 0.112 0.076 0.012
#> ERR659013 1 0.5997 -0.0906 0.588 0.000 0.108 0.012 0.292
#> ERR659109 1 0.5997 -0.0906 0.588 0.000 0.108 0.012 0.292
#> ERR659014 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.1405 0.9208 0.956 0.000 0.020 0.016 0.008
#> ERR659111 1 0.1405 0.9208 0.956 0.000 0.020 0.016 0.008
#> ERR659016 3 0.5941 -0.2843 0.124 0.000 0.664 0.036 0.176
#> ERR659112 3 0.5941 -0.2843 0.124 0.000 0.664 0.036 0.176
#> ERR659017 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.0898 0.9218 0.972 0.000 0.020 0.008 0.000
#> ERR659114 1 0.0898 0.9218 0.972 0.000 0.020 0.008 0.000
#> ERR659019 1 0.1469 0.9192 0.948 0.000 0.036 0.016 0.000
#> ERR659115 1 0.1469 0.9192 0.948 0.000 0.036 0.016 0.000
#> ERR659020 1 0.1168 0.9232 0.960 0.000 0.032 0.008 0.000
#> ERR659116 1 0.1168 0.9232 0.960 0.000 0.032 0.008 0.000
#> ERR659021 1 0.0566 0.9217 0.984 0.000 0.012 0.004 0.000
#> ERR659117 1 0.0566 0.9217 0.984 0.000 0.012 0.004 0.000
#> ERR659022 1 0.1281 0.9222 0.956 0.000 0.032 0.012 0.000
#> ERR659118 1 0.1281 0.9222 0.956 0.000 0.032 0.012 0.000
#> ERR659023 1 0.1195 0.9211 0.960 0.000 0.028 0.012 0.000
#> ERR659119 1 0.1195 0.9211 0.960 0.000 0.028 0.012 0.000
#> ERR659024 1 0.1498 0.9194 0.952 0.000 0.024 0.016 0.008
#> ERR659120 1 0.1498 0.9194 0.952 0.000 0.024 0.016 0.008
#> ERR659025 1 0.2403 0.8780 0.904 0.000 0.072 0.012 0.012
#> ERR659121 1 0.2403 0.8780 0.904 0.000 0.072 0.012 0.012
#> ERR659026 1 0.1934 0.9127 0.932 0.000 0.040 0.020 0.008
#> ERR659122 1 0.1934 0.9127 0.932 0.000 0.040 0.020 0.008
#> ERR659027 3 0.4781 0.6865 0.388 0.000 0.592 0.008 0.012
#> ERR659123 3 0.4781 0.6865 0.388 0.000 0.592 0.008 0.012
#> ERR659028 1 0.0912 0.9238 0.972 0.000 0.012 0.016 0.000
#> ERR659124 1 0.0912 0.9238 0.972 0.000 0.012 0.016 0.000
#> ERR659029 1 0.1690 0.9141 0.944 0.000 0.024 0.024 0.008
#> ERR659125 1 0.1690 0.9141 0.944 0.000 0.024 0.024 0.008
#> ERR659030 1 0.0727 0.9243 0.980 0.000 0.004 0.012 0.004
#> ERR659126 1 0.0727 0.9243 0.980 0.000 0.004 0.012 0.004
#> ERR659031 1 0.2630 0.8624 0.892 0.000 0.080 0.016 0.012
#> ERR659127 1 0.2630 0.8624 0.892 0.000 0.080 0.016 0.012
#> ERR659032 1 0.2875 0.8729 0.888 0.000 0.060 0.032 0.020
#> ERR659128 1 0.2875 0.8729 0.888 0.000 0.060 0.032 0.020
#> ERR659033 1 0.0833 0.9246 0.976 0.000 0.016 0.004 0.004
#> ERR659129 1 0.0833 0.9246 0.976 0.000 0.016 0.004 0.004
#> ERR659034 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659035 1 0.1756 0.9152 0.940 0.000 0.036 0.016 0.008
#> ERR659131 1 0.1756 0.9152 0.940 0.000 0.036 0.016 0.008
#> ERR659036 1 0.4493 0.2767 0.700 0.000 0.272 0.016 0.012
#> ERR659132 1 0.4493 0.2767 0.700 0.000 0.272 0.016 0.012
#> ERR659037 1 0.0771 0.9230 0.976 0.000 0.020 0.004 0.000
#> ERR659133 1 0.0771 0.9230 0.976 0.000 0.020 0.004 0.000
#> ERR659038 1 0.1525 0.9184 0.948 0.000 0.036 0.012 0.004
#> ERR659134 1 0.1525 0.9184 0.948 0.000 0.036 0.012 0.004
#> ERR659039 1 0.1461 0.9195 0.952 0.000 0.028 0.016 0.004
#> ERR659135 1 0.1461 0.9195 0.952 0.000 0.028 0.016 0.004
#> ERR659040 1 0.2124 0.9048 0.924 0.000 0.044 0.020 0.012
#> ERR659136 1 0.2124 0.9048 0.924 0.000 0.044 0.020 0.012
#> ERR659041 3 0.4731 0.5758 0.456 0.000 0.528 0.000 0.016
#> ERR659137 3 0.4731 0.5758 0.456 0.000 0.528 0.000 0.016
#> ERR659042 1 0.4774 0.0135 0.644 0.000 0.328 0.012 0.016
#> ERR659138 1 0.4774 0.0135 0.644 0.000 0.328 0.012 0.016
#> ERR659043 1 0.1913 0.8987 0.932 0.000 0.044 0.016 0.008
#> ERR659139 1 0.1913 0.8987 0.932 0.000 0.044 0.016 0.008
#> ERR659044 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659045 1 0.0613 0.9233 0.984 0.000 0.008 0.004 0.004
#> ERR659141 1 0.0613 0.9233 0.984 0.000 0.008 0.004 0.004
#> ERR659046 1 0.0566 0.9227 0.984 0.000 0.012 0.004 0.000
#> ERR659142 1 0.0566 0.9227 0.984 0.000 0.012 0.004 0.000
#> ERR659047 1 0.0693 0.9209 0.980 0.000 0.012 0.008 0.000
#> ERR659143 1 0.0693 0.9209 0.980 0.000 0.012 0.008 0.000
#> ERR659048 1 0.0693 0.9217 0.980 0.000 0.012 0.008 0.000
#> ERR659144 1 0.0693 0.9217 0.980 0.000 0.012 0.008 0.000
#> ERR659049 1 0.4394 0.5653 0.756 0.000 0.196 0.016 0.032
#> ERR659145 1 0.4394 0.5653 0.756 0.000 0.196 0.016 0.032
#> ERR659050 1 0.2347 0.8958 0.912 0.000 0.056 0.016 0.016
#> ERR659146 1 0.2347 0.8958 0.912 0.000 0.056 0.016 0.016
#> ERR659051 4 0.2424 1.0000 0.000 0.132 0.000 0.868 0.000
#> ERR659147 4 0.2424 1.0000 0.000 0.132 0.000 0.868 0.000
#> ERR659052 1 0.2822 0.8800 0.888 0.000 0.064 0.036 0.012
#> ERR659148 1 0.2822 0.8800 0.888 0.000 0.064 0.036 0.012
#> ERR659053 1 0.0693 0.9209 0.980 0.000 0.012 0.008 0.000
#> ERR659149 1 0.0693 0.9209 0.980 0.000 0.012 0.008 0.000
#> ERR659054 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659055 1 0.1267 0.9202 0.960 0.000 0.024 0.012 0.004
#> ERR659151 1 0.1267 0.9202 0.960 0.000 0.024 0.012 0.004
#> ERR659056 3 0.4211 0.7018 0.360 0.000 0.636 0.000 0.004
#> ERR659152 3 0.4211 0.7018 0.360 0.000 0.636 0.000 0.004
#> ERR659057 1 0.1195 0.9252 0.960 0.000 0.028 0.012 0.000
#> ERR659153 1 0.1195 0.9252 0.960 0.000 0.028 0.012 0.000
#> ERR659058 1 0.1525 0.9184 0.948 0.000 0.036 0.012 0.004
#> ERR659154 1 0.1525 0.9184 0.948 0.000 0.036 0.012 0.004
#> ERR659059 1 0.0566 0.9223 0.984 0.000 0.012 0.004 0.000
#> ERR659155 1 0.0566 0.9223 0.984 0.000 0.012 0.004 0.000
#> ERR659060 1 0.1356 0.9202 0.956 0.000 0.028 0.004 0.012
#> ERR659156 1 0.1356 0.9202 0.956 0.000 0.028 0.004 0.012
#> ERR659061 1 0.1153 0.9253 0.964 0.000 0.024 0.004 0.008
#> ERR659157 1 0.1153 0.9253 0.964 0.000 0.024 0.004 0.008
#> ERR659062 1 0.1569 0.9224 0.944 0.000 0.044 0.004 0.008
#> ERR659158 1 0.1569 0.9224 0.944 0.000 0.044 0.004 0.008
#> ERR659063 1 0.1153 0.9184 0.964 0.000 0.024 0.008 0.004
#> ERR659159 1 0.1153 0.9184 0.964 0.000 0.024 0.008 0.004
#> ERR659064 1 0.0671 0.9227 0.980 0.000 0.016 0.004 0.000
#> ERR659160 1 0.0671 0.9227 0.980 0.000 0.016 0.004 0.000
#> ERR659065 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659066 1 0.2104 0.9073 0.916 0.000 0.060 0.024 0.000
#> ERR659162 1 0.2104 0.9073 0.916 0.000 0.060 0.024 0.000
#> ERR659067 1 0.1267 0.9207 0.960 0.000 0.024 0.012 0.004
#> ERR659163 1 0.1267 0.9207 0.960 0.000 0.024 0.012 0.004
#> ERR659068 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659069 1 0.1731 0.9168 0.940 0.000 0.040 0.012 0.008
#> ERR659165 1 0.1731 0.9168 0.940 0.000 0.040 0.012 0.008
#> ERR659070 1 0.1124 0.9228 0.960 0.000 0.036 0.000 0.004
#> ERR659166 1 0.1124 0.9228 0.960 0.000 0.036 0.000 0.004
#> ERR659071 1 0.1153 0.9234 0.964 0.000 0.008 0.024 0.004
#> ERR659167 1 0.1153 0.9234 0.964 0.000 0.008 0.024 0.004
#> ERR659072 1 0.1626 0.9172 0.940 0.000 0.044 0.016 0.000
#> ERR659168 1 0.1626 0.9172 0.940 0.000 0.044 0.016 0.000
#> ERR659073 1 0.0771 0.9241 0.976 0.000 0.020 0.004 0.000
#> ERR659169 1 0.0771 0.9241 0.976 0.000 0.020 0.004 0.000
#> ERR659074 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659075 2 0.4321 0.3192 0.000 0.600 0.004 0.000 0.396
#> ERR659171 2 0.4321 0.3192 0.000 0.600 0.004 0.000 0.396
#> ERR659076 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659077 1 0.1588 0.9214 0.948 0.000 0.028 0.016 0.008
#> ERR659173 1 0.1588 0.9214 0.948 0.000 0.028 0.016 0.008
#> ERR659078 1 0.1082 0.9247 0.964 0.000 0.028 0.008 0.000
#> ERR659174 1 0.1082 0.9247 0.964 0.000 0.028 0.008 0.000
#> ERR659079 1 0.1299 0.9229 0.960 0.000 0.020 0.012 0.008
#> ERR659175 1 0.1299 0.9229 0.960 0.000 0.020 0.012 0.008
#> ERR659080 3 0.4341 0.7016 0.364 0.000 0.628 0.000 0.008
#> ERR659176 3 0.4341 0.7016 0.364 0.000 0.628 0.000 0.008
#> ERR659081 1 0.0693 0.9222 0.980 0.000 0.012 0.008 0.000
#> ERR659177 1 0.0693 0.9222 0.980 0.000 0.012 0.008 0.000
#> ERR659082 1 0.0566 0.9233 0.984 0.000 0.012 0.004 0.000
#> ERR659178 1 0.0566 0.9233 0.984 0.000 0.012 0.004 0.000
#> ERR659083 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.9635 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.0898 0.9238 0.972 0.000 0.020 0.008 0.000
#> ERR659181 1 0.0898 0.9238 0.972 0.000 0.020 0.008 0.000
#> ERR659086 1 0.0609 0.9240 0.980 0.000 0.020 0.000 0.000
#> ERR659182 1 0.0609 0.9240 0.980 0.000 0.020 0.000 0.000
#> ERR659087 1 0.2270 0.8995 0.916 0.000 0.052 0.020 0.012
#> ERR659183 1 0.2270 0.8995 0.916 0.000 0.052 0.020 0.012
#> ERR659088 3 0.5243 0.6176 0.352 0.000 0.596 0.048 0.004
#> ERR659184 3 0.5243 0.6176 0.352 0.000 0.596 0.048 0.004
#> ERR659089 1 0.2026 0.9107 0.928 0.000 0.044 0.012 0.016
#> ERR659185 1 0.2026 0.9107 0.928 0.000 0.044 0.012 0.016
#> ERR659090 1 0.1960 0.9128 0.928 0.000 0.048 0.020 0.004
#> ERR659186 1 0.1960 0.9128 0.928 0.000 0.048 0.020 0.004
#> ERR659091 1 0.0671 0.9227 0.980 0.000 0.016 0.004 0.000
#> ERR659187 1 0.0671 0.9227 0.980 0.000 0.016 0.004 0.000
#> ERR659092 1 0.0981 0.9239 0.972 0.000 0.012 0.008 0.008
#> ERR659188 1 0.0981 0.9239 0.972 0.000 0.012 0.008 0.008
#> ERR659093 1 0.0566 0.9217 0.984 0.000 0.012 0.004 0.000
#> ERR659189 1 0.0566 0.9217 0.984 0.000 0.012 0.004 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.4999 0.7892 0.216 0.008 0.048 0.696 0.008 0.024
#> ERR467498 4 0.4999 0.7892 0.216 0.008 0.048 0.696 0.008 0.024
#> ERR658998 1 0.1764 0.9204 0.936 0.000 0.004 0.024 0.012 0.024
#> ERR659094 1 0.1764 0.9204 0.936 0.000 0.004 0.024 0.012 0.024
#> ERR658999 1 0.1439 0.9184 0.952 0.000 0.008 0.012 0.016 0.012
#> ERR659095 1 0.1439 0.9184 0.952 0.000 0.008 0.012 0.016 0.012
#> ERR659000 5 0.4801 1.0000 0.156 0.000 0.000 0.052 0.724 0.068
#> ERR659096 5 0.4801 1.0000 0.156 0.000 0.000 0.052 0.724 0.068
#> ERR659001 1 0.1167 0.9208 0.960 0.000 0.000 0.012 0.008 0.020
#> ERR659097 1 0.1167 0.9208 0.960 0.000 0.000 0.012 0.008 0.020
#> ERR659002 1 0.1434 0.9161 0.948 0.000 0.000 0.024 0.020 0.008
#> ERR659098 1 0.1434 0.9161 0.948 0.000 0.000 0.024 0.020 0.008
#> ERR659003 1 0.1275 0.9242 0.956 0.000 0.000 0.016 0.016 0.012
#> ERR659099 1 0.1275 0.9242 0.956 0.000 0.000 0.016 0.016 0.012
#> ERR659004 1 0.5469 0.6518 0.716 0.000 0.060 0.100 0.048 0.076
#> ERR659100 1 0.5469 0.6518 0.716 0.000 0.060 0.100 0.048 0.076
#> ERR659005 1 0.0976 0.9234 0.968 0.000 0.000 0.016 0.008 0.008
#> ERR659101 1 0.0976 0.9234 0.968 0.000 0.000 0.016 0.008 0.008
#> ERR659006 1 0.5434 0.6604 0.720 0.000 0.064 0.092 0.048 0.076
#> ERR659102 1 0.5434 0.6604 0.720 0.000 0.064 0.092 0.048 0.076
#> ERR659007 1 0.1167 0.9208 0.960 0.000 0.000 0.012 0.008 0.020
#> ERR659103 1 0.1167 0.9208 0.960 0.000 0.000 0.012 0.008 0.020
#> ERR659008 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 1 0.2918 0.8777 0.880 0.000 0.012 0.044 0.036 0.028
#> ERR659105 1 0.2918 0.8777 0.880 0.000 0.012 0.044 0.036 0.028
#> ERR659010 1 0.3141 0.8768 0.868 0.000 0.028 0.056 0.020 0.028
#> ERR659106 1 0.3141 0.8768 0.868 0.000 0.028 0.056 0.020 0.028
#> ERR659011 1 0.2545 0.8997 0.900 0.000 0.016 0.028 0.016 0.040
#> ERR659107 1 0.2545 0.8997 0.900 0.000 0.016 0.028 0.016 0.040
#> ERR659012 1 0.5153 0.6908 0.736 0.000 0.048 0.100 0.036 0.080
#> ERR659108 1 0.5153 0.6908 0.736 0.000 0.048 0.100 0.036 0.080
#> ERR659013 1 0.5382 0.1033 0.560 0.000 0.000 0.068 0.348 0.024
#> ERR659109 1 0.5382 0.1033 0.560 0.000 0.000 0.068 0.348 0.024
#> ERR659014 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.1262 0.9208 0.956 0.000 0.000 0.016 0.020 0.008
#> ERR659111 1 0.1262 0.9208 0.956 0.000 0.000 0.016 0.020 0.008
#> ERR659016 6 0.3385 1.0000 0.032 0.000 0.000 0.180 0.000 0.788
#> ERR659112 6 0.3385 1.0000 0.032 0.000 0.000 0.180 0.000 0.788
#> ERR659017 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.1026 0.9205 0.968 0.000 0.004 0.008 0.008 0.012
#> ERR659114 1 0.1026 0.9205 0.968 0.000 0.004 0.008 0.008 0.012
#> ERR659019 1 0.1957 0.9133 0.928 0.000 0.008 0.024 0.012 0.028
#> ERR659115 1 0.1957 0.9133 0.928 0.000 0.008 0.024 0.012 0.028
#> ERR659020 1 0.1344 0.9220 0.956 0.000 0.008 0.012 0.012 0.012
#> ERR659116 1 0.1344 0.9220 0.956 0.000 0.008 0.012 0.012 0.012
#> ERR659021 1 0.0665 0.9206 0.980 0.000 0.000 0.008 0.008 0.004
#> ERR659117 1 0.0665 0.9206 0.980 0.000 0.000 0.008 0.008 0.004
#> ERR659022 1 0.1503 0.9184 0.944 0.000 0.000 0.032 0.008 0.016
#> ERR659118 1 0.1503 0.9184 0.944 0.000 0.000 0.032 0.008 0.016
#> ERR659023 1 0.1218 0.9198 0.956 0.000 0.000 0.028 0.012 0.004
#> ERR659119 1 0.1218 0.9198 0.956 0.000 0.000 0.028 0.012 0.004
#> ERR659024 1 0.1520 0.9192 0.948 0.000 0.008 0.016 0.020 0.008
#> ERR659120 1 0.1520 0.9192 0.948 0.000 0.008 0.016 0.020 0.008
#> ERR659025 1 0.2432 0.8814 0.892 0.000 0.000 0.072 0.020 0.016
#> ERR659121 1 0.2432 0.8814 0.892 0.000 0.000 0.072 0.020 0.016
#> ERR659026 1 0.2280 0.9070 0.912 0.000 0.008 0.036 0.028 0.016
#> ERR659122 1 0.2280 0.9070 0.912 0.000 0.008 0.036 0.028 0.016
#> ERR659027 4 0.4722 0.7832 0.236 0.000 0.000 0.676 0.008 0.080
#> ERR659123 4 0.4722 0.7832 0.236 0.000 0.000 0.676 0.008 0.080
#> ERR659028 1 0.0924 0.9223 0.972 0.000 0.004 0.008 0.008 0.008
#> ERR659124 1 0.0924 0.9223 0.972 0.000 0.004 0.008 0.008 0.008
#> ERR659029 1 0.1760 0.9139 0.936 0.000 0.004 0.028 0.020 0.012
#> ERR659125 1 0.1760 0.9139 0.936 0.000 0.004 0.028 0.020 0.012
#> ERR659030 1 0.0798 0.9225 0.976 0.000 0.004 0.004 0.012 0.004
#> ERR659126 1 0.0798 0.9225 0.976 0.000 0.004 0.004 0.012 0.004
#> ERR659031 1 0.2719 0.8662 0.880 0.000 0.004 0.072 0.012 0.032
#> ERR659127 1 0.2719 0.8662 0.880 0.000 0.004 0.072 0.012 0.032
#> ERR659032 1 0.3066 0.8736 0.872 0.000 0.012 0.044 0.036 0.036
#> ERR659128 1 0.3066 0.8736 0.872 0.000 0.012 0.044 0.036 0.036
#> ERR659033 1 0.0984 0.9239 0.968 0.000 0.000 0.012 0.008 0.012
#> ERR659129 1 0.0984 0.9239 0.968 0.000 0.000 0.012 0.008 0.012
#> ERR659034 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 1 0.1811 0.9165 0.936 0.000 0.012 0.020 0.012 0.020
#> ERR659131 1 0.1811 0.9165 0.936 0.000 0.012 0.020 0.012 0.020
#> ERR659036 1 0.4979 0.2094 0.628 0.000 0.000 0.296 0.020 0.056
#> ERR659132 1 0.4979 0.2094 0.628 0.000 0.000 0.296 0.020 0.056
#> ERR659037 1 0.0837 0.9228 0.972 0.000 0.000 0.020 0.004 0.004
#> ERR659133 1 0.0837 0.9228 0.972 0.000 0.000 0.020 0.004 0.004
#> ERR659038 1 0.1710 0.9177 0.940 0.000 0.008 0.020 0.020 0.012
#> ERR659134 1 0.1710 0.9177 0.940 0.000 0.008 0.020 0.020 0.012
#> ERR659039 1 0.1621 0.9181 0.944 0.000 0.008 0.012 0.016 0.020
#> ERR659135 1 0.1621 0.9181 0.944 0.000 0.008 0.012 0.016 0.020
#> ERR659040 1 0.2183 0.9033 0.912 0.000 0.000 0.040 0.028 0.020
#> ERR659136 1 0.2183 0.9033 0.912 0.000 0.000 0.040 0.028 0.020
#> ERR659041 4 0.4908 0.7023 0.288 0.000 0.000 0.640 0.024 0.048
#> ERR659137 4 0.4908 0.7023 0.288 0.000 0.000 0.640 0.024 0.048
#> ERR659042 1 0.5486 -0.0489 0.568 0.000 0.000 0.328 0.028 0.076
#> ERR659138 1 0.5486 -0.0489 0.568 0.000 0.000 0.328 0.028 0.076
#> ERR659043 1 0.2095 0.8973 0.916 0.000 0.000 0.040 0.028 0.016
#> ERR659139 1 0.2095 0.8973 0.916 0.000 0.000 0.040 0.028 0.016
#> ERR659044 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.0665 0.9217 0.980 0.000 0.008 0.000 0.004 0.008
#> ERR659141 1 0.0665 0.9217 0.980 0.000 0.008 0.000 0.004 0.008
#> ERR659046 1 0.0665 0.9215 0.980 0.000 0.000 0.004 0.008 0.008
#> ERR659142 1 0.0665 0.9215 0.980 0.000 0.000 0.004 0.008 0.008
#> ERR659047 1 0.0767 0.9197 0.976 0.000 0.000 0.012 0.008 0.004
#> ERR659143 1 0.0767 0.9197 0.976 0.000 0.000 0.012 0.008 0.004
#> ERR659048 1 0.0622 0.9199 0.980 0.000 0.000 0.012 0.008 0.000
#> ERR659144 1 0.0622 0.9199 0.980 0.000 0.000 0.012 0.008 0.000
#> ERR659049 1 0.4918 0.5621 0.708 0.000 0.008 0.164 0.016 0.104
#> ERR659145 1 0.4918 0.5621 0.708 0.000 0.008 0.164 0.016 0.104
#> ERR659050 1 0.2541 0.8899 0.892 0.000 0.000 0.052 0.032 0.024
#> ERR659146 1 0.2541 0.8899 0.892 0.000 0.000 0.052 0.032 0.024
#> ERR659051 3 0.1327 1.0000 0.000 0.064 0.936 0.000 0.000 0.000
#> ERR659147 3 0.1327 1.0000 0.000 0.064 0.936 0.000 0.000 0.000
#> ERR659052 1 0.3111 0.8808 0.872 0.000 0.036 0.040 0.024 0.028
#> ERR659148 1 0.3111 0.8808 0.872 0.000 0.036 0.040 0.024 0.028
#> ERR659053 1 0.0665 0.9193 0.980 0.000 0.000 0.008 0.008 0.004
#> ERR659149 1 0.0665 0.9193 0.980 0.000 0.000 0.008 0.008 0.004
#> ERR659054 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.1312 0.9200 0.956 0.000 0.008 0.004 0.020 0.012
#> ERR659151 1 0.1312 0.9200 0.956 0.000 0.008 0.004 0.020 0.012
#> ERR659056 4 0.2871 0.7994 0.192 0.000 0.000 0.804 0.000 0.004
#> ERR659152 4 0.2871 0.7994 0.192 0.000 0.000 0.804 0.000 0.004
#> ERR659057 1 0.1167 0.9239 0.960 0.000 0.000 0.012 0.008 0.020
#> ERR659153 1 0.1167 0.9239 0.960 0.000 0.000 0.012 0.008 0.020
#> ERR659058 1 0.1710 0.9175 0.940 0.000 0.008 0.020 0.020 0.012
#> ERR659154 1 0.1710 0.9175 0.940 0.000 0.008 0.020 0.020 0.012
#> ERR659059 1 0.0665 0.9219 0.980 0.000 0.000 0.004 0.008 0.008
#> ERR659155 1 0.0665 0.9219 0.980 0.000 0.000 0.004 0.008 0.008
#> ERR659060 1 0.1448 0.9188 0.948 0.000 0.000 0.024 0.012 0.016
#> ERR659156 1 0.1448 0.9188 0.948 0.000 0.000 0.024 0.012 0.016
#> ERR659061 1 0.1086 0.9245 0.964 0.000 0.000 0.012 0.012 0.012
#> ERR659157 1 0.1086 0.9245 0.964 0.000 0.000 0.012 0.012 0.012
#> ERR659062 1 0.1710 0.9228 0.940 0.000 0.008 0.020 0.012 0.020
#> ERR659158 1 0.1710 0.9228 0.940 0.000 0.008 0.020 0.012 0.020
#> ERR659063 1 0.1251 0.9175 0.956 0.000 0.000 0.024 0.012 0.008
#> ERR659159 1 0.1251 0.9175 0.956 0.000 0.000 0.024 0.012 0.008
#> ERR659064 1 0.0665 0.9214 0.980 0.000 0.000 0.004 0.008 0.008
#> ERR659160 1 0.0665 0.9214 0.980 0.000 0.000 0.004 0.008 0.008
#> ERR659065 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 1 0.2802 0.8969 0.888 0.000 0.024 0.040 0.020 0.028
#> ERR659162 1 0.2802 0.8969 0.888 0.000 0.024 0.040 0.020 0.028
#> ERR659067 1 0.1439 0.9184 0.952 0.000 0.008 0.012 0.016 0.012
#> ERR659163 1 0.1439 0.9184 0.952 0.000 0.008 0.012 0.016 0.012
#> ERR659068 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 1 0.2014 0.9122 0.924 0.000 0.004 0.032 0.024 0.016
#> ERR659165 1 0.2014 0.9122 0.924 0.000 0.004 0.032 0.024 0.016
#> ERR659070 1 0.1321 0.9208 0.952 0.000 0.000 0.024 0.020 0.004
#> ERR659166 1 0.1321 0.9208 0.952 0.000 0.000 0.024 0.020 0.004
#> ERR659071 1 0.1325 0.9212 0.956 0.000 0.004 0.012 0.016 0.012
#> ERR659167 1 0.1325 0.9212 0.956 0.000 0.004 0.012 0.016 0.012
#> ERR659072 1 0.2057 0.9125 0.924 0.000 0.016 0.032 0.016 0.012
#> ERR659168 1 0.2057 0.9125 0.924 0.000 0.016 0.032 0.016 0.012
#> ERR659073 1 0.0951 0.9240 0.968 0.000 0.004 0.020 0.000 0.008
#> ERR659169 1 0.0951 0.9240 0.968 0.000 0.004 0.020 0.000 0.008
#> ERR659074 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.6004 0.3930 0.000 0.600 0.000 0.084 0.216 0.100
#> ERR659171 2 0.6004 0.3930 0.000 0.600 0.000 0.084 0.216 0.100
#> ERR659076 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 1 0.1804 0.9189 0.936 0.000 0.008 0.020 0.020 0.016
#> ERR659173 1 0.1804 0.9189 0.936 0.000 0.008 0.020 0.020 0.016
#> ERR659078 1 0.1325 0.9233 0.956 0.000 0.004 0.016 0.012 0.012
#> ERR659174 1 0.1325 0.9233 0.956 0.000 0.004 0.016 0.012 0.012
#> ERR659079 1 0.1325 0.9217 0.956 0.000 0.004 0.012 0.012 0.016
#> ERR659175 1 0.1325 0.9217 0.956 0.000 0.004 0.012 0.012 0.016
#> ERR659080 4 0.3183 0.8089 0.200 0.000 0.000 0.788 0.008 0.004
#> ERR659176 4 0.3183 0.8089 0.200 0.000 0.000 0.788 0.008 0.004
#> ERR659081 1 0.0779 0.9203 0.976 0.000 0.000 0.008 0.008 0.008
#> ERR659177 1 0.0779 0.9203 0.976 0.000 0.000 0.008 0.008 0.008
#> ERR659082 1 0.0551 0.9214 0.984 0.000 0.000 0.004 0.004 0.008
#> ERR659178 1 0.0551 0.9214 0.984 0.000 0.000 0.004 0.004 0.008
#> ERR659083 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.9662 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.1223 0.9227 0.960 0.000 0.004 0.012 0.008 0.016
#> ERR659181 1 0.1223 0.9227 0.960 0.000 0.004 0.012 0.008 0.016
#> ERR659086 1 0.0779 0.9226 0.976 0.000 0.000 0.008 0.008 0.008
#> ERR659182 1 0.0779 0.9226 0.976 0.000 0.000 0.008 0.008 0.008
#> ERR659087 1 0.2671 0.8892 0.892 0.000 0.008 0.040 0.036 0.024
#> ERR659183 1 0.2671 0.8892 0.892 0.000 0.008 0.040 0.036 0.024
#> ERR659088 4 0.6099 0.7083 0.212 0.000 0.040 0.608 0.020 0.120
#> ERR659184 4 0.6099 0.7083 0.212 0.000 0.040 0.608 0.020 0.120
#> ERR659089 1 0.2258 0.9062 0.912 0.000 0.004 0.032 0.020 0.032
#> ERR659185 1 0.2258 0.9062 0.912 0.000 0.004 0.032 0.020 0.032
#> ERR659090 1 0.2152 0.9132 0.920 0.000 0.012 0.028 0.024 0.016
#> ERR659186 1 0.2152 0.9132 0.920 0.000 0.012 0.028 0.024 0.016
#> ERR659091 1 0.0881 0.9218 0.972 0.000 0.000 0.008 0.008 0.012
#> ERR659187 1 0.0881 0.9218 0.972 0.000 0.000 0.008 0.008 0.012
#> ERR659092 1 0.1078 0.9233 0.964 0.000 0.000 0.008 0.012 0.016
#> ERR659188 1 0.1078 0.9233 0.964 0.000 0.000 0.008 0.012 0.016
#> ERR659093 1 0.0665 0.9206 0.980 0.000 0.000 0.008 0.008 0.004
#> ERR659189 1 0.0665 0.9206 0.980 0.000 0.000 0.008 0.008 0.004
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 1.000 0.994 0.995 0.2274 0.767 0.767
#> 3 3 0.507 0.778 0.884 0.7241 0.928 0.906
#> 4 4 0.273 0.749 0.823 0.2244 0.931 0.901
#> 5 5 0.271 0.730 0.773 0.1202 0.982 0.972
#> 6 6 0.276 0.698 0.735 0.0709 0.982 0.973
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
#> ERR467487 1 0.0000 0.999 1.000 0.000
#> ERR467498 1 0.0000 0.999 1.000 0.000
#> ERR658998 1 0.0000 0.999 1.000 0.000
#> ERR659094 1 0.0000 0.999 1.000 0.000
#> ERR658999 1 0.0376 0.996 0.996 0.004
#> ERR659095 1 0.0376 0.996 0.996 0.004
#> ERR659000 1 0.0376 0.996 0.996 0.004
#> ERR659096 1 0.0376 0.996 0.996 0.004
#> ERR659001 1 0.0000 0.999 1.000 0.000
#> ERR659097 1 0.0000 0.999 1.000 0.000
#> ERR659002 1 0.0000 0.999 1.000 0.000
#> ERR659098 1 0.0000 0.999 1.000 0.000
#> ERR659003 1 0.0000 0.999 1.000 0.000
#> ERR659099 1 0.0000 0.999 1.000 0.000
#> ERR659004 1 0.0000 0.999 1.000 0.000
#> ERR659100 1 0.0000 0.999 1.000 0.000
#> ERR659005 1 0.0000 0.999 1.000 0.000
#> ERR659101 1 0.0000 0.999 1.000 0.000
#> ERR659006 1 0.0000 0.999 1.000 0.000
#> ERR659102 1 0.0000 0.999 1.000 0.000
#> ERR659007 1 0.0000 0.999 1.000 0.000
#> ERR659103 1 0.0000 0.999 1.000 0.000
#> ERR659008 2 0.1414 0.983 0.020 0.980
#> ERR659104 2 0.1414 0.983 0.020 0.980
#> ERR659009 1 0.0000 0.999 1.000 0.000
#> ERR659105 1 0.0000 0.999 1.000 0.000
#> ERR659010 1 0.0000 0.999 1.000 0.000
#> ERR659106 1 0.0000 0.999 1.000 0.000
#> ERR659011 1 0.0376 0.996 0.996 0.004
#> ERR659107 1 0.0376 0.996 0.996 0.004
#> ERR659012 1 0.0000 0.999 1.000 0.000
#> ERR659108 1 0.0000 0.999 1.000 0.000
#> ERR659013 1 0.0000 0.999 1.000 0.000
#> ERR659109 1 0.0000 0.999 1.000 0.000
#> ERR659014 2 0.1414 0.983 0.020 0.980
#> ERR659110 2 0.1414 0.983 0.020 0.980
#> ERR659015 1 0.0000 0.999 1.000 0.000
#> ERR659111 1 0.0000 0.999 1.000 0.000
#> ERR659016 1 0.0000 0.999 1.000 0.000
#> ERR659112 1 0.0000 0.999 1.000 0.000
#> ERR659017 2 0.1414 0.983 0.020 0.980
#> ERR659113 2 0.1414 0.983 0.020 0.980
#> ERR659018 1 0.0000 0.999 1.000 0.000
#> ERR659114 1 0.0000 0.999 1.000 0.000
#> ERR659019 1 0.0000 0.999 1.000 0.000
#> ERR659115 1 0.0000 0.999 1.000 0.000
#> ERR659020 1 0.0000 0.999 1.000 0.000
#> ERR659116 1 0.0000 0.999 1.000 0.000
#> ERR659021 1 0.0000 0.999 1.000 0.000
#> ERR659117 1 0.0000 0.999 1.000 0.000
#> ERR659022 1 0.0000 0.999 1.000 0.000
#> ERR659118 1 0.0000 0.999 1.000 0.000
#> ERR659023 1 0.0000 0.999 1.000 0.000
#> ERR659119 1 0.0000 0.999 1.000 0.000
#> ERR659024 1 0.0000 0.999 1.000 0.000
#> ERR659120 1 0.0000 0.999 1.000 0.000
#> ERR659025 1 0.0000 0.999 1.000 0.000
#> ERR659121 1 0.0000 0.999 1.000 0.000
#> ERR659026 1 0.0672 0.992 0.992 0.008
#> ERR659122 1 0.0672 0.992 0.992 0.008
#> ERR659027 1 0.0000 0.999 1.000 0.000
#> ERR659123 1 0.0000 0.999 1.000 0.000
#> ERR659028 1 0.0000 0.999 1.000 0.000
#> ERR659124 1 0.0000 0.999 1.000 0.000
#> ERR659029 1 0.0000 0.999 1.000 0.000
#> ERR659125 1 0.0000 0.999 1.000 0.000
#> ERR659030 1 0.0000 0.999 1.000 0.000
#> ERR659126 1 0.0000 0.999 1.000 0.000
#> ERR659031 1 0.0000 0.999 1.000 0.000
#> ERR659127 1 0.0000 0.999 1.000 0.000
#> ERR659032 1 0.0000 0.999 1.000 0.000
#> ERR659128 1 0.0000 0.999 1.000 0.000
#> ERR659033 1 0.0000 0.999 1.000 0.000
#> ERR659129 1 0.0000 0.999 1.000 0.000
#> ERR659034 2 0.1414 0.983 0.020 0.980
#> ERR659130 2 0.1414 0.983 0.020 0.980
#> ERR659035 1 0.0000 0.999 1.000 0.000
#> ERR659131 1 0.0000 0.999 1.000 0.000
#> ERR659036 1 0.0000 0.999 1.000 0.000
#> ERR659132 1 0.0000 0.999 1.000 0.000
#> ERR659037 1 0.0000 0.999 1.000 0.000
#> ERR659133 1 0.0000 0.999 1.000 0.000
#> ERR659038 1 0.0000 0.999 1.000 0.000
#> ERR659134 1 0.0000 0.999 1.000 0.000
#> ERR659039 1 0.0000 0.999 1.000 0.000
#> ERR659135 1 0.0000 0.999 1.000 0.000
#> ERR659040 1 0.0000 0.999 1.000 0.000
#> ERR659136 1 0.0000 0.999 1.000 0.000
#> ERR659041 1 0.0000 0.999 1.000 0.000
#> ERR659137 1 0.0000 0.999 1.000 0.000
#> ERR659042 1 0.0000 0.999 1.000 0.000
#> ERR659138 1 0.0000 0.999 1.000 0.000
#> ERR659043 1 0.0000 0.999 1.000 0.000
#> ERR659139 1 0.0000 0.999 1.000 0.000
#> ERR659044 2 0.1414 0.983 0.020 0.980
#> ERR659140 2 0.1414 0.983 0.020 0.980
#> ERR659045 1 0.0000 0.999 1.000 0.000
#> ERR659141 1 0.0000 0.999 1.000 0.000
#> ERR659046 1 0.0000 0.999 1.000 0.000
#> ERR659142 1 0.0000 0.999 1.000 0.000
#> ERR659047 1 0.0000 0.999 1.000 0.000
#> ERR659143 1 0.0000 0.999 1.000 0.000
#> ERR659048 1 0.0000 0.999 1.000 0.000
#> ERR659144 1 0.0000 0.999 1.000 0.000
#> ERR659049 1 0.0000 0.999 1.000 0.000
#> ERR659145 1 0.0000 0.999 1.000 0.000
#> ERR659050 1 0.0000 0.999 1.000 0.000
#> ERR659146 1 0.0000 0.999 1.000 0.000
#> ERR659051 1 0.1633 0.975 0.976 0.024
#> ERR659147 1 0.1633 0.975 0.976 0.024
#> ERR659052 1 0.0000 0.999 1.000 0.000
#> ERR659148 1 0.0000 0.999 1.000 0.000
#> ERR659053 1 0.0000 0.999 1.000 0.000
#> ERR659149 1 0.0000 0.999 1.000 0.000
#> ERR659054 2 0.1414 0.983 0.020 0.980
#> ERR659150 2 0.1414 0.983 0.020 0.980
#> ERR659055 1 0.0000 0.999 1.000 0.000
#> ERR659151 1 0.0000 0.999 1.000 0.000
#> ERR659056 1 0.0000 0.999 1.000 0.000
#> ERR659152 1 0.0000 0.999 1.000 0.000
#> ERR659057 1 0.0000 0.999 1.000 0.000
#> ERR659153 1 0.0000 0.999 1.000 0.000
#> ERR659058 1 0.0000 0.999 1.000 0.000
#> ERR659154 1 0.0000 0.999 1.000 0.000
#> ERR659059 1 0.0000 0.999 1.000 0.000
#> ERR659155 1 0.0000 0.999 1.000 0.000
#> ERR659060 1 0.0000 0.999 1.000 0.000
#> ERR659156 1 0.0000 0.999 1.000 0.000
#> ERR659061 1 0.0000 0.999 1.000 0.000
#> ERR659157 1 0.0000 0.999 1.000 0.000
#> ERR659062 1 0.0000 0.999 1.000 0.000
#> ERR659158 1 0.0000 0.999 1.000 0.000
#> ERR659063 1 0.0000 0.999 1.000 0.000
#> ERR659159 1 0.0000 0.999 1.000 0.000
#> ERR659064 1 0.0000 0.999 1.000 0.000
#> ERR659160 1 0.0000 0.999 1.000 0.000
#> ERR659065 2 0.1414 0.983 0.020 0.980
#> ERR659161 2 0.1414 0.983 0.020 0.980
#> ERR659066 1 0.0000 0.999 1.000 0.000
#> ERR659162 1 0.0000 0.999 1.000 0.000
#> ERR659067 1 0.0000 0.999 1.000 0.000
#> ERR659163 1 0.0000 0.999 1.000 0.000
#> ERR659068 2 0.1414 0.983 0.020 0.980
#> ERR659164 2 0.1414 0.983 0.020 0.980
#> ERR659069 1 0.0000 0.999 1.000 0.000
#> ERR659165 1 0.0000 0.999 1.000 0.000
#> ERR659070 1 0.0000 0.999 1.000 0.000
#> ERR659166 1 0.0000 0.999 1.000 0.000
#> ERR659071 1 0.0000 0.999 1.000 0.000
#> ERR659167 1 0.0000 0.999 1.000 0.000
#> ERR659072 1 0.0000 0.999 1.000 0.000
#> ERR659168 1 0.0000 0.999 1.000 0.000
#> ERR659073 1 0.0000 0.999 1.000 0.000
#> ERR659169 1 0.0000 0.999 1.000 0.000
#> ERR659074 2 0.1414 0.983 0.020 0.980
#> ERR659170 2 0.1414 0.983 0.020 0.980
#> ERR659075 2 0.7674 0.747 0.224 0.776
#> ERR659171 2 0.7674 0.747 0.224 0.776
#> ERR659076 2 0.1414 0.983 0.020 0.980
#> ERR659172 2 0.1414 0.983 0.020 0.980
#> ERR659077 1 0.0000 0.999 1.000 0.000
#> ERR659173 1 0.0000 0.999 1.000 0.000
#> ERR659078 1 0.0672 0.992 0.992 0.008
#> ERR659174 1 0.0672 0.992 0.992 0.008
#> ERR659079 1 0.0000 0.999 1.000 0.000
#> ERR659175 1 0.0000 0.999 1.000 0.000
#> ERR659080 1 0.0000 0.999 1.000 0.000
#> ERR659176 1 0.0000 0.999 1.000 0.000
#> ERR659081 1 0.0000 0.999 1.000 0.000
#> ERR659177 1 0.0000 0.999 1.000 0.000
#> ERR659082 1 0.0000 0.999 1.000 0.000
#> ERR659178 1 0.0000 0.999 1.000 0.000
#> ERR659083 2 0.1414 0.983 0.020 0.980
#> ERR659179 2 0.1414 0.983 0.020 0.980
#> ERR659084 2 0.1414 0.983 0.020 0.980
#> ERR659180 2 0.1414 0.983 0.020 0.980
#> ERR659085 1 0.0000 0.999 1.000 0.000
#> ERR659181 1 0.0000 0.999 1.000 0.000
#> ERR659086 1 0.0376 0.996 0.996 0.004
#> ERR659182 1 0.0376 0.996 0.996 0.004
#> ERR659087 1 0.0000 0.999 1.000 0.000
#> ERR659183 1 0.0000 0.999 1.000 0.000
#> ERR659088 1 0.0000 0.999 1.000 0.000
#> ERR659184 1 0.0000 0.999 1.000 0.000
#> ERR659089 1 0.0000 0.999 1.000 0.000
#> ERR659185 1 0.0000 0.999 1.000 0.000
#> ERR659090 1 0.0000 0.999 1.000 0.000
#> ERR659186 1 0.0000 0.999 1.000 0.000
#> ERR659091 1 0.0000 0.999 1.000 0.000
#> ERR659187 1 0.0000 0.999 1.000 0.000
#> ERR659092 1 0.0000 0.999 1.000 0.000
#> ERR659188 1 0.0000 0.999 1.000 0.000
#> ERR659093 1 0.0000 0.999 1.000 0.000
#> ERR659189 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
#> ERR467487 3 0.5678 0.776 0.316 0.000 0.684
#> ERR467498 3 0.5678 0.776 0.316 0.000 0.684
#> ERR658998 1 0.1964 0.866 0.944 0.000 0.056
#> ERR659094 1 0.1964 0.866 0.944 0.000 0.056
#> ERR658999 1 0.2796 0.840 0.908 0.000 0.092
#> ERR659095 1 0.2796 0.840 0.908 0.000 0.092
#> ERR659000 1 0.6260 -0.157 0.552 0.000 0.448
#> ERR659096 1 0.6260 -0.157 0.552 0.000 0.448
#> ERR659001 1 0.1643 0.860 0.956 0.000 0.044
#> ERR659097 1 0.1643 0.860 0.956 0.000 0.044
#> ERR659002 1 0.2625 0.855 0.916 0.000 0.084
#> ERR659098 1 0.2625 0.855 0.916 0.000 0.084
#> ERR659003 1 0.1289 0.867 0.968 0.000 0.032
#> ERR659099 1 0.1289 0.867 0.968 0.000 0.032
#> ERR659004 1 0.5835 0.452 0.660 0.000 0.340
#> ERR659100 1 0.5835 0.452 0.660 0.000 0.340
#> ERR659005 1 0.1289 0.865 0.968 0.000 0.032
#> ERR659101 1 0.1289 0.865 0.968 0.000 0.032
#> ERR659006 1 0.4452 0.769 0.808 0.000 0.192
#> ERR659102 1 0.4452 0.769 0.808 0.000 0.192
#> ERR659007 1 0.0892 0.864 0.980 0.000 0.020
#> ERR659103 1 0.0892 0.864 0.980 0.000 0.020
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659009 1 0.4346 0.791 0.816 0.000 0.184
#> ERR659105 1 0.4346 0.791 0.816 0.000 0.184
#> ERR659010 1 0.3340 0.835 0.880 0.000 0.120
#> ERR659106 1 0.3340 0.835 0.880 0.000 0.120
#> ERR659011 1 0.3192 0.830 0.888 0.000 0.112
#> ERR659107 1 0.3192 0.830 0.888 0.000 0.112
#> ERR659012 1 0.5098 0.679 0.752 0.000 0.248
#> ERR659108 1 0.5098 0.679 0.752 0.000 0.248
#> ERR659013 1 0.5926 0.368 0.644 0.000 0.356
#> ERR659109 1 0.5926 0.368 0.644 0.000 0.356
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659015 1 0.0892 0.865 0.980 0.000 0.020
#> ERR659111 1 0.0892 0.865 0.980 0.000 0.020
#> ERR659016 1 0.6045 0.193 0.620 0.000 0.380
#> ERR659112 1 0.6045 0.193 0.620 0.000 0.380
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659018 1 0.1964 0.862 0.944 0.000 0.056
#> ERR659114 1 0.1964 0.862 0.944 0.000 0.056
#> ERR659019 1 0.2537 0.847 0.920 0.000 0.080
#> ERR659115 1 0.2537 0.847 0.920 0.000 0.080
#> ERR659020 1 0.1163 0.865 0.972 0.000 0.028
#> ERR659116 1 0.1163 0.865 0.972 0.000 0.028
#> ERR659021 1 0.0892 0.866 0.980 0.000 0.020
#> ERR659117 1 0.0892 0.866 0.980 0.000 0.020
#> ERR659022 1 0.2448 0.860 0.924 0.000 0.076
#> ERR659118 1 0.2448 0.860 0.924 0.000 0.076
#> ERR659023 1 0.1860 0.865 0.948 0.000 0.052
#> ERR659119 1 0.1860 0.865 0.948 0.000 0.052
#> ERR659024 1 0.1411 0.870 0.964 0.000 0.036
#> ERR659120 1 0.1411 0.870 0.964 0.000 0.036
#> ERR659025 1 0.4399 0.739 0.812 0.000 0.188
#> ERR659121 1 0.4399 0.739 0.812 0.000 0.188
#> ERR659026 1 0.2796 0.863 0.908 0.000 0.092
#> ERR659122 1 0.2796 0.863 0.908 0.000 0.092
#> ERR659027 1 0.6305 -0.274 0.516 0.000 0.484
#> ERR659123 1 0.6305 -0.274 0.516 0.000 0.484
#> ERR659028 1 0.3116 0.840 0.892 0.000 0.108
#> ERR659124 1 0.3116 0.840 0.892 0.000 0.108
#> ERR659029 1 0.2261 0.867 0.932 0.000 0.068
#> ERR659125 1 0.2261 0.867 0.932 0.000 0.068
#> ERR659030 1 0.1529 0.864 0.960 0.000 0.040
#> ERR659126 1 0.1529 0.864 0.960 0.000 0.040
#> ERR659031 1 0.4002 0.805 0.840 0.000 0.160
#> ERR659127 1 0.4002 0.805 0.840 0.000 0.160
#> ERR659032 1 0.3752 0.809 0.856 0.000 0.144
#> ERR659128 1 0.3752 0.809 0.856 0.000 0.144
#> ERR659033 1 0.1163 0.866 0.972 0.000 0.028
#> ERR659129 1 0.1163 0.866 0.972 0.000 0.028
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659035 1 0.3482 0.819 0.872 0.000 0.128
#> ERR659131 1 0.3482 0.819 0.872 0.000 0.128
#> ERR659036 1 0.4062 0.788 0.836 0.000 0.164
#> ERR659132 1 0.4062 0.788 0.836 0.000 0.164
#> ERR659037 1 0.1964 0.865 0.944 0.000 0.056
#> ERR659133 1 0.1964 0.865 0.944 0.000 0.056
#> ERR659038 1 0.2959 0.836 0.900 0.000 0.100
#> ERR659134 1 0.2959 0.836 0.900 0.000 0.100
#> ERR659039 1 0.2711 0.845 0.912 0.000 0.088
#> ERR659135 1 0.2711 0.845 0.912 0.000 0.088
#> ERR659040 1 0.4504 0.715 0.804 0.000 0.196
#> ERR659136 1 0.4504 0.715 0.804 0.000 0.196
#> ERR659041 1 0.6305 -0.291 0.516 0.000 0.484
#> ERR659137 1 0.6305 -0.291 0.516 0.000 0.484
#> ERR659042 1 0.6079 0.170 0.612 0.000 0.388
#> ERR659138 1 0.6079 0.170 0.612 0.000 0.388
#> ERR659043 1 0.3879 0.805 0.848 0.000 0.152
#> ERR659139 1 0.3879 0.805 0.848 0.000 0.152
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659045 1 0.1753 0.862 0.952 0.000 0.048
#> ERR659141 1 0.1753 0.862 0.952 0.000 0.048
#> ERR659046 1 0.1163 0.867 0.972 0.000 0.028
#> ERR659142 1 0.1163 0.867 0.972 0.000 0.028
#> ERR659047 1 0.1643 0.868 0.956 0.000 0.044
#> ERR659143 1 0.1643 0.868 0.956 0.000 0.044
#> ERR659048 1 0.1163 0.865 0.972 0.000 0.028
#> ERR659144 1 0.1163 0.865 0.972 0.000 0.028
#> ERR659049 1 0.4974 0.654 0.764 0.000 0.236
#> ERR659145 1 0.4974 0.654 0.764 0.000 0.236
#> ERR659050 1 0.4452 0.734 0.808 0.000 0.192
#> ERR659146 1 0.4452 0.734 0.808 0.000 0.192
#> ERR659051 3 0.5958 0.776 0.300 0.008 0.692
#> ERR659147 3 0.5958 0.776 0.300 0.008 0.692
#> ERR659052 1 0.4842 0.717 0.776 0.000 0.224
#> ERR659148 1 0.4842 0.717 0.776 0.000 0.224
#> ERR659053 1 0.1289 0.867 0.968 0.000 0.032
#> ERR659149 1 0.1289 0.867 0.968 0.000 0.032
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659055 1 0.1860 0.856 0.948 0.000 0.052
#> ERR659151 1 0.1860 0.856 0.948 0.000 0.052
#> ERR659056 3 0.5968 0.735 0.364 0.000 0.636
#> ERR659152 3 0.5968 0.735 0.364 0.000 0.636
#> ERR659057 1 0.0592 0.864 0.988 0.000 0.012
#> ERR659153 1 0.0592 0.864 0.988 0.000 0.012
#> ERR659058 1 0.2165 0.857 0.936 0.000 0.064
#> ERR659154 1 0.2165 0.857 0.936 0.000 0.064
#> ERR659059 1 0.0424 0.865 0.992 0.000 0.008
#> ERR659155 1 0.0424 0.865 0.992 0.000 0.008
#> ERR659060 1 0.2796 0.849 0.908 0.000 0.092
#> ERR659156 1 0.2796 0.849 0.908 0.000 0.092
#> ERR659061 1 0.3038 0.842 0.896 0.000 0.104
#> ERR659157 1 0.3038 0.842 0.896 0.000 0.104
#> ERR659062 1 0.2448 0.858 0.924 0.000 0.076
#> ERR659158 1 0.2448 0.858 0.924 0.000 0.076
#> ERR659063 1 0.2796 0.860 0.908 0.000 0.092
#> ERR659159 1 0.2796 0.860 0.908 0.000 0.092
#> ERR659064 1 0.1163 0.864 0.972 0.000 0.028
#> ERR659160 1 0.1163 0.864 0.972 0.000 0.028
#> ERR659065 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659066 1 0.2625 0.853 0.916 0.000 0.084
#> ERR659162 1 0.2625 0.853 0.916 0.000 0.084
#> ERR659067 1 0.2356 0.850 0.928 0.000 0.072
#> ERR659163 1 0.2356 0.850 0.928 0.000 0.072
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659069 1 0.2796 0.849 0.908 0.000 0.092
#> ERR659165 1 0.2796 0.849 0.908 0.000 0.092
#> ERR659070 1 0.1289 0.865 0.968 0.000 0.032
#> ERR659166 1 0.1289 0.865 0.968 0.000 0.032
#> ERR659071 1 0.1163 0.865 0.972 0.000 0.028
#> ERR659167 1 0.1163 0.865 0.972 0.000 0.028
#> ERR659072 1 0.2625 0.850 0.916 0.000 0.084
#> ERR659168 1 0.2625 0.850 0.916 0.000 0.084
#> ERR659073 1 0.2356 0.863 0.928 0.000 0.072
#> ERR659169 1 0.2356 0.863 0.928 0.000 0.072
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659075 3 0.7895 -0.197 0.056 0.436 0.508
#> ERR659171 3 0.7895 -0.197 0.056 0.436 0.508
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659077 1 0.2537 0.858 0.920 0.000 0.080
#> ERR659173 1 0.2537 0.858 0.920 0.000 0.080
#> ERR659078 1 0.1529 0.867 0.960 0.000 0.040
#> ERR659174 1 0.1529 0.867 0.960 0.000 0.040
#> ERR659079 1 0.2878 0.852 0.904 0.000 0.096
#> ERR659175 1 0.2878 0.852 0.904 0.000 0.096
#> ERR659080 3 0.6140 0.658 0.404 0.000 0.596
#> ERR659176 3 0.6140 0.658 0.404 0.000 0.596
#> ERR659081 1 0.0892 0.864 0.980 0.000 0.020
#> ERR659177 1 0.0892 0.864 0.980 0.000 0.020
#> ERR659082 1 0.1163 0.867 0.972 0.000 0.028
#> ERR659178 1 0.1163 0.867 0.972 0.000 0.028
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000
#> ERR659085 1 0.1753 0.867 0.952 0.000 0.048
#> ERR659181 1 0.1753 0.867 0.952 0.000 0.048
#> ERR659086 1 0.1411 0.869 0.964 0.000 0.036
#> ERR659182 1 0.1411 0.869 0.964 0.000 0.036
#> ERR659087 1 0.3816 0.831 0.852 0.000 0.148
#> ERR659183 1 0.3816 0.831 0.852 0.000 0.148
#> ERR659088 1 0.6295 -0.214 0.528 0.000 0.472
#> ERR659184 1 0.6295 -0.214 0.528 0.000 0.472
#> ERR659089 1 0.3038 0.855 0.896 0.000 0.104
#> ERR659185 1 0.3038 0.855 0.896 0.000 0.104
#> ERR659090 1 0.2356 0.868 0.928 0.000 0.072
#> ERR659186 1 0.2356 0.868 0.928 0.000 0.072
#> ERR659091 1 0.1411 0.864 0.964 0.000 0.036
#> ERR659187 1 0.1411 0.864 0.964 0.000 0.036
#> ERR659092 1 0.1529 0.868 0.960 0.000 0.040
#> ERR659188 1 0.1529 0.868 0.960 0.000 0.040
#> ERR659093 1 0.0892 0.866 0.980 0.000 0.020
#> ERR659189 1 0.0892 0.866 0.980 0.000 0.020
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.4462 0.6698 0.164 0.000 0.792 NA
#> ERR467498 3 0.4462 0.6698 0.164 0.000 0.792 NA
#> ERR658998 1 0.3156 0.8317 0.884 0.000 0.048 NA
#> ERR659094 1 0.3156 0.8317 0.884 0.000 0.048 NA
#> ERR658999 1 0.3351 0.7960 0.844 0.000 0.008 NA
#> ERR659095 1 0.3351 0.7960 0.844 0.000 0.008 NA
#> ERR659000 3 0.7110 0.4638 0.412 0.000 0.460 NA
#> ERR659096 3 0.7110 0.4638 0.412 0.000 0.460 NA
#> ERR659001 1 0.2255 0.8228 0.920 0.000 0.012 NA
#> ERR659097 1 0.2255 0.8228 0.920 0.000 0.012 NA
#> ERR659002 1 0.4359 0.8027 0.816 0.000 0.084 NA
#> ERR659098 1 0.4359 0.8027 0.816 0.000 0.084 NA
#> ERR659003 1 0.2882 0.8281 0.892 0.000 0.024 NA
#> ERR659099 1 0.2882 0.8281 0.892 0.000 0.024 NA
#> ERR659004 1 0.7661 -0.0485 0.464 0.000 0.264 NA
#> ERR659100 1 0.7661 -0.0485 0.464 0.000 0.264 NA
#> ERR659005 1 0.2845 0.8262 0.896 0.000 0.028 NA
#> ERR659101 1 0.2845 0.8262 0.896 0.000 0.028 NA
#> ERR659006 1 0.6116 0.6108 0.668 0.000 0.112 NA
#> ERR659102 1 0.6116 0.6108 0.668 0.000 0.112 NA
#> ERR659007 1 0.1452 0.8203 0.956 0.000 0.008 NA
#> ERR659103 1 0.1452 0.8203 0.956 0.000 0.008 NA
#> ERR659008 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659104 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659009 1 0.6010 0.6437 0.676 0.000 0.104 NA
#> ERR659105 1 0.6010 0.6437 0.676 0.000 0.104 NA
#> ERR659010 1 0.4679 0.7512 0.772 0.000 0.044 NA
#> ERR659106 1 0.4679 0.7512 0.772 0.000 0.044 NA
#> ERR659011 1 0.4194 0.7807 0.800 0.000 0.028 NA
#> ERR659107 1 0.4194 0.7807 0.800 0.000 0.028 NA
#> ERR659012 1 0.6359 0.5896 0.648 0.000 0.132 NA
#> ERR659108 1 0.6359 0.5896 0.648 0.000 0.132 NA
#> ERR659013 1 0.7031 0.2311 0.556 0.000 0.288 NA
#> ERR659109 1 0.7031 0.2311 0.556 0.000 0.288 NA
#> ERR659014 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659110 2 0.0188 0.9977 0.000 0.996 0.000 NA
#> ERR659015 1 0.2816 0.8286 0.900 0.000 0.036 NA
#> ERR659111 1 0.2816 0.8286 0.900 0.000 0.036 NA
#> ERR659016 1 0.7242 -0.2188 0.476 0.000 0.376 NA
#> ERR659112 1 0.7242 -0.2188 0.476 0.000 0.376 NA
#> ERR659017 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659113 2 0.0188 0.9977 0.000 0.996 0.000 NA
#> ERR659018 1 0.2266 0.8271 0.912 0.000 0.004 NA
#> ERR659114 1 0.2266 0.8271 0.912 0.000 0.004 NA
#> ERR659019 1 0.3495 0.8000 0.844 0.000 0.016 NA
#> ERR659115 1 0.3495 0.8000 0.844 0.000 0.016 NA
#> ERR659020 1 0.1798 0.8240 0.944 0.000 0.016 NA
#> ERR659116 1 0.1798 0.8240 0.944 0.000 0.016 NA
#> ERR659021 1 0.2111 0.8245 0.932 0.000 0.024 NA
#> ERR659117 1 0.2111 0.8245 0.932 0.000 0.024 NA
#> ERR659022 1 0.3383 0.8229 0.872 0.000 0.052 NA
#> ERR659118 1 0.3383 0.8229 0.872 0.000 0.052 NA
#> ERR659023 1 0.3056 0.8263 0.888 0.000 0.040 NA
#> ERR659119 1 0.3056 0.8263 0.888 0.000 0.040 NA
#> ERR659024 1 0.2996 0.8291 0.892 0.000 0.044 NA
#> ERR659120 1 0.2996 0.8291 0.892 0.000 0.044 NA
#> ERR659025 1 0.5995 0.5590 0.672 0.000 0.232 NA
#> ERR659121 1 0.5995 0.5590 0.672 0.000 0.232 NA
#> ERR659026 1 0.3812 0.7940 0.832 0.000 0.028 NA
#> ERR659122 1 0.3812 0.7940 0.832 0.000 0.028 NA
#> ERR659027 3 0.6659 0.5295 0.400 0.000 0.512 NA
#> ERR659123 3 0.6659 0.5295 0.400 0.000 0.512 NA
#> ERR659028 1 0.4231 0.7890 0.824 0.000 0.096 NA
#> ERR659124 1 0.4231 0.7890 0.824 0.000 0.096 NA
#> ERR659029 1 0.3383 0.8230 0.872 0.000 0.052 NA
#> ERR659125 1 0.3383 0.8230 0.872 0.000 0.052 NA
#> ERR659030 1 0.2473 0.8302 0.908 0.000 0.012 NA
#> ERR659126 1 0.2473 0.8302 0.908 0.000 0.012 NA
#> ERR659031 1 0.5077 0.7246 0.760 0.000 0.160 NA
#> ERR659127 1 0.5077 0.7246 0.760 0.000 0.160 NA
#> ERR659032 1 0.4499 0.7785 0.804 0.000 0.124 NA
#> ERR659128 1 0.4499 0.7785 0.804 0.000 0.124 NA
#> ERR659033 1 0.2179 0.8325 0.924 0.000 0.012 NA
#> ERR659129 1 0.2179 0.8325 0.924 0.000 0.012 NA
#> ERR659034 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659130 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659035 1 0.4401 0.7823 0.812 0.000 0.112 NA
#> ERR659131 1 0.4401 0.7823 0.812 0.000 0.112 NA
#> ERR659036 1 0.6042 0.5650 0.672 0.000 0.224 NA
#> ERR659132 1 0.6042 0.5650 0.672 0.000 0.224 NA
#> ERR659037 1 0.3215 0.8274 0.876 0.000 0.032 NA
#> ERR659133 1 0.3215 0.8274 0.876 0.000 0.032 NA
#> ERR659038 1 0.4199 0.7770 0.804 0.000 0.032 NA
#> ERR659134 1 0.4199 0.7770 0.804 0.000 0.032 NA
#> ERR659039 1 0.3217 0.7979 0.860 0.000 0.012 NA
#> ERR659135 1 0.3217 0.7979 0.860 0.000 0.012 NA
#> ERR659040 1 0.5585 0.6363 0.712 0.000 0.204 NA
#> ERR659136 1 0.5585 0.6363 0.712 0.000 0.204 NA
#> ERR659041 3 0.7179 0.4551 0.408 0.000 0.456 NA
#> ERR659137 3 0.7179 0.4551 0.408 0.000 0.456 NA
#> ERR659042 1 0.6261 -0.1850 0.504 0.000 0.440 NA
#> ERR659138 1 0.6261 -0.1850 0.504 0.000 0.440 NA
#> ERR659043 1 0.4906 0.7356 0.776 0.000 0.140 NA
#> ERR659139 1 0.4906 0.7356 0.776 0.000 0.140 NA
#> ERR659044 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659140 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659045 1 0.2179 0.8284 0.924 0.000 0.012 NA
#> ERR659141 1 0.2179 0.8284 0.924 0.000 0.012 NA
#> ERR659046 1 0.2111 0.8270 0.932 0.000 0.024 NA
#> ERR659142 1 0.2111 0.8270 0.932 0.000 0.024 NA
#> ERR659047 1 0.1833 0.8213 0.944 0.000 0.024 NA
#> ERR659143 1 0.1833 0.8213 0.944 0.000 0.024 NA
#> ERR659048 1 0.2675 0.8208 0.908 0.000 0.044 NA
#> ERR659144 1 0.2675 0.8208 0.908 0.000 0.044 NA
#> ERR659049 1 0.6415 0.3960 0.612 0.000 0.288 NA
#> ERR659145 1 0.6415 0.3960 0.612 0.000 0.288 NA
#> ERR659050 1 0.5515 0.6991 0.732 0.000 0.152 NA
#> ERR659146 1 0.5515 0.6991 0.732 0.000 0.152 NA
#> ERR659051 3 0.4892 0.6519 0.152 0.004 0.780 NA
#> ERR659147 3 0.4892 0.6519 0.152 0.004 0.780 NA
#> ERR659052 1 0.6159 0.6117 0.676 0.000 0.172 NA
#> ERR659148 1 0.6159 0.6117 0.676 0.000 0.172 NA
#> ERR659053 1 0.2450 0.8272 0.912 0.000 0.016 NA
#> ERR659149 1 0.2450 0.8272 0.912 0.000 0.016 NA
#> ERR659054 2 0.0188 0.9977 0.000 0.996 0.000 NA
#> ERR659150 2 0.0188 0.9977 0.000 0.996 0.000 NA
#> ERR659055 1 0.2197 0.8210 0.916 0.000 0.004 NA
#> ERR659151 1 0.2197 0.8210 0.916 0.000 0.004 NA
#> ERR659056 3 0.4831 0.7075 0.208 0.000 0.752 NA
#> ERR659152 3 0.4831 0.7075 0.208 0.000 0.752 NA
#> ERR659057 1 0.2032 0.8295 0.936 0.000 0.028 NA
#> ERR659153 1 0.2032 0.8295 0.936 0.000 0.028 NA
#> ERR659058 1 0.3606 0.8119 0.844 0.000 0.024 NA
#> ERR659154 1 0.3606 0.8119 0.844 0.000 0.024 NA
#> ERR659059 1 0.1520 0.8220 0.956 0.000 0.024 NA
#> ERR659155 1 0.1520 0.8220 0.956 0.000 0.024 NA
#> ERR659060 1 0.4359 0.7978 0.816 0.000 0.084 NA
#> ERR659156 1 0.4359 0.7978 0.816 0.000 0.084 NA
#> ERR659061 1 0.4784 0.7776 0.788 0.000 0.112 NA
#> ERR659157 1 0.4784 0.7776 0.788 0.000 0.112 NA
#> ERR659062 1 0.3687 0.8243 0.856 0.000 0.080 NA
#> ERR659158 1 0.3687 0.8243 0.856 0.000 0.080 NA
#> ERR659063 1 0.3617 0.8239 0.860 0.000 0.064 NA
#> ERR659159 1 0.3617 0.8239 0.860 0.000 0.064 NA
#> ERR659064 1 0.2300 0.8263 0.920 0.000 0.016 NA
#> ERR659160 1 0.2300 0.8263 0.920 0.000 0.016 NA
#> ERR659065 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659161 2 0.0188 0.9977 0.000 0.996 0.000 NA
#> ERR659066 1 0.4153 0.8000 0.820 0.000 0.048 NA
#> ERR659162 1 0.4153 0.8000 0.820 0.000 0.048 NA
#> ERR659067 1 0.3088 0.8036 0.864 0.000 0.008 NA
#> ERR659163 1 0.3088 0.8036 0.864 0.000 0.008 NA
#> ERR659068 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659164 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659069 1 0.4553 0.7631 0.780 0.000 0.040 NA
#> ERR659165 1 0.4553 0.7631 0.780 0.000 0.040 NA
#> ERR659070 1 0.3732 0.8149 0.852 0.000 0.056 NA
#> ERR659166 1 0.3732 0.8149 0.852 0.000 0.056 NA
#> ERR659071 1 0.2816 0.8256 0.900 0.000 0.036 NA
#> ERR659167 1 0.2816 0.8256 0.900 0.000 0.036 NA
#> ERR659072 1 0.3958 0.7910 0.816 0.000 0.024 NA
#> ERR659168 1 0.3958 0.7910 0.816 0.000 0.024 NA
#> ERR659073 1 0.3697 0.8229 0.852 0.000 0.048 NA
#> ERR659169 1 0.3697 0.8229 0.852 0.000 0.048 NA
#> ERR659074 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659170 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659075 3 0.6818 -0.0909 0.012 0.344 0.564 NA
#> ERR659171 3 0.6818 -0.0909 0.012 0.344 0.564 NA
#> ERR659076 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659172 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659077 1 0.4261 0.8120 0.820 0.000 0.068 NA
#> ERR659173 1 0.4261 0.8120 0.820 0.000 0.068 NA
#> ERR659078 1 0.2660 0.8311 0.908 0.000 0.036 NA
#> ERR659174 1 0.2660 0.8311 0.908 0.000 0.036 NA
#> ERR659079 1 0.4039 0.8146 0.836 0.000 0.080 NA
#> ERR659175 1 0.4039 0.8146 0.836 0.000 0.080 NA
#> ERR659080 3 0.5179 0.7199 0.220 0.000 0.728 NA
#> ERR659176 3 0.5179 0.7199 0.220 0.000 0.728 NA
#> ERR659081 1 0.2198 0.8272 0.920 0.000 0.008 NA
#> ERR659177 1 0.2198 0.8272 0.920 0.000 0.008 NA
#> ERR659082 1 0.2635 0.8284 0.904 0.000 0.020 NA
#> ERR659178 1 0.2635 0.8284 0.904 0.000 0.020 NA
#> ERR659083 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659179 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659084 2 0.0188 0.9977 0.000 0.996 0.000 NA
#> ERR659180 2 0.0000 0.9992 0.000 1.000 0.000 NA
#> ERR659085 1 0.2335 0.8330 0.920 0.000 0.020 NA
#> ERR659181 1 0.2335 0.8330 0.920 0.000 0.020 NA
#> ERR659086 1 0.3056 0.8309 0.888 0.000 0.040 NA
#> ERR659182 1 0.3056 0.8309 0.888 0.000 0.040 NA
#> ERR659087 1 0.5661 0.7025 0.700 0.000 0.080 NA
#> ERR659183 1 0.5661 0.7025 0.700 0.000 0.080 NA
#> ERR659088 3 0.7243 0.4859 0.404 0.000 0.452 NA
#> ERR659184 3 0.7243 0.4859 0.404 0.000 0.452 NA
#> ERR659089 1 0.5247 0.7540 0.752 0.000 0.100 NA
#> ERR659185 1 0.5247 0.7540 0.752 0.000 0.100 NA
#> ERR659090 1 0.3674 0.8267 0.852 0.000 0.044 NA
#> ERR659186 1 0.3674 0.8267 0.852 0.000 0.044 NA
#> ERR659091 1 0.2048 0.8284 0.928 0.000 0.008 NA
#> ERR659187 1 0.2048 0.8284 0.928 0.000 0.008 NA
#> ERR659092 1 0.2943 0.8319 0.892 0.000 0.032 NA
#> ERR659188 1 0.2943 0.8319 0.892 0.000 0.032 NA
#> ERR659093 1 0.1888 0.8247 0.940 0.000 0.016 NA
#> ERR659189 1 0.1888 0.8247 0.940 0.000 0.016 NA
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 5 0.5115 0.6382 0.088 0.000 NA NA 0.756
#> ERR467498 5 0.5115 0.6382 0.088 0.000 NA NA 0.756
#> ERR658998 1 0.4620 0.7696 0.760 0.000 NA NA 0.024
#> ERR659094 1 0.4620 0.7696 0.760 0.000 NA NA 0.024
#> ERR658999 1 0.3734 0.7628 0.752 0.000 NA NA 0.004
#> ERR659095 1 0.3734 0.7628 0.752 0.000 NA NA 0.004
#> ERR659000 1 0.7506 -0.1749 0.416 0.000 NA NA 0.352
#> ERR659096 1 0.7506 -0.1749 0.416 0.000 NA NA 0.352
#> ERR659001 1 0.2865 0.7918 0.856 0.000 NA NA 0.004
#> ERR659097 1 0.2865 0.7918 0.856 0.000 NA NA 0.004
#> ERR659002 1 0.4803 0.7811 0.756 0.000 NA NA 0.084
#> ERR659098 1 0.4803 0.7811 0.756 0.000 NA NA 0.084
#> ERR659003 1 0.3613 0.7992 0.840 0.000 NA NA 0.024
#> ERR659099 1 0.3613 0.7992 0.840 0.000 NA NA 0.024
#> ERR659004 1 0.7126 0.3355 0.488 0.000 NA NA 0.144
#> ERR659100 1 0.7126 0.3355 0.488 0.000 NA NA 0.144
#> ERR659005 1 0.3805 0.7838 0.828 0.000 NA NA 0.044
#> ERR659101 1 0.3805 0.7838 0.828 0.000 NA NA 0.044
#> ERR659006 1 0.5963 0.5965 0.600 0.000 NA NA 0.044
#> ERR659102 1 0.5963 0.5965 0.600 0.000 NA NA 0.044
#> ERR659007 1 0.1682 0.7868 0.940 0.000 NA NA 0.004
#> ERR659103 1 0.1682 0.7868 0.940 0.000 NA NA 0.004
#> ERR659008 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659104 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659009 1 0.6166 0.5643 0.556 0.000 NA NA 0.056
#> ERR659105 1 0.6166 0.5643 0.556 0.000 NA NA 0.056
#> ERR659010 1 0.4923 0.7060 0.672 0.000 NA NA 0.024
#> ERR659106 1 0.4923 0.7060 0.672 0.000 NA NA 0.024
#> ERR659011 1 0.4866 0.7394 0.708 0.000 NA NA 0.020
#> ERR659107 1 0.4866 0.7394 0.708 0.000 NA NA 0.020
#> ERR659012 1 0.6147 0.5927 0.584 0.000 NA NA 0.088
#> ERR659108 1 0.6147 0.5927 0.584 0.000 NA NA 0.088
#> ERR659013 1 0.7349 0.3645 0.532 0.000 NA NA 0.212
#> ERR659109 1 0.7349 0.3645 0.532 0.000 NA NA 0.212
#> ERR659014 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659110 2 0.1124 0.9781 0.000 0.960 NA NA 0.000
#> ERR659015 1 0.3007 0.8002 0.884 0.000 NA NA 0.028
#> ERR659111 1 0.3007 0.8002 0.884 0.000 NA NA 0.028
#> ERR659016 1 0.7180 0.0900 0.472 0.000 NA NA 0.316
#> ERR659112 1 0.7180 0.0900 0.472 0.000 NA NA 0.316
#> ERR659017 2 0.0609 0.9863 0.000 0.980 NA NA 0.000
#> ERR659113 2 0.0955 0.9815 0.000 0.968 NA NA 0.000
#> ERR659018 1 0.3342 0.7945 0.836 0.000 NA NA 0.008
#> ERR659114 1 0.3342 0.7945 0.836 0.000 NA NA 0.008
#> ERR659019 1 0.4110 0.7741 0.776 0.000 NA NA 0.012
#> ERR659115 1 0.4110 0.7741 0.776 0.000 NA NA 0.012
#> ERR659020 1 0.3063 0.8028 0.864 0.000 NA NA 0.020
#> ERR659116 1 0.3063 0.8028 0.864 0.000 NA NA 0.020
#> ERR659021 1 0.3281 0.7985 0.864 0.000 NA NA 0.024
#> ERR659117 1 0.3281 0.7985 0.864 0.000 NA NA 0.024
#> ERR659022 1 0.4618 0.7702 0.780 0.000 NA NA 0.088
#> ERR659118 1 0.4618 0.7702 0.780 0.000 NA NA 0.088
#> ERR659023 1 0.4005 0.7953 0.828 0.000 NA NA 0.056
#> ERR659119 1 0.4005 0.7953 0.828 0.000 NA NA 0.056
#> ERR659024 1 0.4162 0.7973 0.812 0.000 NA NA 0.036
#> ERR659120 1 0.4162 0.7973 0.812 0.000 NA NA 0.036
#> ERR659025 1 0.6069 0.5955 0.640 0.000 NA NA 0.208
#> ERR659121 1 0.6069 0.5955 0.640 0.000 NA NA 0.208
#> ERR659026 1 0.4862 0.7788 0.752 0.000 NA NA 0.024
#> ERR659122 1 0.4862 0.7788 0.752 0.000 NA NA 0.024
#> ERR659027 5 0.6790 0.4429 0.352 0.000 NA NA 0.500
#> ERR659123 5 0.6790 0.4429 0.352 0.000 NA NA 0.500
#> ERR659028 1 0.4818 0.7711 0.768 0.000 NA NA 0.072
#> ERR659124 1 0.4818 0.7711 0.768 0.000 NA NA 0.072
#> ERR659029 1 0.4741 0.7759 0.776 0.000 NA NA 0.040
#> ERR659125 1 0.4741 0.7759 0.776 0.000 NA NA 0.040
#> ERR659030 1 0.3154 0.7981 0.860 0.000 NA NA 0.024
#> ERR659126 1 0.3154 0.7981 0.860 0.000 NA NA 0.024
#> ERR659031 1 0.5456 0.7333 0.712 0.000 NA NA 0.124
#> ERR659127 1 0.5456 0.7333 0.712 0.000 NA NA 0.124
#> ERR659032 1 0.4671 0.7768 0.776 0.000 NA NA 0.104
#> ERR659128 1 0.4671 0.7768 0.776 0.000 NA NA 0.104
#> ERR659033 1 0.3218 0.8011 0.856 0.000 NA NA 0.020
#> ERR659129 1 0.3218 0.8011 0.856 0.000 NA NA 0.020
#> ERR659034 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659130 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659035 1 0.5631 0.7491 0.704 0.000 NA NA 0.120
#> ERR659131 1 0.5631 0.7491 0.704 0.000 NA NA 0.120
#> ERR659036 1 0.6315 0.5761 0.636 0.000 NA NA 0.196
#> ERR659132 1 0.6315 0.5761 0.636 0.000 NA NA 0.196
#> ERR659037 1 0.3558 0.7951 0.840 0.000 NA NA 0.036
#> ERR659133 1 0.3558 0.7951 0.840 0.000 NA NA 0.036
#> ERR659038 1 0.4925 0.7400 0.708 0.000 NA NA 0.024
#> ERR659134 1 0.4925 0.7400 0.708 0.000 NA NA 0.024
#> ERR659039 1 0.3828 0.7669 0.764 0.000 NA NA 0.008
#> ERR659135 1 0.3828 0.7669 0.764 0.000 NA NA 0.008
#> ERR659040 1 0.5573 0.6794 0.696 0.000 NA NA 0.184
#> ERR659136 1 0.5573 0.6794 0.696 0.000 NA NA 0.184
#> ERR659041 5 0.7079 0.3841 0.372 0.000 NA NA 0.452
#> ERR659137 5 0.7079 0.3841 0.372 0.000 NA NA 0.452
#> ERR659042 1 0.6453 -0.0633 0.460 0.000 NA NA 0.428
#> ERR659138 1 0.6453 -0.0633 0.460 0.000 NA NA 0.428
#> ERR659043 1 0.5565 0.7196 0.716 0.000 NA NA 0.116
#> ERR659139 1 0.5565 0.7196 0.716 0.000 NA NA 0.116
#> ERR659044 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659140 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659045 1 0.3183 0.8031 0.856 0.000 NA NA 0.008
#> ERR659141 1 0.3183 0.8031 0.856 0.000 NA NA 0.008
#> ERR659046 1 0.2742 0.7952 0.892 0.000 NA NA 0.020
#> ERR659142 1 0.2742 0.7952 0.892 0.000 NA NA 0.020
#> ERR659047 1 0.3563 0.7921 0.852 0.000 NA NA 0.044
#> ERR659143 1 0.3563 0.7921 0.852 0.000 NA NA 0.044
#> ERR659048 1 0.3685 0.7848 0.848 0.000 NA NA 0.052
#> ERR659144 1 0.3685 0.7848 0.848 0.000 NA NA 0.052
#> ERR659049 1 0.6404 0.5914 0.636 0.000 NA NA 0.168
#> ERR659145 1 0.6404 0.5914 0.636 0.000 NA NA 0.168
#> ERR659050 1 0.4839 0.7719 0.768 0.000 NA NA 0.112
#> ERR659146 1 0.4839 0.7719 0.768 0.000 NA NA 0.112
#> ERR659051 5 0.4924 0.6115 0.076 0.000 NA NA 0.764
#> ERR659147 5 0.4924 0.6115 0.076 0.000 NA NA 0.764
#> ERR659052 1 0.6329 0.6375 0.628 0.000 NA NA 0.124
#> ERR659148 1 0.6329 0.6375 0.628 0.000 NA NA 0.124
#> ERR659053 1 0.3441 0.7855 0.852 0.000 NA NA 0.036
#> ERR659149 1 0.3441 0.7855 0.852 0.000 NA NA 0.036
#> ERR659054 2 0.1444 0.9709 0.000 0.948 NA NA 0.000
#> ERR659150 2 0.1364 0.9733 0.000 0.952 NA NA 0.000
#> ERR659055 1 0.3394 0.7912 0.824 0.000 NA NA 0.004
#> ERR659151 1 0.3394 0.7912 0.824 0.000 NA NA 0.004
#> ERR659056 5 0.4405 0.6808 0.124 0.000 NA NA 0.792
#> ERR659152 5 0.4405 0.6808 0.124 0.000 NA NA 0.792
#> ERR659057 1 0.2654 0.8028 0.900 0.000 NA NA 0.016
#> ERR659153 1 0.2654 0.8028 0.900 0.000 NA NA 0.016
#> ERR659058 1 0.5254 0.7368 0.684 0.000 NA NA 0.024
#> ERR659154 1 0.5254 0.7368 0.684 0.000 NA NA 0.024
#> ERR659059 1 0.2935 0.7998 0.876 0.000 NA NA 0.024
#> ERR659155 1 0.2935 0.7998 0.876 0.000 NA NA 0.024
#> ERR659060 1 0.4943 0.7536 0.756 0.000 NA NA 0.092
#> ERR659156 1 0.4943 0.7536 0.756 0.000 NA NA 0.092
#> ERR659061 1 0.5366 0.7336 0.716 0.000 NA NA 0.112
#> ERR659157 1 0.5366 0.7336 0.716 0.000 NA NA 0.112
#> ERR659062 1 0.4757 0.7730 0.768 0.000 NA NA 0.064
#> ERR659158 1 0.4757 0.7730 0.768 0.000 NA NA 0.064
#> ERR659063 1 0.4605 0.7801 0.780 0.000 NA NA 0.068
#> ERR659159 1 0.4605 0.7801 0.780 0.000 NA NA 0.068
#> ERR659064 1 0.3043 0.7898 0.864 0.000 NA NA 0.024
#> ERR659160 1 0.3043 0.7898 0.864 0.000 NA NA 0.024
#> ERR659065 2 0.0162 0.9907 0.000 0.996 NA NA 0.000
#> ERR659161 2 0.0566 0.9864 0.000 0.984 NA NA 0.000
#> ERR659066 1 0.4592 0.7443 0.724 0.000 NA NA 0.028
#> ERR659162 1 0.4592 0.7443 0.724 0.000 NA NA 0.028
#> ERR659067 1 0.3402 0.7782 0.804 0.000 NA NA 0.004
#> ERR659163 1 0.3402 0.7782 0.804 0.000 NA NA 0.004
#> ERR659068 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659164 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659069 1 0.5091 0.7530 0.716 0.000 NA NA 0.032
#> ERR659165 1 0.5091 0.7530 0.716 0.000 NA NA 0.032
#> ERR659070 1 0.4077 0.7752 0.804 0.000 NA NA 0.060
#> ERR659166 1 0.4077 0.7752 0.804 0.000 NA NA 0.060
#> ERR659071 1 0.3948 0.7958 0.824 0.000 NA NA 0.024
#> ERR659167 1 0.3948 0.7958 0.824 0.000 NA NA 0.024
#> ERR659072 1 0.4536 0.7291 0.704 0.000 NA NA 0.020
#> ERR659168 1 0.4536 0.7291 0.704 0.000 NA NA 0.020
#> ERR659073 1 0.5087 0.7248 0.700 0.000 NA NA 0.020
#> ERR659169 1 0.5087 0.7248 0.700 0.000 NA NA 0.020
#> ERR659074 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659170 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659075 5 0.6235 0.1178 0.004 0.276 NA NA 0.568
#> ERR659171 5 0.6235 0.1178 0.004 0.276 NA NA 0.568
#> ERR659076 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659172 2 0.0000 0.9915 0.000 1.000 NA NA 0.000
#> ERR659077 1 0.4614 0.7829 0.764 0.000 NA NA 0.060
#> ERR659173 1 0.4614 0.7829 0.764 0.000 NA NA 0.060
#> ERR659078 1 0.3404 0.8029 0.840 0.000 NA NA 0.024
#> ERR659174 1 0.3404 0.8029 0.840 0.000 NA NA 0.024
#> ERR659079 1 0.4964 0.7615 0.728 0.000 NA NA 0.056
#> ERR659175 1 0.4964 0.7615 0.728 0.000 NA NA 0.056
#> ERR659080 5 0.4922 0.6953 0.160 0.000 NA NA 0.744
#> ERR659176 5 0.4922 0.6953 0.160 0.000 NA NA 0.744
#> ERR659081 1 0.2914 0.7914 0.872 0.000 NA NA 0.012
#> ERR659177 1 0.2914 0.7914 0.872 0.000 NA NA 0.012
#> ERR659082 1 0.2674 0.7950 0.888 0.000 NA NA 0.020
#> ERR659178 1 0.2674 0.7950 0.888 0.000 NA NA 0.020
#> ERR659083 2 0.0404 0.9889 0.000 0.988 NA NA 0.000
#> ERR659179 2 0.0510 0.9877 0.000 0.984 NA NA 0.000
#> ERR659084 2 0.0324 0.9902 0.000 0.992 NA NA 0.000
#> ERR659180 2 0.0865 0.9832 0.000 0.972 NA NA 0.000
#> ERR659085 1 0.3319 0.8020 0.848 0.000 NA NA 0.020
#> ERR659181 1 0.3319 0.8020 0.848 0.000 NA NA 0.020
#> ERR659086 1 0.3673 0.8019 0.840 0.000 NA NA 0.028
#> ERR659182 1 0.3673 0.8019 0.840 0.000 NA NA 0.028
#> ERR659087 1 0.5313 0.7315 0.668 0.000 NA NA 0.024
#> ERR659183 1 0.5313 0.7315 0.668 0.000 NA NA 0.024
#> ERR659088 5 0.7319 0.3140 0.360 0.000 NA NA 0.428
#> ERR659184 5 0.7319 0.3140 0.360 0.000 NA NA 0.428
#> ERR659089 1 0.4813 0.7913 0.764 0.000 NA NA 0.060
#> ERR659185 1 0.4813 0.7913 0.764 0.000 NA NA 0.060
#> ERR659090 1 0.4126 0.8001 0.800 0.000 NA NA 0.028
#> ERR659186 1 0.4126 0.8001 0.800 0.000 NA NA 0.028
#> ERR659091 1 0.2833 0.7897 0.852 0.000 NA NA 0.004
#> ERR659187 1 0.2833 0.7897 0.852 0.000 NA NA 0.004
#> ERR659092 1 0.4311 0.7887 0.788 0.000 NA NA 0.024
#> ERR659188 1 0.4311 0.7887 0.788 0.000 NA NA 0.024
#> ERR659093 1 0.3224 0.7939 0.868 0.000 NA NA 0.028
#> ERR659189 1 0.3224 0.7939 0.868 0.000 NA NA 0.028
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.4423 0.6436 0.064 0.000 NA 0.776 NA 0.008
#> ERR467498 4 0.4423 0.6436 0.064 0.000 NA 0.776 NA 0.008
#> ERR658998 1 0.5559 0.7318 0.664 0.000 NA 0.028 NA 0.028
#> ERR659094 1 0.5559 0.7318 0.664 0.000 NA 0.028 NA 0.028
#> ERR658999 1 0.3705 0.7420 0.748 0.000 NA 0.004 NA 0.000
#> ERR659095 1 0.3705 0.7420 0.748 0.000 NA 0.004 NA 0.000
#> ERR659000 1 0.7715 -0.1918 0.344 0.000 NA 0.320 NA 0.092
#> ERR659096 1 0.7715 -0.1918 0.344 0.000 NA 0.320 NA 0.092
#> ERR659001 1 0.3062 0.7661 0.816 0.000 NA 0.000 NA 0.000
#> ERR659097 1 0.3062 0.7661 0.816 0.000 NA 0.000 NA 0.000
#> ERR659002 1 0.5218 0.7431 0.692 0.000 NA 0.076 NA 0.036
#> ERR659098 1 0.5218 0.7431 0.692 0.000 NA 0.076 NA 0.036
#> ERR659003 1 0.3694 0.7684 0.816 0.000 NA 0.032 NA 0.020
#> ERR659099 1 0.3694 0.7684 0.816 0.000 NA 0.032 NA 0.020
#> ERR659004 1 0.7228 0.4133 0.464 0.000 NA 0.156 NA 0.048
#> ERR659100 1 0.7228 0.4133 0.464 0.000 NA 0.156 NA 0.048
#> ERR659005 1 0.3525 0.7554 0.816 0.000 NA 0.004 NA 0.016
#> ERR659101 1 0.3525 0.7554 0.816 0.000 NA 0.004 NA 0.016
#> ERR659006 1 0.6482 0.5293 0.540 0.000 NA 0.060 NA 0.072
#> ERR659102 1 0.6482 0.5293 0.540 0.000 NA 0.060 NA 0.072
#> ERR659007 1 0.1738 0.7529 0.928 0.000 NA 0.000 NA 0.004
#> ERR659103 1 0.1738 0.7529 0.928 0.000 NA 0.000 NA 0.004
#> ERR659008 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659104 2 0.0146 0.9926 0.000 0.996 NA 0.000 NA 0.004
#> ERR659009 1 0.6444 0.5419 0.492 0.000 NA 0.032 NA 0.036
#> ERR659105 1 0.6444 0.5419 0.492 0.000 NA 0.032 NA 0.036
#> ERR659010 1 0.5486 0.6608 0.592 0.000 NA 0.032 NA 0.020
#> ERR659106 1 0.5486 0.6608 0.592 0.000 NA 0.032 NA 0.020
#> ERR659011 1 0.4999 0.6955 0.652 0.000 NA 0.008 NA 0.020
#> ERR659107 1 0.4999 0.6955 0.652 0.000 NA 0.008 NA 0.020
#> ERR659012 1 0.6807 0.5258 0.504 0.000 NA 0.076 NA 0.056
#> ERR659108 1 0.6807 0.5258 0.504 0.000 NA 0.076 NA 0.056
#> ERR659013 1 0.7530 0.3331 0.464 0.000 NA 0.172 NA 0.024
#> ERR659109 1 0.7530 0.3331 0.464 0.000 NA 0.172 NA 0.024
#> ERR659014 2 0.0146 0.9929 0.000 0.996 NA 0.000 NA 0.004
#> ERR659110 2 0.0891 0.9810 0.000 0.968 NA 0.000 NA 0.024
#> ERR659015 1 0.3307 0.7739 0.832 0.000 NA 0.000 NA 0.008
#> ERR659111 1 0.3307 0.7739 0.832 0.000 NA 0.000 NA 0.008
#> ERR659016 1 0.7387 -0.0601 0.408 0.000 NA 0.268 NA 0.184
#> ERR659112 1 0.7387 -0.0601 0.408 0.000 NA 0.268 NA 0.184
#> ERR659017 2 0.0260 0.9920 0.000 0.992 NA 0.000 NA 0.008
#> ERR659113 2 0.0632 0.9853 0.000 0.976 NA 0.000 NA 0.024
#> ERR659018 1 0.3835 0.7704 0.800 0.000 NA 0.012 NA 0.008
#> ERR659114 1 0.3835 0.7704 0.800 0.000 NA 0.012 NA 0.008
#> ERR659019 1 0.4013 0.7491 0.776 0.000 NA 0.012 NA 0.012
#> ERR659115 1 0.4013 0.7491 0.776 0.000 NA 0.012 NA 0.012
#> ERR659020 1 0.3167 0.7726 0.840 0.000 NA 0.004 NA 0.016
#> ERR659116 1 0.3167 0.7726 0.840 0.000 NA 0.004 NA 0.016
#> ERR659021 1 0.2730 0.7601 0.872 0.000 NA 0.008 NA 0.012
#> ERR659117 1 0.2730 0.7601 0.872 0.000 NA 0.008 NA 0.012
#> ERR659022 1 0.4657 0.7429 0.756 0.000 NA 0.044 NA 0.032
#> ERR659118 1 0.4657 0.7429 0.756 0.000 NA 0.044 NA 0.032
#> ERR659023 1 0.3981 0.7648 0.800 0.000 NA 0.024 NA 0.008
#> ERR659119 1 0.3981 0.7648 0.800 0.000 NA 0.024 NA 0.008
#> ERR659024 1 0.4321 0.7723 0.780 0.000 NA 0.024 NA 0.020
#> ERR659120 1 0.4321 0.7723 0.780 0.000 NA 0.024 NA 0.020
#> ERR659025 1 0.6040 0.5463 0.608 0.000 NA 0.164 NA 0.056
#> ERR659121 1 0.6040 0.5463 0.608 0.000 NA 0.164 NA 0.056
#> ERR659026 1 0.4652 0.7638 0.744 0.000 NA 0.016 NA 0.012
#> ERR659122 1 0.4652 0.7638 0.744 0.000 NA 0.016 NA 0.012
#> ERR659027 4 0.6671 0.2577 0.364 0.000 NA 0.460 NA 0.032
#> ERR659123 4 0.6671 0.2577 0.364 0.000 NA 0.460 NA 0.032
#> ERR659028 1 0.4974 0.7363 0.732 0.000 NA 0.072 NA 0.008
#> ERR659124 1 0.4974 0.7363 0.732 0.000 NA 0.072 NA 0.008
#> ERR659029 1 0.5011 0.7397 0.716 0.000 NA 0.028 NA 0.016
#> ERR659125 1 0.5011 0.7397 0.716 0.000 NA 0.028 NA 0.016
#> ERR659030 1 0.3069 0.7649 0.856 0.000 NA 0.012 NA 0.008
#> ERR659126 1 0.3069 0.7649 0.856 0.000 NA 0.012 NA 0.008
#> ERR659031 1 0.5711 0.7194 0.668 0.000 NA 0.100 NA 0.024
#> ERR659127 1 0.5711 0.7194 0.668 0.000 NA 0.100 NA 0.024
#> ERR659032 1 0.5677 0.7383 0.680 0.000 NA 0.088 NA 0.024
#> ERR659128 1 0.5677 0.7383 0.680 0.000 NA 0.088 NA 0.024
#> ERR659033 1 0.3843 0.7668 0.804 0.000 NA 0.008 NA 0.020
#> ERR659129 1 0.3843 0.7668 0.804 0.000 NA 0.008 NA 0.020
#> ERR659034 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659130 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659035 1 0.5939 0.7001 0.640 0.000 NA 0.128 NA 0.020
#> ERR659131 1 0.5939 0.7001 0.640 0.000 NA 0.128 NA 0.020
#> ERR659036 1 0.6316 0.6280 0.632 0.000 NA 0.132 NA 0.036
#> ERR659132 1 0.6316 0.6280 0.632 0.000 NA 0.132 NA 0.036
#> ERR659037 1 0.4246 0.7605 0.776 0.000 NA 0.056 NA 0.020
#> ERR659133 1 0.4246 0.7605 0.776 0.000 NA 0.056 NA 0.020
#> ERR659038 1 0.5725 0.6927 0.644 0.000 NA 0.028 NA 0.056
#> ERR659134 1 0.5725 0.6927 0.644 0.000 NA 0.028 NA 0.056
#> ERR659039 1 0.4366 0.7306 0.708 0.000 NA 0.000 NA 0.012
#> ERR659135 1 0.4366 0.7306 0.708 0.000 NA 0.000 NA 0.012
#> ERR659040 1 0.6412 0.6292 0.612 0.000 NA 0.164 NA 0.032
#> ERR659136 1 0.6412 0.6292 0.612 0.000 NA 0.164 NA 0.032
#> ERR659041 4 0.7250 0.3110 0.320 0.000 NA 0.412 NA 0.092
#> ERR659137 4 0.7250 0.3110 0.320 0.000 NA 0.412 NA 0.092
#> ERR659042 1 0.6777 0.1214 0.456 0.000 NA 0.352 NA 0.032
#> ERR659138 1 0.6777 0.1214 0.456 0.000 NA 0.352 NA 0.032
#> ERR659043 1 0.6415 0.6271 0.596 0.000 NA 0.100 NA 0.016
#> ERR659139 1 0.6415 0.6271 0.596 0.000 NA 0.100 NA 0.016
#> ERR659044 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659140 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659045 1 0.3813 0.7742 0.816 0.000 NA 0.012 NA 0.028
#> ERR659141 1 0.3813 0.7742 0.816 0.000 NA 0.012 NA 0.028
#> ERR659046 1 0.3376 0.7708 0.828 0.000 NA 0.012 NA 0.016
#> ERR659142 1 0.3376 0.7708 0.828 0.000 NA 0.012 NA 0.016
#> ERR659047 1 0.3652 0.7678 0.832 0.000 NA 0.036 NA 0.024
#> ERR659143 1 0.3652 0.7678 0.832 0.000 NA 0.036 NA 0.024
#> ERR659048 1 0.3418 0.7564 0.836 0.000 NA 0.044 NA 0.004
#> ERR659144 1 0.3418 0.7564 0.836 0.000 NA 0.044 NA 0.004
#> ERR659049 1 0.6961 0.5263 0.528 0.000 NA 0.188 NA 0.060
#> ERR659145 1 0.6961 0.5263 0.528 0.000 NA 0.188 NA 0.060
#> ERR659050 1 0.5975 0.6812 0.656 0.000 NA 0.108 NA 0.020
#> ERR659146 1 0.5975 0.6812 0.656 0.000 NA 0.108 NA 0.020
#> ERR659051 4 0.4598 0.5955 0.040 0.000 NA 0.708 NA 0.000
#> ERR659147 4 0.4598 0.5955 0.040 0.000 NA 0.708 NA 0.000
#> ERR659052 1 0.6403 0.6044 0.560 0.000 NA 0.108 NA 0.020
#> ERR659148 1 0.6403 0.6044 0.560 0.000 NA 0.108 NA 0.020
#> ERR659053 1 0.2770 0.7569 0.880 0.000 NA 0.016 NA 0.008
#> ERR659149 1 0.2770 0.7569 0.880 0.000 NA 0.016 NA 0.008
#> ERR659054 2 0.1116 0.9758 0.000 0.960 NA 0.000 NA 0.028
#> ERR659150 2 0.0777 0.9842 0.000 0.972 NA 0.000 NA 0.024
#> ERR659055 1 0.3638 0.7652 0.816 0.000 NA 0.008 NA 0.020
#> ERR659151 1 0.3638 0.7652 0.816 0.000 NA 0.008 NA 0.020
#> ERR659056 4 0.4729 0.6914 0.124 0.000 NA 0.756 NA 0.020
#> ERR659152 4 0.4729 0.6914 0.124 0.000 NA 0.756 NA 0.020
#> ERR659057 1 0.3917 0.7770 0.808 0.000 NA 0.024 NA 0.016
#> ERR659153 1 0.3917 0.7770 0.808 0.000 NA 0.024 NA 0.016
#> ERR659058 1 0.4859 0.7281 0.720 0.000 NA 0.000 NA 0.080
#> ERR659154 1 0.4859 0.7281 0.720 0.000 NA 0.000 NA 0.080
#> ERR659059 1 0.3514 0.7769 0.812 0.000 NA 0.004 NA 0.012
#> ERR659155 1 0.3514 0.7769 0.812 0.000 NA 0.004 NA 0.012
#> ERR659060 1 0.5106 0.7176 0.704 0.000 NA 0.104 NA 0.024
#> ERR659156 1 0.5106 0.7176 0.704 0.000 NA 0.104 NA 0.024
#> ERR659061 1 0.5060 0.7151 0.684 0.000 NA 0.116 NA 0.016
#> ERR659157 1 0.5060 0.7151 0.684 0.000 NA 0.116 NA 0.016
#> ERR659062 1 0.5815 0.7024 0.648 0.000 NA 0.060 NA 0.048
#> ERR659158 1 0.5815 0.7024 0.648 0.000 NA 0.060 NA 0.048
#> ERR659063 1 0.4554 0.7621 0.760 0.000 NA 0.040 NA 0.024
#> ERR659159 1 0.4554 0.7621 0.760 0.000 NA 0.040 NA 0.024
#> ERR659064 1 0.2880 0.7616 0.856 0.000 NA 0.000 NA 0.012
#> ERR659160 1 0.2880 0.7616 0.856 0.000 NA 0.000 NA 0.012
#> ERR659065 2 0.0146 0.9925 0.000 0.996 NA 0.000 NA 0.000
#> ERR659161 2 0.0508 0.9883 0.000 0.984 NA 0.000 NA 0.012
#> ERR659066 1 0.5006 0.7311 0.680 0.000 NA 0.044 NA 0.020
#> ERR659162 1 0.5006 0.7311 0.680 0.000 NA 0.044 NA 0.020
#> ERR659067 1 0.3971 0.7463 0.748 0.000 NA 0.000 NA 0.024
#> ERR659163 1 0.3971 0.7463 0.748 0.000 NA 0.000 NA 0.024
#> ERR659068 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659164 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659069 1 0.4962 0.7357 0.704 0.000 NA 0.016 NA 0.028
#> ERR659165 1 0.4962 0.7357 0.704 0.000 NA 0.016 NA 0.028
#> ERR659070 1 0.4383 0.7593 0.776 0.000 NA 0.036 NA 0.056
#> ERR659166 1 0.4383 0.7593 0.776 0.000 NA 0.036 NA 0.056
#> ERR659071 1 0.4255 0.7645 0.780 0.000 NA 0.020 NA 0.012
#> ERR659167 1 0.4255 0.7645 0.780 0.000 NA 0.020 NA 0.012
#> ERR659072 1 0.5369 0.6983 0.624 0.000 NA 0.036 NA 0.024
#> ERR659168 1 0.5369 0.6983 0.624 0.000 NA 0.036 NA 0.024
#> ERR659073 1 0.5627 0.7189 0.652 0.000 NA 0.040 NA 0.048
#> ERR659169 1 0.5627 0.7189 0.652 0.000 NA 0.040 NA 0.048
#> ERR659074 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659170 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659075 4 0.6798 0.2038 0.004 0.264 NA 0.496 NA 0.088
#> ERR659171 4 0.6798 0.2038 0.004 0.264 NA 0.496 NA 0.088
#> ERR659076 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659172 2 0.0000 0.9934 0.000 1.000 NA 0.000 NA 0.000
#> ERR659077 1 0.5513 0.7168 0.664 0.000 NA 0.024 NA 0.080
#> ERR659173 1 0.5513 0.7168 0.664 0.000 NA 0.024 NA 0.080
#> ERR659078 1 0.4429 0.7669 0.764 0.000 NA 0.020 NA 0.044
#> ERR659174 1 0.4429 0.7669 0.764 0.000 NA 0.020 NA 0.044
#> ERR659079 1 0.5794 0.7109 0.640 0.000 NA 0.036 NA 0.016
#> ERR659175 1 0.5794 0.7109 0.640 0.000 NA 0.036 NA 0.016
#> ERR659080 4 0.6061 0.6591 0.172 0.000 NA 0.644 NA 0.044
#> ERR659176 4 0.6061 0.6591 0.172 0.000 NA 0.644 NA 0.044
#> ERR659081 1 0.2798 0.7600 0.860 0.000 NA 0.000 NA 0.012
#> ERR659177 1 0.2798 0.7600 0.860 0.000 NA 0.000 NA 0.012
#> ERR659082 1 0.3681 0.7734 0.824 0.000 NA 0.016 NA 0.016
#> ERR659178 1 0.3681 0.7734 0.824 0.000 NA 0.016 NA 0.016
#> ERR659083 2 0.0260 0.9920 0.000 0.992 NA 0.000 NA 0.008
#> ERR659179 2 0.0260 0.9920 0.000 0.992 NA 0.000 NA 0.008
#> ERR659084 2 0.0260 0.9916 0.000 0.992 NA 0.000 NA 0.008
#> ERR659180 2 0.0632 0.9862 0.000 0.976 NA 0.000 NA 0.024
#> ERR659085 1 0.4270 0.7663 0.756 0.000 NA 0.036 NA 0.024
#> ERR659181 1 0.4270 0.7663 0.756 0.000 NA 0.036 NA 0.024
#> ERR659086 1 0.4243 0.7733 0.760 0.000 NA 0.008 NA 0.028
#> ERR659182 1 0.4243 0.7733 0.760 0.000 NA 0.008 NA 0.028
#> ERR659087 1 0.5890 0.6593 0.580 0.000 NA 0.024 NA 0.028
#> ERR659183 1 0.5890 0.6593 0.580 0.000 NA 0.024 NA 0.028
#> ERR659088 1 0.7412 -0.2358 0.372 0.000 NA 0.356 NA 0.016
#> ERR659184 1 0.7412 -0.2358 0.372 0.000 NA 0.356 NA 0.016
#> ERR659089 1 0.5549 0.7084 0.696 0.000 NA 0.052 NA 0.096
#> ERR659185 1 0.5549 0.7084 0.696 0.000 NA 0.052 NA 0.096
#> ERR659090 1 0.3761 0.7718 0.812 0.000 NA 0.020 NA 0.024
#> ERR659186 1 0.3761 0.7718 0.812 0.000 NA 0.020 NA 0.024
#> ERR659091 1 0.2954 0.7666 0.844 0.000 NA 0.000 NA 0.000
#> ERR659187 1 0.2954 0.7666 0.844 0.000 NA 0.000 NA 0.000
#> ERR659092 1 0.4508 0.7650 0.740 0.000 NA 0.012 NA 0.012
#> ERR659188 1 0.4508 0.7650 0.740 0.000 NA 0.012 NA 0.012
#> ERR659093 1 0.2798 0.7651 0.868 0.000 NA 0.004 NA 0.012
#> ERR659189 1 0.2798 0.7651 0.868 0.000 NA 0.004 NA 0.012
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.963 0.985 0.3666 0.636 0.636
#> 3 3 0.401 0.663 0.802 0.6574 0.740 0.598
#> 4 4 0.402 0.560 0.728 0.1632 0.864 0.678
#> 5 5 0.443 0.461 0.663 0.0878 0.928 0.775
#> 6 6 0.498 0.399 0.600 0.0531 0.899 0.650
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
#> ERR467487 2 0.0000 0.972 0.000 1.000
#> ERR467498 2 0.0000 0.972 0.000 1.000
#> ERR658998 1 0.0000 0.988 1.000 0.000
#> ERR659094 1 0.0000 0.988 1.000 0.000
#> ERR658999 1 0.0000 0.988 1.000 0.000
#> ERR659095 1 0.0000 0.988 1.000 0.000
#> ERR659000 2 0.2423 0.942 0.040 0.960
#> ERR659096 2 0.2423 0.942 0.040 0.960
#> ERR659001 1 0.0000 0.988 1.000 0.000
#> ERR659097 1 0.0000 0.988 1.000 0.000
#> ERR659002 1 0.0000 0.988 1.000 0.000
#> ERR659098 1 0.0000 0.988 1.000 0.000
#> ERR659003 1 0.0000 0.988 1.000 0.000
#> ERR659099 1 0.0000 0.988 1.000 0.000
#> ERR659004 1 0.9323 0.458 0.652 0.348
#> ERR659100 1 0.9323 0.458 0.652 0.348
#> ERR659005 1 0.0000 0.988 1.000 0.000
#> ERR659101 1 0.0000 0.988 1.000 0.000
#> ERR659006 1 0.0000 0.988 1.000 0.000
#> ERR659102 1 0.0000 0.988 1.000 0.000
#> ERR659007 1 0.0000 0.988 1.000 0.000
#> ERR659103 1 0.0000 0.988 1.000 0.000
#> ERR659008 2 0.0000 0.972 0.000 1.000
#> ERR659104 2 0.0000 0.972 0.000 1.000
#> ERR659009 1 0.0000 0.988 1.000 0.000
#> ERR659105 1 0.0000 0.988 1.000 0.000
#> ERR659010 1 0.0000 0.988 1.000 0.000
#> ERR659106 1 0.0000 0.988 1.000 0.000
#> ERR659011 1 0.0000 0.988 1.000 0.000
#> ERR659107 1 0.0000 0.988 1.000 0.000
#> ERR659012 1 0.1414 0.969 0.980 0.020
#> ERR659108 1 0.1414 0.969 0.980 0.020
#> ERR659013 1 0.6712 0.780 0.824 0.176
#> ERR659109 1 0.6712 0.780 0.824 0.176
#> ERR659014 2 0.0000 0.972 0.000 1.000
#> ERR659110 2 0.0000 0.972 0.000 1.000
#> ERR659015 1 0.0000 0.988 1.000 0.000
#> ERR659111 1 0.0000 0.988 1.000 0.000
#> ERR659016 2 0.9815 0.285 0.420 0.580
#> ERR659112 2 0.9815 0.285 0.420 0.580
#> ERR659017 2 0.0000 0.972 0.000 1.000
#> ERR659113 2 0.0000 0.972 0.000 1.000
#> ERR659018 1 0.0000 0.988 1.000 0.000
#> ERR659114 1 0.0000 0.988 1.000 0.000
#> ERR659019 1 0.0000 0.988 1.000 0.000
#> ERR659115 1 0.0000 0.988 1.000 0.000
#> ERR659020 1 0.0000 0.988 1.000 0.000
#> ERR659116 1 0.0000 0.988 1.000 0.000
#> ERR659021 1 0.0000 0.988 1.000 0.000
#> ERR659117 1 0.0000 0.988 1.000 0.000
#> ERR659022 1 0.0000 0.988 1.000 0.000
#> ERR659118 1 0.0000 0.988 1.000 0.000
#> ERR659023 1 0.0000 0.988 1.000 0.000
#> ERR659119 1 0.0000 0.988 1.000 0.000
#> ERR659024 1 0.0000 0.988 1.000 0.000
#> ERR659120 1 0.0000 0.988 1.000 0.000
#> ERR659025 1 0.0376 0.984 0.996 0.004
#> ERR659121 1 0.0376 0.984 0.996 0.004
#> ERR659026 1 0.0000 0.988 1.000 0.000
#> ERR659122 1 0.0000 0.988 1.000 0.000
#> ERR659027 2 0.0000 0.972 0.000 1.000
#> ERR659123 2 0.0000 0.972 0.000 1.000
#> ERR659028 1 0.0000 0.988 1.000 0.000
#> ERR659124 1 0.0000 0.988 1.000 0.000
#> ERR659029 1 0.0000 0.988 1.000 0.000
#> ERR659125 1 0.0000 0.988 1.000 0.000
#> ERR659030 1 0.0000 0.988 1.000 0.000
#> ERR659126 1 0.0000 0.988 1.000 0.000
#> ERR659031 1 0.0000 0.988 1.000 0.000
#> ERR659127 1 0.0000 0.988 1.000 0.000
#> ERR659032 1 0.0000 0.988 1.000 0.000
#> ERR659128 1 0.0000 0.988 1.000 0.000
#> ERR659033 1 0.0000 0.988 1.000 0.000
#> ERR659129 1 0.0000 0.988 1.000 0.000
#> ERR659034 2 0.0000 0.972 0.000 1.000
#> ERR659130 2 0.0000 0.972 0.000 1.000
#> ERR659035 1 0.0000 0.988 1.000 0.000
#> ERR659131 1 0.0000 0.988 1.000 0.000
#> ERR659036 1 0.0000 0.988 1.000 0.000
#> ERR659132 1 0.0000 0.988 1.000 0.000
#> ERR659037 1 0.0000 0.988 1.000 0.000
#> ERR659133 1 0.0000 0.988 1.000 0.000
#> ERR659038 1 0.0000 0.988 1.000 0.000
#> ERR659134 1 0.0000 0.988 1.000 0.000
#> ERR659039 1 0.0000 0.988 1.000 0.000
#> ERR659135 1 0.0000 0.988 1.000 0.000
#> ERR659040 1 0.0376 0.984 0.996 0.004
#> ERR659136 1 0.0376 0.984 0.996 0.004
#> ERR659041 2 0.0000 0.972 0.000 1.000
#> ERR659137 2 0.0000 0.972 0.000 1.000
#> ERR659042 2 0.2236 0.945 0.036 0.964
#> ERR659138 2 0.2236 0.945 0.036 0.964
#> ERR659043 1 0.0000 0.988 1.000 0.000
#> ERR659139 1 0.0000 0.988 1.000 0.000
#> ERR659044 2 0.0000 0.972 0.000 1.000
#> ERR659140 2 0.0000 0.972 0.000 1.000
#> ERR659045 1 0.0000 0.988 1.000 0.000
#> ERR659141 1 0.0000 0.988 1.000 0.000
#> ERR659046 1 0.0000 0.988 1.000 0.000
#> ERR659142 1 0.0000 0.988 1.000 0.000
#> ERR659047 1 0.0000 0.988 1.000 0.000
#> ERR659143 1 0.0000 0.988 1.000 0.000
#> ERR659048 1 0.0000 0.988 1.000 0.000
#> ERR659144 1 0.0000 0.988 1.000 0.000
#> ERR659049 1 0.9044 0.522 0.680 0.320
#> ERR659145 1 0.9044 0.522 0.680 0.320
#> ERR659050 1 0.0000 0.988 1.000 0.000
#> ERR659146 1 0.0000 0.988 1.000 0.000
#> ERR659051 2 0.0000 0.972 0.000 1.000
#> ERR659147 2 0.0000 0.972 0.000 1.000
#> ERR659052 1 0.0000 0.988 1.000 0.000
#> ERR659148 1 0.0000 0.988 1.000 0.000
#> ERR659053 1 0.0000 0.988 1.000 0.000
#> ERR659149 1 0.0000 0.988 1.000 0.000
#> ERR659054 2 0.0000 0.972 0.000 1.000
#> ERR659150 2 0.0000 0.972 0.000 1.000
#> ERR659055 1 0.0000 0.988 1.000 0.000
#> ERR659151 1 0.0000 0.988 1.000 0.000
#> ERR659056 2 0.0000 0.972 0.000 1.000
#> ERR659152 2 0.0000 0.972 0.000 1.000
#> ERR659057 1 0.0000 0.988 1.000 0.000
#> ERR659153 1 0.0000 0.988 1.000 0.000
#> ERR659058 1 0.0000 0.988 1.000 0.000
#> ERR659154 1 0.0000 0.988 1.000 0.000
#> ERR659059 1 0.0000 0.988 1.000 0.000
#> ERR659155 1 0.0000 0.988 1.000 0.000
#> ERR659060 1 0.0000 0.988 1.000 0.000
#> ERR659156 1 0.0000 0.988 1.000 0.000
#> ERR659061 1 0.0000 0.988 1.000 0.000
#> ERR659157 1 0.0000 0.988 1.000 0.000
#> ERR659062 1 0.0000 0.988 1.000 0.000
#> ERR659158 1 0.0000 0.988 1.000 0.000
#> ERR659063 1 0.0000 0.988 1.000 0.000
#> ERR659159 1 0.0000 0.988 1.000 0.000
#> ERR659064 1 0.0000 0.988 1.000 0.000
#> ERR659160 1 0.0000 0.988 1.000 0.000
#> ERR659065 2 0.0000 0.972 0.000 1.000
#> ERR659161 2 0.0000 0.972 0.000 1.000
#> ERR659066 1 0.0000 0.988 1.000 0.000
#> ERR659162 1 0.0000 0.988 1.000 0.000
#> ERR659067 1 0.0000 0.988 1.000 0.000
#> ERR659163 1 0.0000 0.988 1.000 0.000
#> ERR659068 2 0.0000 0.972 0.000 1.000
#> ERR659164 2 0.0000 0.972 0.000 1.000
#> ERR659069 1 0.0000 0.988 1.000 0.000
#> ERR659165 1 0.0000 0.988 1.000 0.000
#> ERR659070 1 0.0000 0.988 1.000 0.000
#> ERR659166 1 0.0000 0.988 1.000 0.000
#> ERR659071 1 0.0000 0.988 1.000 0.000
#> ERR659167 1 0.0000 0.988 1.000 0.000
#> ERR659072 1 0.0000 0.988 1.000 0.000
#> ERR659168 1 0.0000 0.988 1.000 0.000
#> ERR659073 1 0.0000 0.988 1.000 0.000
#> ERR659169 1 0.0000 0.988 1.000 0.000
#> ERR659074 2 0.0000 0.972 0.000 1.000
#> ERR659170 2 0.0000 0.972 0.000 1.000
#> ERR659075 2 0.0000 0.972 0.000 1.000
#> ERR659171 2 0.0000 0.972 0.000 1.000
#> ERR659076 2 0.0000 0.972 0.000 1.000
#> ERR659172 2 0.0000 0.972 0.000 1.000
#> ERR659077 1 0.0000 0.988 1.000 0.000
#> ERR659173 1 0.0000 0.988 1.000 0.000
#> ERR659078 1 0.0000 0.988 1.000 0.000
#> ERR659174 1 0.0000 0.988 1.000 0.000
#> ERR659079 1 0.0000 0.988 1.000 0.000
#> ERR659175 1 0.0000 0.988 1.000 0.000
#> ERR659080 2 0.0000 0.972 0.000 1.000
#> ERR659176 2 0.0000 0.972 0.000 1.000
#> ERR659081 1 0.0000 0.988 1.000 0.000
#> ERR659177 1 0.0000 0.988 1.000 0.000
#> ERR659082 1 0.0000 0.988 1.000 0.000
#> ERR659178 1 0.0000 0.988 1.000 0.000
#> ERR659083 2 0.0000 0.972 0.000 1.000
#> ERR659179 2 0.0000 0.972 0.000 1.000
#> ERR659084 2 0.0000 0.972 0.000 1.000
#> ERR659180 2 0.0000 0.972 0.000 1.000
#> ERR659085 1 0.0000 0.988 1.000 0.000
#> ERR659181 1 0.0000 0.988 1.000 0.000
#> ERR659086 1 0.0000 0.988 1.000 0.000
#> ERR659182 1 0.0000 0.988 1.000 0.000
#> ERR659087 1 0.0000 0.988 1.000 0.000
#> ERR659183 1 0.0000 0.988 1.000 0.000
#> ERR659088 2 0.4939 0.871 0.108 0.892
#> ERR659184 2 0.4939 0.871 0.108 0.892
#> ERR659089 1 0.0000 0.988 1.000 0.000
#> ERR659185 1 0.0000 0.988 1.000 0.000
#> ERR659090 1 0.0000 0.988 1.000 0.000
#> ERR659186 1 0.0000 0.988 1.000 0.000
#> ERR659091 1 0.0000 0.988 1.000 0.000
#> ERR659187 1 0.0000 0.988 1.000 0.000
#> ERR659092 1 0.0000 0.988 1.000 0.000
#> ERR659188 1 0.0000 0.988 1.000 0.000
#> ERR659093 1 0.0000 0.988 1.000 0.000
#> ERR659189 1 0.0000 0.988 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR467498 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR658998 1 0.6286 0.0116 0.536 0.000 0.464
#> ERR659094 1 0.6286 0.0116 0.536 0.000 0.464
#> ERR658999 3 0.5760 0.7356 0.328 0.000 0.672
#> ERR659095 3 0.5760 0.7356 0.328 0.000 0.672
#> ERR659000 2 0.9961 0.1401 0.296 0.372 0.332
#> ERR659096 2 0.9961 0.1401 0.296 0.372 0.332
#> ERR659001 1 0.5591 0.4924 0.696 0.000 0.304
#> ERR659097 1 0.5591 0.4924 0.696 0.000 0.304
#> ERR659002 1 0.4062 0.7229 0.836 0.000 0.164
#> ERR659098 1 0.4062 0.7229 0.836 0.000 0.164
#> ERR659003 1 0.4062 0.6894 0.836 0.000 0.164
#> ERR659099 1 0.4062 0.6894 0.836 0.000 0.164
#> ERR659004 3 0.4326 0.7024 0.144 0.012 0.844
#> ERR659100 3 0.4326 0.7024 0.144 0.012 0.844
#> ERR659005 1 0.1860 0.7403 0.948 0.000 0.052
#> ERR659101 1 0.1860 0.7403 0.948 0.000 0.052
#> ERR659006 3 0.5016 0.7543 0.240 0.000 0.760
#> ERR659102 3 0.5016 0.7543 0.240 0.000 0.760
#> ERR659007 1 0.1860 0.7351 0.948 0.000 0.052
#> ERR659103 1 0.1860 0.7351 0.948 0.000 0.052
#> ERR659008 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659104 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659009 3 0.4346 0.7387 0.184 0.000 0.816
#> ERR659105 3 0.4346 0.7387 0.184 0.000 0.816
#> ERR659010 3 0.4750 0.7571 0.216 0.000 0.784
#> ERR659106 3 0.4750 0.7571 0.216 0.000 0.784
#> ERR659011 3 0.5882 0.7249 0.348 0.000 0.652
#> ERR659107 3 0.5882 0.7249 0.348 0.000 0.652
#> ERR659012 3 0.4062 0.7377 0.164 0.000 0.836
#> ERR659108 3 0.4062 0.7377 0.164 0.000 0.836
#> ERR659013 3 0.6699 0.4391 0.256 0.044 0.700
#> ERR659109 3 0.6699 0.4391 0.256 0.044 0.700
#> ERR659014 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659110 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659015 1 0.1411 0.7380 0.964 0.000 0.036
#> ERR659111 1 0.1411 0.7380 0.964 0.000 0.036
#> ERR659016 1 0.9887 0.0410 0.396 0.336 0.268
#> ERR659112 1 0.9887 0.0410 0.396 0.336 0.268
#> ERR659017 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659113 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659018 1 0.5138 0.5511 0.748 0.000 0.252
#> ERR659114 1 0.5138 0.5511 0.748 0.000 0.252
#> ERR659019 3 0.6126 0.6597 0.400 0.000 0.600
#> ERR659115 3 0.6126 0.6597 0.400 0.000 0.600
#> ERR659020 1 0.4555 0.6365 0.800 0.000 0.200
#> ERR659116 1 0.4555 0.6365 0.800 0.000 0.200
#> ERR659021 1 0.1031 0.7366 0.976 0.000 0.024
#> ERR659117 1 0.1031 0.7366 0.976 0.000 0.024
#> ERR659022 1 0.1860 0.7326 0.948 0.000 0.052
#> ERR659118 1 0.1860 0.7326 0.948 0.000 0.052
#> ERR659023 1 0.2878 0.7233 0.904 0.000 0.096
#> ERR659119 1 0.2878 0.7233 0.904 0.000 0.096
#> ERR659024 1 0.4178 0.7144 0.828 0.000 0.172
#> ERR659120 1 0.4178 0.7144 0.828 0.000 0.172
#> ERR659025 1 0.4504 0.6304 0.804 0.000 0.196
#> ERR659121 1 0.4504 0.6304 0.804 0.000 0.196
#> ERR659026 1 0.5882 0.3303 0.652 0.000 0.348
#> ERR659122 1 0.5882 0.3303 0.652 0.000 0.348
#> ERR659027 2 0.3340 0.8623 0.000 0.880 0.120
#> ERR659123 2 0.3340 0.8623 0.000 0.880 0.120
#> ERR659028 1 0.5529 0.5937 0.704 0.000 0.296
#> ERR659124 1 0.5529 0.5937 0.704 0.000 0.296
#> ERR659029 1 0.4235 0.7075 0.824 0.000 0.176
#> ERR659125 1 0.4235 0.7075 0.824 0.000 0.176
#> ERR659030 1 0.2878 0.7249 0.904 0.000 0.096
#> ERR659126 1 0.2878 0.7249 0.904 0.000 0.096
#> ERR659031 3 0.6192 0.2188 0.420 0.000 0.580
#> ERR659127 3 0.6180 0.2312 0.416 0.000 0.584
#> ERR659032 1 0.5988 0.5061 0.632 0.000 0.368
#> ERR659128 1 0.5988 0.5061 0.632 0.000 0.368
#> ERR659033 1 0.4399 0.6498 0.812 0.000 0.188
#> ERR659129 1 0.4399 0.6498 0.812 0.000 0.188
#> ERR659034 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659130 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659035 1 0.6192 0.3438 0.580 0.000 0.420
#> ERR659131 1 0.6192 0.3438 0.580 0.000 0.420
#> ERR659036 1 0.5016 0.6163 0.760 0.000 0.240
#> ERR659132 1 0.5016 0.6163 0.760 0.000 0.240
#> ERR659037 1 0.3686 0.7143 0.860 0.000 0.140
#> ERR659133 1 0.3686 0.7143 0.860 0.000 0.140
#> ERR659038 3 0.5363 0.7581 0.276 0.000 0.724
#> ERR659134 3 0.5363 0.7581 0.276 0.000 0.724
#> ERR659039 3 0.5835 0.7229 0.340 0.000 0.660
#> ERR659135 3 0.5835 0.7229 0.340 0.000 0.660
#> ERR659040 1 0.5397 0.5613 0.720 0.000 0.280
#> ERR659136 1 0.5397 0.5613 0.720 0.000 0.280
#> ERR659041 2 0.3482 0.8571 0.000 0.872 0.128
#> ERR659137 2 0.3482 0.8571 0.000 0.872 0.128
#> ERR659042 2 0.9017 0.5133 0.212 0.560 0.228
#> ERR659138 2 0.9017 0.5133 0.212 0.560 0.228
#> ERR659043 1 0.4750 0.6316 0.784 0.000 0.216
#> ERR659139 1 0.4750 0.6316 0.784 0.000 0.216
#> ERR659044 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659140 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659045 1 0.6026 0.1005 0.624 0.000 0.376
#> ERR659141 1 0.6026 0.1005 0.624 0.000 0.376
#> ERR659046 1 0.1964 0.7427 0.944 0.000 0.056
#> ERR659142 1 0.1964 0.7427 0.944 0.000 0.056
#> ERR659047 1 0.1964 0.7416 0.944 0.000 0.056
#> ERR659143 1 0.1964 0.7416 0.944 0.000 0.056
#> ERR659048 1 0.2165 0.7338 0.936 0.000 0.064
#> ERR659144 1 0.2165 0.7338 0.936 0.000 0.064
#> ERR659049 3 0.8181 0.3769 0.312 0.096 0.592
#> ERR659145 3 0.8181 0.3769 0.312 0.096 0.592
#> ERR659050 1 0.5621 0.5539 0.692 0.000 0.308
#> ERR659146 1 0.5621 0.5539 0.692 0.000 0.308
#> ERR659051 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659147 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659052 3 0.3412 0.6821 0.124 0.000 0.876
#> ERR659148 3 0.3412 0.6821 0.124 0.000 0.876
#> ERR659053 1 0.0892 0.7366 0.980 0.000 0.020
#> ERR659149 1 0.0892 0.7366 0.980 0.000 0.020
#> ERR659054 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659150 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659055 1 0.6302 -0.2956 0.520 0.000 0.480
#> ERR659151 1 0.6302 -0.2956 0.520 0.000 0.480
#> ERR659056 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659152 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659057 1 0.3816 0.7040 0.852 0.000 0.148
#> ERR659153 1 0.3816 0.7040 0.852 0.000 0.148
#> ERR659058 3 0.5905 0.7121 0.352 0.000 0.648
#> ERR659154 3 0.5905 0.7121 0.352 0.000 0.648
#> ERR659059 1 0.4178 0.7012 0.828 0.000 0.172
#> ERR659155 1 0.4178 0.7012 0.828 0.000 0.172
#> ERR659060 1 0.2796 0.7212 0.908 0.000 0.092
#> ERR659156 1 0.2796 0.7212 0.908 0.000 0.092
#> ERR659061 1 0.3941 0.7099 0.844 0.000 0.156
#> ERR659157 1 0.3941 0.7099 0.844 0.000 0.156
#> ERR659062 3 0.6267 0.3632 0.452 0.000 0.548
#> ERR659158 3 0.6267 0.3632 0.452 0.000 0.548
#> ERR659063 1 0.3941 0.7249 0.844 0.000 0.156
#> ERR659159 1 0.3941 0.7249 0.844 0.000 0.156
#> ERR659064 1 0.1753 0.7376 0.952 0.000 0.048
#> ERR659160 1 0.1753 0.7376 0.952 0.000 0.048
#> ERR659065 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659161 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659066 3 0.5497 0.7471 0.292 0.000 0.708
#> ERR659162 3 0.5497 0.7471 0.292 0.000 0.708
#> ERR659067 3 0.5948 0.6874 0.360 0.000 0.640
#> ERR659163 3 0.5948 0.6874 0.360 0.000 0.640
#> ERR659068 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659164 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659069 3 0.5859 0.7186 0.344 0.000 0.656
#> ERR659165 3 0.5859 0.7186 0.344 0.000 0.656
#> ERR659070 1 0.1964 0.7327 0.944 0.000 0.056
#> ERR659166 1 0.1964 0.7327 0.944 0.000 0.056
#> ERR659071 1 0.2796 0.7346 0.908 0.000 0.092
#> ERR659167 1 0.2796 0.7346 0.908 0.000 0.092
#> ERR659072 3 0.5016 0.7605 0.240 0.000 0.760
#> ERR659168 3 0.5016 0.7605 0.240 0.000 0.760
#> ERR659073 3 0.6295 0.3499 0.472 0.000 0.528
#> ERR659169 3 0.6295 0.3499 0.472 0.000 0.528
#> ERR659074 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659170 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659075 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659171 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659076 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659172 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659077 1 0.6045 0.4413 0.620 0.000 0.380
#> ERR659173 1 0.6045 0.4413 0.620 0.000 0.380
#> ERR659078 1 0.5098 0.5948 0.752 0.000 0.248
#> ERR659174 1 0.5098 0.5948 0.752 0.000 0.248
#> ERR659079 1 0.5560 0.5917 0.700 0.000 0.300
#> ERR659175 1 0.5560 0.5917 0.700 0.000 0.300
#> ERR659080 2 0.2261 0.8913 0.000 0.932 0.068
#> ERR659176 2 0.2261 0.8913 0.000 0.932 0.068
#> ERR659081 1 0.2165 0.7321 0.936 0.000 0.064
#> ERR659177 1 0.2165 0.7321 0.936 0.000 0.064
#> ERR659082 1 0.2625 0.7343 0.916 0.000 0.084
#> ERR659178 1 0.2625 0.7343 0.916 0.000 0.084
#> ERR659083 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659179 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659084 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659180 2 0.0000 0.9238 0.000 1.000 0.000
#> ERR659085 1 0.5138 0.5656 0.748 0.000 0.252
#> ERR659181 1 0.5138 0.5656 0.748 0.000 0.252
#> ERR659086 1 0.3116 0.7270 0.892 0.000 0.108
#> ERR659182 1 0.3116 0.7270 0.892 0.000 0.108
#> ERR659087 3 0.4887 0.7373 0.228 0.000 0.772
#> ERR659183 3 0.4887 0.7373 0.228 0.000 0.772
#> ERR659088 2 0.8076 0.4402 0.068 0.524 0.408
#> ERR659184 2 0.8076 0.4402 0.068 0.524 0.408
#> ERR659089 1 0.5138 0.6042 0.748 0.000 0.252
#> ERR659185 1 0.5138 0.6042 0.748 0.000 0.252
#> ERR659090 1 0.4974 0.6402 0.764 0.000 0.236
#> ERR659186 1 0.4974 0.6402 0.764 0.000 0.236
#> ERR659091 1 0.5465 0.5257 0.712 0.000 0.288
#> ERR659187 1 0.5465 0.5257 0.712 0.000 0.288
#> ERR659092 1 0.5859 0.4672 0.656 0.000 0.344
#> ERR659188 1 0.5859 0.4672 0.656 0.000 0.344
#> ERR659093 1 0.1753 0.7337 0.952 0.000 0.048
#> ERR659189 1 0.1753 0.7337 0.952 0.000 0.048
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR467498 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR658998 1 0.7640 0.1796 0.456 0.000 0.316 0.228
#> ERR659094 1 0.7640 0.1796 0.456 0.000 0.316 0.228
#> ERR658999 3 0.4905 0.5657 0.364 0.000 0.632 0.004
#> ERR659095 3 0.4905 0.5657 0.364 0.000 0.632 0.004
#> ERR659000 4 0.6422 0.5380 0.084 0.084 0.108 0.724
#> ERR659096 4 0.6422 0.5380 0.084 0.084 0.108 0.724
#> ERR659001 1 0.5219 0.5411 0.712 0.000 0.244 0.044
#> ERR659097 1 0.5219 0.5411 0.712 0.000 0.244 0.044
#> ERR659002 1 0.6993 0.2791 0.532 0.000 0.132 0.336
#> ERR659098 1 0.6993 0.2791 0.532 0.000 0.132 0.336
#> ERR659003 1 0.5484 0.6166 0.732 0.000 0.164 0.104
#> ERR659099 1 0.5484 0.6166 0.732 0.000 0.164 0.104
#> ERR659004 3 0.3760 0.5104 0.028 0.000 0.836 0.136
#> ERR659100 3 0.3760 0.5104 0.028 0.000 0.836 0.136
#> ERR659005 1 0.3850 0.6301 0.840 0.000 0.044 0.116
#> ERR659101 1 0.3850 0.6301 0.840 0.000 0.044 0.116
#> ERR659006 3 0.4071 0.6444 0.104 0.000 0.832 0.064
#> ERR659102 3 0.4071 0.6444 0.104 0.000 0.832 0.064
#> ERR659007 1 0.2443 0.6640 0.916 0.000 0.060 0.024
#> ERR659103 1 0.2443 0.6640 0.916 0.000 0.060 0.024
#> ERR659008 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659009 3 0.4037 0.5734 0.056 0.000 0.832 0.112
#> ERR659105 3 0.4037 0.5734 0.056 0.000 0.832 0.112
#> ERR659010 3 0.3876 0.6793 0.124 0.000 0.836 0.040
#> ERR659106 3 0.3876 0.6793 0.124 0.000 0.836 0.040
#> ERR659011 3 0.4677 0.6339 0.316 0.000 0.680 0.004
#> ERR659107 3 0.4677 0.6339 0.316 0.000 0.680 0.004
#> ERR659012 3 0.2494 0.5869 0.036 0.000 0.916 0.048
#> ERR659108 3 0.2494 0.5869 0.036 0.000 0.916 0.048
#> ERR659013 4 0.6452 0.4946 0.116 0.000 0.260 0.624
#> ERR659109 4 0.6452 0.4946 0.116 0.000 0.260 0.624
#> ERR659014 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659015 1 0.3606 0.6286 0.840 0.000 0.020 0.140
#> ERR659111 1 0.3606 0.6286 0.840 0.000 0.020 0.140
#> ERR659016 4 0.8461 0.5049 0.164 0.184 0.104 0.548
#> ERR659112 4 0.8461 0.5049 0.164 0.184 0.104 0.548
#> ERR659017 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659018 1 0.4220 0.5284 0.748 0.000 0.248 0.004
#> ERR659114 1 0.4220 0.5284 0.748 0.000 0.248 0.004
#> ERR659019 3 0.5229 0.4353 0.428 0.000 0.564 0.008
#> ERR659115 3 0.5229 0.4353 0.428 0.000 0.564 0.008
#> ERR659020 1 0.3836 0.6359 0.816 0.000 0.168 0.016
#> ERR659116 1 0.3836 0.6359 0.816 0.000 0.168 0.016
#> ERR659021 1 0.3247 0.6613 0.880 0.000 0.060 0.060
#> ERR659117 1 0.3247 0.6613 0.880 0.000 0.060 0.060
#> ERR659022 1 0.5219 0.5073 0.712 0.000 0.044 0.244
#> ERR659118 1 0.5219 0.5073 0.712 0.000 0.044 0.244
#> ERR659023 1 0.5827 0.3810 0.632 0.000 0.052 0.316
#> ERR659119 1 0.5827 0.3810 0.632 0.000 0.052 0.316
#> ERR659024 1 0.6560 0.4578 0.620 0.000 0.132 0.248
#> ERR659120 1 0.6560 0.4578 0.620 0.000 0.132 0.248
#> ERR659025 4 0.6471 0.2467 0.416 0.000 0.072 0.512
#> ERR659121 4 0.6471 0.2467 0.416 0.000 0.072 0.512
#> ERR659026 1 0.7006 0.2274 0.528 0.000 0.340 0.132
#> ERR659122 1 0.7006 0.2274 0.528 0.000 0.340 0.132
#> ERR659027 2 0.6033 0.5652 0.008 0.652 0.056 0.284
#> ERR659123 2 0.6033 0.5652 0.008 0.652 0.056 0.284
#> ERR659028 4 0.7156 0.2889 0.368 0.000 0.140 0.492
#> ERR659124 4 0.7156 0.2889 0.368 0.000 0.140 0.492
#> ERR659029 1 0.6614 0.2529 0.548 0.000 0.092 0.360
#> ERR659125 1 0.6574 0.2452 0.548 0.000 0.088 0.364
#> ERR659030 1 0.3958 0.6340 0.824 0.000 0.144 0.032
#> ERR659126 1 0.3958 0.6340 0.824 0.000 0.144 0.032
#> ERR659031 4 0.7660 0.4082 0.232 0.000 0.316 0.452
#> ERR659127 4 0.7660 0.4082 0.232 0.000 0.316 0.452
#> ERR659032 4 0.7472 0.2096 0.396 0.000 0.176 0.428
#> ERR659128 4 0.7474 0.1978 0.400 0.000 0.176 0.424
#> ERR659033 1 0.5102 0.6502 0.764 0.000 0.136 0.100
#> ERR659129 1 0.5102 0.6502 0.764 0.000 0.136 0.100
#> ERR659034 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659035 4 0.7626 0.3740 0.304 0.000 0.232 0.464
#> ERR659131 4 0.7626 0.3740 0.304 0.000 0.232 0.464
#> ERR659036 4 0.6261 0.2641 0.440 0.000 0.056 0.504
#> ERR659132 4 0.6261 0.2641 0.440 0.000 0.056 0.504
#> ERR659037 1 0.5811 0.5775 0.704 0.000 0.180 0.116
#> ERR659133 1 0.5811 0.5775 0.704 0.000 0.180 0.116
#> ERR659038 3 0.4538 0.7031 0.216 0.000 0.760 0.024
#> ERR659134 3 0.4635 0.7032 0.216 0.000 0.756 0.028
#> ERR659039 3 0.4372 0.6803 0.268 0.000 0.728 0.004
#> ERR659135 3 0.4372 0.6803 0.268 0.000 0.728 0.004
#> ERR659040 4 0.5292 0.5374 0.216 0.000 0.060 0.724
#> ERR659136 4 0.5292 0.5374 0.216 0.000 0.060 0.724
#> ERR659041 2 0.6537 0.2698 0.000 0.500 0.076 0.424
#> ERR659137 2 0.6537 0.2698 0.000 0.500 0.076 0.424
#> ERR659042 4 0.6881 0.4571 0.056 0.212 0.072 0.660
#> ERR659138 4 0.6881 0.4571 0.056 0.212 0.072 0.660
#> ERR659043 4 0.6000 0.3529 0.356 0.000 0.052 0.592
#> ERR659139 4 0.6000 0.3529 0.356 0.000 0.052 0.592
#> ERR659044 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659045 1 0.4643 0.3278 0.656 0.000 0.344 0.000
#> ERR659141 1 0.4643 0.3278 0.656 0.000 0.344 0.000
#> ERR659046 1 0.4464 0.5538 0.768 0.000 0.024 0.208
#> ERR659142 1 0.4464 0.5538 0.768 0.000 0.024 0.208
#> ERR659047 1 0.3958 0.6221 0.836 0.000 0.052 0.112
#> ERR659143 1 0.3958 0.6221 0.836 0.000 0.052 0.112
#> ERR659048 1 0.4636 0.5509 0.772 0.000 0.040 0.188
#> ERR659144 1 0.4636 0.5509 0.772 0.000 0.040 0.188
#> ERR659049 4 0.7900 0.3475 0.140 0.028 0.352 0.480
#> ERR659145 4 0.7909 0.3437 0.140 0.028 0.356 0.476
#> ERR659050 4 0.7219 0.3967 0.364 0.000 0.148 0.488
#> ERR659146 4 0.7219 0.3967 0.364 0.000 0.148 0.488
#> ERR659051 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659147 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659052 3 0.4635 0.4195 0.028 0.000 0.756 0.216
#> ERR659148 3 0.4635 0.4195 0.028 0.000 0.756 0.216
#> ERR659053 1 0.3312 0.6546 0.876 0.000 0.052 0.072
#> ERR659149 1 0.3312 0.6546 0.876 0.000 0.052 0.072
#> ERR659054 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659055 1 0.5657 -0.0232 0.540 0.000 0.436 0.024
#> ERR659151 1 0.5657 -0.0232 0.540 0.000 0.436 0.024
#> ERR659056 2 0.0336 0.9374 0.000 0.992 0.000 0.008
#> ERR659152 2 0.0336 0.9374 0.000 0.992 0.000 0.008
#> ERR659057 1 0.4669 0.6547 0.796 0.000 0.104 0.100
#> ERR659153 1 0.4669 0.6547 0.796 0.000 0.104 0.100
#> ERR659058 3 0.4889 0.5920 0.360 0.000 0.636 0.004
#> ERR659154 3 0.4889 0.5920 0.360 0.000 0.636 0.004
#> ERR659059 1 0.5042 0.6430 0.768 0.000 0.096 0.136
#> ERR659155 1 0.5042 0.6430 0.768 0.000 0.096 0.136
#> ERR659060 1 0.6383 0.2144 0.568 0.000 0.076 0.356
#> ERR659156 1 0.6383 0.2144 0.568 0.000 0.076 0.356
#> ERR659061 1 0.7281 0.3034 0.532 0.000 0.196 0.272
#> ERR659157 1 0.7281 0.3034 0.532 0.000 0.196 0.272
#> ERR659062 1 0.7699 0.0120 0.400 0.000 0.380 0.220
#> ERR659158 1 0.7699 0.0120 0.400 0.000 0.380 0.220
#> ERR659063 1 0.6148 0.3838 0.636 0.000 0.084 0.280
#> ERR659159 1 0.6148 0.3838 0.636 0.000 0.084 0.280
#> ERR659064 1 0.2282 0.6595 0.924 0.000 0.052 0.024
#> ERR659160 1 0.2282 0.6595 0.924 0.000 0.052 0.024
#> ERR659065 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659066 3 0.5550 0.6646 0.248 0.000 0.692 0.060
#> ERR659162 3 0.5550 0.6646 0.248 0.000 0.692 0.060
#> ERR659067 3 0.5268 0.3550 0.452 0.000 0.540 0.008
#> ERR659163 3 0.5268 0.3550 0.452 0.000 0.540 0.008
#> ERR659068 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659069 3 0.5423 0.6156 0.332 0.000 0.640 0.028
#> ERR659165 3 0.5423 0.6156 0.332 0.000 0.640 0.028
#> ERR659070 1 0.3763 0.6061 0.832 0.000 0.024 0.144
#> ERR659166 1 0.3763 0.6061 0.832 0.000 0.024 0.144
#> ERR659071 1 0.5559 0.5541 0.696 0.000 0.064 0.240
#> ERR659167 1 0.5559 0.5541 0.696 0.000 0.064 0.240
#> ERR659072 3 0.3647 0.6893 0.152 0.000 0.832 0.016
#> ERR659168 3 0.3647 0.6893 0.152 0.000 0.832 0.016
#> ERR659073 3 0.7501 0.0576 0.372 0.000 0.444 0.184
#> ERR659169 3 0.7501 0.0576 0.372 0.000 0.444 0.184
#> ERR659074 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659075 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659171 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659076 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659077 1 0.7472 0.2874 0.504 0.000 0.232 0.264
#> ERR659173 1 0.7472 0.2874 0.504 0.000 0.232 0.264
#> ERR659078 1 0.5417 0.6164 0.732 0.000 0.180 0.088
#> ERR659174 1 0.5417 0.6164 0.732 0.000 0.180 0.088
#> ERR659079 1 0.7500 0.0226 0.416 0.000 0.180 0.404
#> ERR659175 1 0.7500 0.0226 0.416 0.000 0.180 0.404
#> ERR659080 2 0.4289 0.7586 0.000 0.796 0.032 0.172
#> ERR659176 2 0.4289 0.7586 0.000 0.796 0.032 0.172
#> ERR659081 1 0.3691 0.6609 0.856 0.000 0.076 0.068
#> ERR659177 1 0.3691 0.6609 0.856 0.000 0.076 0.068
#> ERR659082 1 0.3907 0.6598 0.836 0.000 0.120 0.044
#> ERR659178 1 0.3907 0.6598 0.836 0.000 0.120 0.044
#> ERR659083 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 0.9429 0.000 1.000 0.000 0.000
#> ERR659085 1 0.5448 0.5729 0.700 0.000 0.244 0.056
#> ERR659181 1 0.5417 0.5787 0.704 0.000 0.240 0.056
#> ERR659086 1 0.3958 0.6698 0.836 0.000 0.112 0.052
#> ERR659182 1 0.3958 0.6698 0.836 0.000 0.112 0.052
#> ERR659087 3 0.5972 0.5724 0.176 0.000 0.692 0.132
#> ERR659183 3 0.5972 0.5724 0.176 0.000 0.692 0.132
#> ERR659088 4 0.8783 0.1953 0.044 0.324 0.252 0.380
#> ERR659184 4 0.8783 0.1953 0.044 0.324 0.252 0.380
#> ERR659089 1 0.6724 0.5110 0.616 0.000 0.192 0.192
#> ERR659185 1 0.6724 0.5110 0.616 0.000 0.192 0.192
#> ERR659090 1 0.6650 0.5723 0.624 0.000 0.200 0.176
#> ERR659186 1 0.6650 0.5723 0.624 0.000 0.200 0.176
#> ERR659091 1 0.5318 0.6000 0.732 0.000 0.196 0.072
#> ERR659187 1 0.5318 0.6000 0.732 0.000 0.196 0.072
#> ERR659092 1 0.6756 0.4906 0.612 0.000 0.188 0.200
#> ERR659188 1 0.6756 0.4906 0.612 0.000 0.188 0.200
#> ERR659093 1 0.2843 0.6600 0.892 0.000 0.088 0.020
#> ERR659189 1 0.2843 0.6600 0.892 0.000 0.088 0.020
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR467498 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR658998 4 0.815 -0.1698 0.284 0.000 0.100 0.332 0.284
#> ERR659094 4 0.815 -0.1698 0.284 0.000 0.100 0.332 0.284
#> ERR658999 4 0.461 0.4825 0.368 0.000 0.012 0.616 0.004
#> ERR659095 4 0.461 0.4825 0.368 0.000 0.012 0.616 0.004
#> ERR659000 3 0.708 0.1939 0.044 0.036 0.472 0.056 0.392
#> ERR659096 3 0.708 0.1939 0.044 0.036 0.472 0.056 0.392
#> ERR659001 1 0.540 0.4730 0.680 0.000 0.016 0.220 0.084
#> ERR659097 1 0.540 0.4730 0.680 0.000 0.016 0.220 0.084
#> ERR659002 1 0.801 0.1015 0.400 0.000 0.252 0.100 0.248
#> ERR659098 1 0.801 0.1015 0.400 0.000 0.252 0.100 0.248
#> ERR659003 1 0.556 0.5547 0.720 0.000 0.100 0.112 0.068
#> ERR659099 1 0.556 0.5547 0.720 0.000 0.100 0.112 0.068
#> ERR659004 4 0.487 0.4315 0.024 0.000 0.188 0.736 0.052
#> ERR659100 4 0.487 0.4315 0.024 0.000 0.188 0.736 0.052
#> ERR659005 1 0.530 0.5270 0.712 0.000 0.180 0.028 0.080
#> ERR659101 1 0.530 0.5270 0.712 0.000 0.180 0.028 0.080
#> ERR659006 4 0.472 0.5497 0.056 0.000 0.140 0.768 0.036
#> ERR659102 4 0.472 0.5497 0.056 0.000 0.140 0.768 0.036
#> ERR659007 1 0.283 0.5884 0.892 0.000 0.024 0.052 0.032
#> ERR659103 1 0.283 0.5884 0.892 0.000 0.024 0.052 0.032
#> ERR659008 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659009 4 0.451 0.5175 0.040 0.000 0.040 0.780 0.140
#> ERR659105 4 0.451 0.5175 0.040 0.000 0.040 0.780 0.140
#> ERR659010 4 0.358 0.6066 0.068 0.000 0.036 0.852 0.044
#> ERR659106 4 0.358 0.6066 0.068 0.000 0.036 0.852 0.044
#> ERR659011 4 0.469 0.5584 0.296 0.000 0.024 0.672 0.008
#> ERR659107 4 0.469 0.5584 0.296 0.000 0.024 0.672 0.008
#> ERR659012 4 0.376 0.5220 0.020 0.000 0.084 0.836 0.060
#> ERR659108 4 0.376 0.5220 0.020 0.000 0.084 0.836 0.060
#> ERR659013 5 0.608 0.2307 0.036 0.000 0.160 0.152 0.652
#> ERR659109 5 0.608 0.2307 0.036 0.000 0.160 0.152 0.652
#> ERR659014 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.537 0.4698 0.660 0.000 0.044 0.028 0.268
#> ERR659111 1 0.537 0.4698 0.660 0.000 0.044 0.028 0.268
#> ERR659016 3 0.711 0.3926 0.080 0.136 0.632 0.048 0.104
#> ERR659112 3 0.711 0.3926 0.080 0.136 0.632 0.048 0.104
#> ERR659017 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.486 0.4663 0.724 0.000 0.032 0.212 0.032
#> ERR659114 1 0.486 0.4663 0.724 0.000 0.032 0.212 0.032
#> ERR659019 4 0.500 0.2429 0.484 0.000 0.016 0.492 0.008
#> ERR659115 4 0.500 0.2429 0.484 0.000 0.016 0.492 0.008
#> ERR659020 1 0.459 0.5477 0.768 0.000 0.048 0.156 0.028
#> ERR659116 1 0.459 0.5477 0.768 0.000 0.048 0.156 0.028
#> ERR659021 1 0.416 0.5703 0.808 0.000 0.032 0.044 0.116
#> ERR659117 1 0.416 0.5703 0.808 0.000 0.032 0.044 0.116
#> ERR659022 1 0.649 0.3294 0.548 0.000 0.276 0.016 0.160
#> ERR659118 1 0.649 0.3294 0.548 0.000 0.276 0.016 0.160
#> ERR659023 5 0.693 0.2009 0.400 0.000 0.132 0.036 0.432
#> ERR659119 5 0.694 0.1920 0.404 0.000 0.132 0.036 0.428
#> ERR659024 1 0.677 -0.0104 0.432 0.000 0.076 0.060 0.432
#> ERR659120 1 0.677 -0.0104 0.432 0.000 0.076 0.060 0.432
#> ERR659025 3 0.642 0.1753 0.232 0.000 0.580 0.020 0.168
#> ERR659121 3 0.642 0.1753 0.232 0.000 0.580 0.020 0.168
#> ERR659026 1 0.744 0.1562 0.436 0.000 0.044 0.284 0.236
#> ERR659122 1 0.744 0.1562 0.436 0.000 0.044 0.284 0.236
#> ERR659027 2 0.767 -0.2204 0.012 0.392 0.384 0.052 0.160
#> ERR659123 2 0.767 -0.2204 0.012 0.392 0.384 0.052 0.160
#> ERR659028 5 0.581 0.4670 0.156 0.000 0.084 0.068 0.692
#> ERR659124 5 0.581 0.4670 0.156 0.000 0.084 0.068 0.692
#> ERR659029 5 0.613 0.3510 0.316 0.000 0.056 0.048 0.580
#> ERR659125 5 0.613 0.3510 0.316 0.000 0.056 0.048 0.580
#> ERR659030 1 0.433 0.5679 0.800 0.000 0.028 0.104 0.068
#> ERR659126 1 0.433 0.5679 0.800 0.000 0.028 0.104 0.068
#> ERR659031 3 0.784 0.1473 0.104 0.000 0.444 0.188 0.264
#> ERR659127 3 0.784 0.1473 0.104 0.000 0.444 0.188 0.264
#> ERR659032 5 0.800 0.3191 0.216 0.000 0.188 0.148 0.448
#> ERR659128 5 0.800 0.3191 0.216 0.000 0.188 0.148 0.448
#> ERR659033 1 0.587 0.5619 0.696 0.000 0.108 0.116 0.080
#> ERR659129 1 0.587 0.5619 0.696 0.000 0.108 0.116 0.080
#> ERR659034 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659035 5 0.825 0.2324 0.164 0.000 0.212 0.224 0.400
#> ERR659131 5 0.825 0.2324 0.164 0.000 0.212 0.224 0.400
#> ERR659036 5 0.759 0.2234 0.264 0.000 0.324 0.044 0.368
#> ERR659132 5 0.759 0.2234 0.264 0.000 0.324 0.044 0.368
#> ERR659037 1 0.698 0.4219 0.572 0.000 0.216 0.124 0.088
#> ERR659133 1 0.698 0.4219 0.572 0.000 0.216 0.124 0.088
#> ERR659038 4 0.441 0.6235 0.208 0.000 0.016 0.748 0.028
#> ERR659134 4 0.441 0.6235 0.208 0.000 0.016 0.748 0.028
#> ERR659039 4 0.449 0.5663 0.280 0.000 0.004 0.692 0.024
#> ERR659135 4 0.449 0.5663 0.280 0.000 0.004 0.692 0.024
#> ERR659040 5 0.531 0.2649 0.052 0.000 0.236 0.028 0.684
#> ERR659136 5 0.531 0.2649 0.052 0.000 0.236 0.028 0.684
#> ERR659041 3 0.715 0.3590 0.004 0.208 0.544 0.052 0.192
#> ERR659137 3 0.715 0.3590 0.004 0.208 0.544 0.052 0.192
#> ERR659042 3 0.669 0.2970 0.036 0.080 0.576 0.020 0.288
#> ERR659138 3 0.669 0.2970 0.036 0.080 0.576 0.020 0.288
#> ERR659043 5 0.565 0.4241 0.160 0.000 0.140 0.020 0.680
#> ERR659139 5 0.565 0.4241 0.160 0.000 0.140 0.020 0.680
#> ERR659044 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659045 1 0.546 0.2950 0.624 0.000 0.032 0.312 0.032
#> ERR659141 1 0.546 0.2950 0.624 0.000 0.032 0.312 0.032
#> ERR659046 1 0.614 0.3700 0.584 0.000 0.080 0.032 0.304
#> ERR659142 1 0.614 0.3700 0.584 0.000 0.080 0.032 0.304
#> ERR659047 1 0.596 0.4526 0.664 0.000 0.104 0.044 0.188
#> ERR659143 1 0.596 0.4526 0.664 0.000 0.104 0.044 0.188
#> ERR659048 1 0.584 0.2750 0.584 0.000 0.084 0.012 0.320
#> ERR659144 1 0.584 0.2750 0.584 0.000 0.084 0.012 0.320
#> ERR659049 3 0.742 0.3257 0.088 0.016 0.568 0.176 0.152
#> ERR659145 3 0.742 0.3257 0.088 0.016 0.568 0.176 0.152
#> ERR659050 5 0.779 0.2852 0.196 0.000 0.240 0.104 0.460
#> ERR659146 5 0.779 0.2852 0.196 0.000 0.240 0.104 0.460
#> ERR659051 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659147 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659052 4 0.629 0.2666 0.032 0.000 0.140 0.616 0.212
#> ERR659148 4 0.629 0.2666 0.032 0.000 0.140 0.616 0.212
#> ERR659053 1 0.423 0.5755 0.808 0.000 0.092 0.028 0.072
#> ERR659149 1 0.423 0.5755 0.808 0.000 0.092 0.028 0.072
#> ERR659054 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659055 1 0.570 0.0310 0.532 0.000 0.012 0.400 0.056
#> ERR659151 1 0.570 0.0310 0.532 0.000 0.012 0.400 0.056
#> ERR659056 2 0.143 0.8939 0.000 0.944 0.052 0.000 0.004
#> ERR659152 2 0.143 0.8939 0.000 0.944 0.052 0.000 0.004
#> ERR659057 1 0.659 0.4753 0.624 0.000 0.116 0.088 0.172
#> ERR659153 1 0.659 0.4753 0.624 0.000 0.116 0.088 0.172
#> ERR659058 4 0.560 0.4081 0.380 0.000 0.024 0.560 0.036
#> ERR659154 4 0.560 0.4081 0.380 0.000 0.024 0.560 0.036
#> ERR659059 1 0.651 0.5070 0.612 0.000 0.064 0.108 0.216
#> ERR659155 1 0.651 0.5070 0.612 0.000 0.064 0.108 0.216
#> ERR659060 1 0.703 0.1689 0.444 0.000 0.372 0.036 0.148
#> ERR659156 1 0.703 0.1689 0.444 0.000 0.372 0.036 0.148
#> ERR659061 1 0.754 0.1203 0.436 0.000 0.344 0.104 0.116
#> ERR659157 1 0.754 0.1203 0.436 0.000 0.344 0.104 0.116
#> ERR659062 3 0.855 0.0613 0.220 0.000 0.296 0.276 0.208
#> ERR659158 3 0.855 0.0613 0.220 0.000 0.296 0.276 0.208
#> ERR659063 1 0.735 0.0881 0.476 0.000 0.160 0.064 0.300
#> ERR659159 1 0.735 0.0881 0.476 0.000 0.160 0.064 0.300
#> ERR659064 1 0.310 0.5852 0.880 0.000 0.044 0.040 0.036
#> ERR659160 1 0.310 0.5852 0.880 0.000 0.044 0.040 0.036
#> ERR659065 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659066 4 0.582 0.5783 0.204 0.000 0.140 0.644 0.012
#> ERR659162 4 0.582 0.5783 0.204 0.000 0.140 0.644 0.012
#> ERR659067 4 0.556 0.3822 0.396 0.000 0.020 0.548 0.036
#> ERR659163 4 0.556 0.3822 0.396 0.000 0.020 0.548 0.036
#> ERR659068 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659069 4 0.569 0.5549 0.288 0.000 0.048 0.628 0.036
#> ERR659165 4 0.569 0.5549 0.288 0.000 0.048 0.628 0.036
#> ERR659070 1 0.553 0.4783 0.684 0.000 0.192 0.020 0.104
#> ERR659166 1 0.558 0.4767 0.680 0.000 0.192 0.020 0.108
#> ERR659071 1 0.599 0.2019 0.516 0.000 0.044 0.036 0.404
#> ERR659167 1 0.599 0.2019 0.516 0.000 0.044 0.036 0.404
#> ERR659072 4 0.467 0.6193 0.156 0.000 0.048 0.764 0.032
#> ERR659168 4 0.467 0.6193 0.156 0.000 0.048 0.764 0.032
#> ERR659073 4 0.847 -0.1026 0.280 0.000 0.248 0.304 0.168
#> ERR659169 4 0.847 -0.1026 0.280 0.000 0.248 0.304 0.168
#> ERR659074 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659075 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659171 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659076 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659077 1 0.828 0.0781 0.380 0.000 0.220 0.152 0.248
#> ERR659173 1 0.828 0.0781 0.380 0.000 0.220 0.152 0.248
#> ERR659078 1 0.738 0.4775 0.544 0.000 0.156 0.168 0.132
#> ERR659174 1 0.738 0.4775 0.544 0.000 0.156 0.168 0.132
#> ERR659079 5 0.788 0.2917 0.192 0.000 0.148 0.188 0.472
#> ERR659175 5 0.788 0.2917 0.192 0.000 0.148 0.188 0.472
#> ERR659080 2 0.491 0.5926 0.000 0.708 0.232 0.020 0.040
#> ERR659176 2 0.491 0.5926 0.000 0.708 0.232 0.020 0.040
#> ERR659081 1 0.366 0.5857 0.844 0.000 0.080 0.052 0.024
#> ERR659177 1 0.366 0.5857 0.844 0.000 0.080 0.052 0.024
#> ERR659082 1 0.467 0.5708 0.776 0.000 0.036 0.064 0.124
#> ERR659178 1 0.467 0.5708 0.776 0.000 0.036 0.064 0.124
#> ERR659083 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.000 0.9419 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.661 0.5002 0.608 0.000 0.140 0.192 0.060
#> ERR659181 1 0.661 0.5002 0.608 0.000 0.140 0.192 0.060
#> ERR659086 1 0.640 0.5560 0.648 0.000 0.092 0.124 0.136
#> ERR659182 1 0.640 0.5560 0.648 0.000 0.092 0.124 0.136
#> ERR659087 4 0.636 0.4637 0.100 0.000 0.104 0.652 0.144
#> ERR659183 4 0.636 0.4637 0.100 0.000 0.104 0.652 0.144
#> ERR659088 3 0.873 0.2919 0.020 0.228 0.376 0.152 0.224
#> ERR659184 3 0.873 0.2919 0.020 0.228 0.376 0.152 0.224
#> ERR659089 1 0.682 0.4226 0.536 0.000 0.296 0.116 0.052
#> ERR659185 1 0.682 0.4226 0.536 0.000 0.296 0.116 0.052
#> ERR659090 1 0.716 0.4735 0.572 0.000 0.152 0.132 0.144
#> ERR659186 1 0.716 0.4735 0.572 0.000 0.152 0.132 0.144
#> ERR659091 1 0.632 0.4039 0.580 0.000 0.020 0.264 0.136
#> ERR659187 1 0.632 0.4039 0.580 0.000 0.020 0.264 0.136
#> ERR659092 1 0.728 0.1262 0.420 0.000 0.048 0.160 0.372
#> ERR659188 1 0.728 0.1262 0.420 0.000 0.048 0.160 0.372
#> ERR659093 1 0.244 0.5863 0.912 0.000 0.032 0.036 0.020
#> ERR659189 1 0.244 0.5863 0.912 0.000 0.032 0.036 0.020
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR467498 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR658998 6 0.8452 0.0567 0.148 0.000 0.076 0.196 0.268 0.312
#> ERR659094 6 0.8452 0.0567 0.148 0.000 0.076 0.196 0.268 0.312
#> ERR658999 5 0.5408 0.2790 0.412 0.000 0.012 0.036 0.516 0.024
#> ERR659095 5 0.5408 0.2790 0.412 0.000 0.012 0.036 0.516 0.024
#> ERR659000 3 0.7732 0.1890 0.032 0.012 0.404 0.220 0.060 0.272
#> ERR659096 3 0.7732 0.1890 0.032 0.012 0.404 0.220 0.060 0.272
#> ERR659001 1 0.5718 0.4427 0.648 0.000 0.004 0.076 0.184 0.088
#> ERR659097 1 0.5718 0.4427 0.648 0.000 0.004 0.076 0.184 0.088
#> ERR659002 4 0.7989 0.2899 0.224 0.000 0.112 0.436 0.088 0.140
#> ERR659098 4 0.7989 0.2899 0.224 0.000 0.112 0.436 0.088 0.140
#> ERR659003 1 0.6161 0.3898 0.616 0.000 0.024 0.204 0.100 0.056
#> ERR659099 1 0.6161 0.3898 0.616 0.000 0.024 0.204 0.100 0.056
#> ERR659004 5 0.5669 0.3711 0.020 0.000 0.216 0.108 0.636 0.020
#> ERR659100 5 0.5669 0.3711 0.020 0.000 0.216 0.108 0.636 0.020
#> ERR659005 1 0.5239 0.3966 0.660 0.000 0.028 0.240 0.012 0.060
#> ERR659101 1 0.5239 0.3966 0.660 0.000 0.028 0.240 0.012 0.060
#> ERR659006 5 0.5395 0.4781 0.068 0.000 0.088 0.132 0.700 0.012
#> ERR659102 5 0.5395 0.4781 0.068 0.000 0.088 0.132 0.700 0.012
#> ERR659007 1 0.3433 0.5182 0.844 0.000 0.004 0.056 0.036 0.060
#> ERR659103 1 0.3433 0.5182 0.844 0.000 0.004 0.056 0.036 0.060
#> ERR659008 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 5 0.5290 0.4331 0.020 0.000 0.040 0.068 0.696 0.176
#> ERR659105 5 0.5290 0.4331 0.020 0.000 0.040 0.068 0.696 0.176
#> ERR659010 5 0.4970 0.5606 0.116 0.000 0.016 0.060 0.740 0.068
#> ERR659106 5 0.4970 0.5606 0.116 0.000 0.016 0.060 0.740 0.068
#> ERR659011 5 0.5662 0.3975 0.348 0.000 0.008 0.072 0.548 0.024
#> ERR659107 5 0.5662 0.3975 0.348 0.000 0.008 0.072 0.548 0.024
#> ERR659012 5 0.4984 0.4765 0.024 0.000 0.116 0.080 0.740 0.040
#> ERR659108 5 0.4984 0.4765 0.024 0.000 0.116 0.080 0.740 0.040
#> ERR659013 6 0.6565 0.1284 0.012 0.000 0.272 0.060 0.128 0.528
#> ERR659109 6 0.6565 0.1284 0.012 0.000 0.272 0.060 0.128 0.528
#> ERR659014 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.7050 0.2491 0.480 0.000 0.060 0.168 0.024 0.268
#> ERR659111 1 0.7050 0.2491 0.480 0.000 0.060 0.168 0.024 0.268
#> ERR659016 3 0.7932 0.2888 0.076 0.084 0.428 0.304 0.020 0.088
#> ERR659112 3 0.7932 0.2888 0.076 0.084 0.428 0.304 0.020 0.088
#> ERR659017 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.5594 0.4481 0.676 0.000 0.016 0.076 0.168 0.064
#> ERR659114 1 0.5594 0.4481 0.676 0.000 0.016 0.076 0.168 0.064
#> ERR659019 1 0.5319 -0.0496 0.512 0.000 0.012 0.052 0.416 0.008
#> ERR659115 1 0.5319 -0.0496 0.512 0.000 0.012 0.052 0.416 0.008
#> ERR659020 1 0.5170 0.5001 0.704 0.000 0.012 0.124 0.132 0.028
#> ERR659116 1 0.5170 0.5001 0.704 0.000 0.012 0.124 0.132 0.028
#> ERR659021 1 0.5386 0.4512 0.684 0.000 0.008 0.144 0.040 0.124
#> ERR659117 1 0.5386 0.4512 0.684 0.000 0.008 0.144 0.040 0.124
#> ERR659022 1 0.6812 -0.1311 0.420 0.000 0.096 0.380 0.008 0.096
#> ERR659118 1 0.6812 -0.1311 0.420 0.000 0.096 0.380 0.008 0.096
#> ERR659023 6 0.7674 0.1009 0.296 0.000 0.096 0.200 0.028 0.380
#> ERR659119 6 0.7674 0.1009 0.296 0.000 0.096 0.200 0.028 0.380
#> ERR659024 6 0.7851 0.1646 0.344 0.000 0.116 0.088 0.084 0.368
#> ERR659120 6 0.7851 0.1646 0.344 0.000 0.116 0.088 0.084 0.368
#> ERR659025 4 0.7202 0.2040 0.168 0.000 0.308 0.420 0.008 0.096
#> ERR659121 4 0.7202 0.2040 0.168 0.000 0.308 0.420 0.008 0.096
#> ERR659026 1 0.7947 0.0172 0.332 0.000 0.040 0.104 0.216 0.308
#> ERR659122 1 0.7947 0.0172 0.332 0.000 0.040 0.104 0.216 0.308
#> ERR659027 3 0.6695 0.3898 0.008 0.332 0.504 0.044 0.032 0.080
#> ERR659123 3 0.6695 0.3898 0.008 0.332 0.504 0.044 0.032 0.080
#> ERR659028 6 0.5375 0.3395 0.064 0.000 0.144 0.068 0.020 0.704
#> ERR659124 6 0.5375 0.3395 0.064 0.000 0.144 0.068 0.020 0.704
#> ERR659029 6 0.6509 0.2650 0.248 0.000 0.048 0.124 0.024 0.556
#> ERR659125 6 0.6509 0.2650 0.248 0.000 0.048 0.124 0.024 0.556
#> ERR659030 1 0.5484 0.4995 0.712 0.000 0.036 0.068 0.084 0.100
#> ERR659126 1 0.5484 0.4995 0.712 0.000 0.036 0.068 0.084 0.100
#> ERR659031 3 0.8566 0.0105 0.096 0.000 0.296 0.276 0.184 0.148
#> ERR659127 3 0.8566 0.0105 0.096 0.000 0.296 0.276 0.184 0.148
#> ERR659032 6 0.7960 0.2084 0.180 0.000 0.316 0.108 0.048 0.348
#> ERR659128 6 0.7960 0.2084 0.180 0.000 0.316 0.108 0.048 0.348
#> ERR659033 1 0.5898 0.4346 0.628 0.000 0.016 0.220 0.072 0.064
#> ERR659129 1 0.5898 0.4346 0.628 0.000 0.016 0.220 0.072 0.064
#> ERR659034 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 6 0.8390 0.0948 0.076 0.000 0.204 0.260 0.132 0.328
#> ERR659131 6 0.8390 0.0948 0.076 0.000 0.204 0.260 0.132 0.328
#> ERR659036 6 0.8145 0.1598 0.204 0.000 0.292 0.160 0.036 0.308
#> ERR659132 6 0.8145 0.1598 0.204 0.000 0.292 0.160 0.036 0.308
#> ERR659037 1 0.8004 -0.0596 0.408 0.000 0.092 0.272 0.108 0.120
#> ERR659133 1 0.8004 -0.0596 0.408 0.000 0.092 0.272 0.108 0.120
#> ERR659038 5 0.5677 0.5500 0.216 0.000 0.028 0.048 0.652 0.056
#> ERR659134 5 0.5677 0.5500 0.216 0.000 0.028 0.048 0.652 0.056
#> ERR659039 5 0.5152 0.4425 0.328 0.000 0.000 0.020 0.592 0.060
#> ERR659135 5 0.5152 0.4425 0.328 0.000 0.000 0.020 0.592 0.060
#> ERR659040 6 0.6044 0.0942 0.036 0.000 0.380 0.084 0.008 0.492
#> ERR659136 6 0.6044 0.0942 0.036 0.000 0.380 0.084 0.008 0.492
#> ERR659041 3 0.6142 0.4601 0.000 0.160 0.644 0.096 0.044 0.056
#> ERR659137 3 0.6142 0.4601 0.000 0.160 0.644 0.096 0.044 0.056
#> ERR659042 3 0.6986 0.2832 0.040 0.032 0.512 0.304 0.028 0.084
#> ERR659138 3 0.6989 0.2897 0.036 0.036 0.512 0.304 0.028 0.084
#> ERR659043 6 0.6445 0.2503 0.092 0.000 0.096 0.168 0.032 0.612
#> ERR659139 6 0.6445 0.2503 0.092 0.000 0.096 0.168 0.032 0.612
#> ERR659044 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.6523 0.3755 0.592 0.000 0.036 0.096 0.204 0.072
#> ERR659141 1 0.6523 0.3755 0.592 0.000 0.036 0.096 0.204 0.072
#> ERR659046 1 0.6830 0.1576 0.464 0.000 0.032 0.176 0.024 0.304
#> ERR659142 1 0.6830 0.1576 0.464 0.000 0.032 0.176 0.024 0.304
#> ERR659047 1 0.7385 0.2895 0.500 0.000 0.072 0.132 0.068 0.228
#> ERR659143 1 0.7385 0.2895 0.500 0.000 0.072 0.132 0.068 0.228
#> ERR659048 1 0.7184 0.0457 0.440 0.000 0.080 0.164 0.016 0.300
#> ERR659144 1 0.7184 0.0457 0.440 0.000 0.080 0.164 0.016 0.300
#> ERR659049 3 0.7470 0.1880 0.032 0.004 0.452 0.280 0.148 0.084
#> ERR659145 3 0.7470 0.1880 0.032 0.004 0.452 0.280 0.148 0.084
#> ERR659050 6 0.7869 0.1656 0.108 0.000 0.328 0.132 0.060 0.372
#> ERR659146 6 0.7869 0.1656 0.108 0.000 0.328 0.132 0.060 0.372
#> ERR659051 2 0.0146 0.9641 0.000 0.996 0.004 0.000 0.000 0.000
#> ERR659147 2 0.0146 0.9641 0.000 0.996 0.004 0.000 0.000 0.000
#> ERR659052 5 0.7360 0.2124 0.036 0.000 0.200 0.092 0.492 0.180
#> ERR659148 5 0.7360 0.2124 0.036 0.000 0.200 0.092 0.492 0.180
#> ERR659053 1 0.4999 0.4461 0.728 0.000 0.048 0.100 0.008 0.116
#> ERR659149 1 0.4999 0.4461 0.728 0.000 0.048 0.100 0.008 0.116
#> ERR659054 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.6322 0.2163 0.552 0.000 0.024 0.052 0.292 0.080
#> ERR659151 1 0.6322 0.2163 0.552 0.000 0.024 0.052 0.292 0.080
#> ERR659056 2 0.1141 0.9177 0.000 0.948 0.052 0.000 0.000 0.000
#> ERR659152 2 0.1141 0.9177 0.000 0.948 0.052 0.000 0.000 0.000
#> ERR659057 1 0.7570 0.2945 0.504 0.000 0.112 0.160 0.068 0.156
#> ERR659153 1 0.7570 0.2945 0.504 0.000 0.112 0.160 0.068 0.156
#> ERR659058 5 0.7177 0.2971 0.352 0.000 0.040 0.080 0.432 0.096
#> ERR659154 5 0.7177 0.2971 0.352 0.000 0.040 0.080 0.432 0.096
#> ERR659059 1 0.7612 0.3415 0.460 0.000 0.040 0.168 0.112 0.220
#> ERR659155 1 0.7612 0.3415 0.460 0.000 0.040 0.168 0.112 0.220
#> ERR659060 4 0.6919 0.3683 0.260 0.000 0.072 0.520 0.032 0.116
#> ERR659156 4 0.6919 0.3683 0.260 0.000 0.072 0.520 0.032 0.116
#> ERR659061 4 0.6892 0.3998 0.224 0.000 0.064 0.556 0.072 0.084
#> ERR659157 4 0.6892 0.3998 0.224 0.000 0.064 0.556 0.072 0.084
#> ERR659062 4 0.8430 0.1759 0.112 0.000 0.120 0.348 0.260 0.160
#> ERR659158 4 0.8430 0.1759 0.112 0.000 0.120 0.348 0.260 0.160
#> ERR659063 4 0.7410 0.2124 0.260 0.000 0.064 0.420 0.028 0.228
#> ERR659159 4 0.7410 0.2124 0.260 0.000 0.064 0.420 0.028 0.228
#> ERR659064 1 0.4056 0.5079 0.796 0.000 0.012 0.120 0.028 0.044
#> ERR659160 1 0.4056 0.5079 0.796 0.000 0.012 0.120 0.028 0.044
#> ERR659065 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 5 0.6486 0.4314 0.288 0.000 0.032 0.140 0.520 0.020
#> ERR659162 5 0.6486 0.4314 0.288 0.000 0.032 0.140 0.520 0.020
#> ERR659067 1 0.6081 -0.1150 0.456 0.000 0.008 0.048 0.420 0.068
#> ERR659163 1 0.6081 -0.1150 0.456 0.000 0.008 0.048 0.420 0.068
#> ERR659068 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 5 0.6880 0.3693 0.324 0.000 0.036 0.068 0.484 0.088
#> ERR659165 5 0.6880 0.3693 0.324 0.000 0.036 0.068 0.484 0.088
#> ERR659070 1 0.6046 0.2647 0.560 0.000 0.064 0.308 0.016 0.052
#> ERR659166 1 0.6046 0.2647 0.560 0.000 0.064 0.308 0.016 0.052
#> ERR659071 6 0.6468 0.1920 0.320 0.000 0.012 0.156 0.028 0.484
#> ERR659167 6 0.6493 0.1875 0.320 0.000 0.012 0.160 0.028 0.480
#> ERR659072 5 0.4846 0.5478 0.136 0.000 0.028 0.076 0.740 0.020
#> ERR659168 5 0.4846 0.5478 0.136 0.000 0.028 0.076 0.740 0.020
#> ERR659073 4 0.7976 0.2361 0.152 0.000 0.056 0.392 0.276 0.124
#> ERR659169 4 0.7976 0.2361 0.152 0.000 0.056 0.392 0.276 0.124
#> ERR659074 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 1 0.8490 -0.2337 0.284 0.000 0.092 0.276 0.116 0.232
#> ERR659173 1 0.8490 -0.2337 0.284 0.000 0.092 0.276 0.116 0.232
#> ERR659078 1 0.6957 0.3023 0.512 0.000 0.024 0.248 0.144 0.072
#> ERR659174 1 0.6957 0.3023 0.512 0.000 0.024 0.248 0.144 0.072
#> ERR659079 6 0.7610 0.1395 0.088 0.000 0.056 0.260 0.144 0.452
#> ERR659175 6 0.7610 0.1395 0.088 0.000 0.056 0.260 0.144 0.452
#> ERR659080 2 0.4916 0.2438 0.000 0.580 0.368 0.036 0.008 0.008
#> ERR659176 2 0.4916 0.2438 0.000 0.580 0.368 0.036 0.008 0.008
#> ERR659081 1 0.3813 0.4966 0.800 0.000 0.012 0.140 0.016 0.032
#> ERR659177 1 0.3813 0.4966 0.800 0.000 0.012 0.140 0.016 0.032
#> ERR659082 1 0.5451 0.5185 0.716 0.000 0.044 0.060 0.076 0.104
#> ERR659178 1 0.5494 0.5173 0.712 0.000 0.044 0.060 0.076 0.108
#> ERR659083 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.9676 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.7118 0.2927 0.492 0.000 0.028 0.232 0.184 0.064
#> ERR659181 1 0.7118 0.2927 0.492 0.000 0.028 0.232 0.184 0.064
#> ERR659086 1 0.6472 0.4508 0.608 0.000 0.028 0.164 0.100 0.100
#> ERR659182 1 0.6472 0.4508 0.608 0.000 0.028 0.164 0.100 0.100
#> ERR659087 5 0.6908 0.3626 0.100 0.000 0.028 0.216 0.544 0.112
#> ERR659183 5 0.6908 0.3626 0.100 0.000 0.028 0.216 0.544 0.112
#> ERR659088 3 0.7090 0.4224 0.020 0.164 0.584 0.044 0.100 0.088
#> ERR659184 3 0.7090 0.4224 0.020 0.164 0.584 0.044 0.100 0.088
#> ERR659089 1 0.6499 0.2061 0.508 0.000 0.092 0.328 0.048 0.024
#> ERR659185 1 0.6499 0.2061 0.508 0.000 0.092 0.328 0.048 0.024
#> ERR659090 1 0.6917 0.2392 0.480 0.000 0.044 0.328 0.084 0.064
#> ERR659186 1 0.6917 0.2392 0.480 0.000 0.044 0.328 0.084 0.064
#> ERR659091 1 0.6206 0.4365 0.584 0.000 0.004 0.056 0.176 0.180
#> ERR659187 1 0.6206 0.4365 0.584 0.000 0.004 0.056 0.176 0.180
#> ERR659092 6 0.7295 0.1618 0.308 0.000 0.028 0.096 0.124 0.444
#> ERR659188 6 0.7295 0.1618 0.308 0.000 0.028 0.096 0.124 0.444
#> ERR659093 1 0.3838 0.5187 0.824 0.000 0.016 0.076 0.044 0.040
#> ERR659189 1 0.3838 0.5187 0.824 0.000 0.016 0.076 0.044 0.040
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.987 0.994 0.2427 0.767 0.767
#> 3 3 0.869 0.902 0.954 0.2442 0.982 0.977
#> 4 4 0.657 0.887 0.921 0.1564 0.997 0.997
#> 5 5 0.638 0.858 0.914 0.0752 0.965 0.954
#> 6 6 0.627 0.823 0.908 0.0449 0.983 0.976
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
#> ERR467487 1 0.722 0.757 0.800 0.200
#> ERR467498 1 0.745 0.740 0.788 0.212
#> ERR658998 1 0.000 0.993 1.000 0.000
#> ERR659094 1 0.000 0.993 1.000 0.000
#> ERR658999 1 0.000 0.993 1.000 0.000
#> ERR659095 1 0.000 0.993 1.000 0.000
#> ERR659000 1 0.000 0.993 1.000 0.000
#> ERR659096 1 0.000 0.993 1.000 0.000
#> ERR659001 1 0.000 0.993 1.000 0.000
#> ERR659097 1 0.000 0.993 1.000 0.000
#> ERR659002 1 0.000 0.993 1.000 0.000
#> ERR659098 1 0.000 0.993 1.000 0.000
#> ERR659003 1 0.000 0.993 1.000 0.000
#> ERR659099 1 0.000 0.993 1.000 0.000
#> ERR659004 1 0.000 0.993 1.000 0.000
#> ERR659100 1 0.000 0.993 1.000 0.000
#> ERR659005 1 0.000 0.993 1.000 0.000
#> ERR659101 1 0.000 0.993 1.000 0.000
#> ERR659006 1 0.000 0.993 1.000 0.000
#> ERR659102 1 0.000 0.993 1.000 0.000
#> ERR659007 1 0.000 0.993 1.000 0.000
#> ERR659103 1 0.000 0.993 1.000 0.000
#> ERR659008 2 0.000 1.000 0.000 1.000
#> ERR659104 2 0.000 1.000 0.000 1.000
#> ERR659009 1 0.000 0.993 1.000 0.000
#> ERR659105 1 0.000 0.993 1.000 0.000
#> ERR659010 1 0.000 0.993 1.000 0.000
#> ERR659106 1 0.000 0.993 1.000 0.000
#> ERR659011 1 0.000 0.993 1.000 0.000
#> ERR659107 1 0.000 0.993 1.000 0.000
#> ERR659012 1 0.000 0.993 1.000 0.000
#> ERR659108 1 0.000 0.993 1.000 0.000
#> ERR659013 1 0.000 0.993 1.000 0.000
#> ERR659109 1 0.000 0.993 1.000 0.000
#> ERR659014 2 0.000 1.000 0.000 1.000
#> ERR659110 2 0.000 1.000 0.000 1.000
#> ERR659015 1 0.000 0.993 1.000 0.000
#> ERR659111 1 0.000 0.993 1.000 0.000
#> ERR659016 1 0.000 0.993 1.000 0.000
#> ERR659112 1 0.000 0.993 1.000 0.000
#> ERR659017 2 0.000 1.000 0.000 1.000
#> ERR659113 2 0.000 1.000 0.000 1.000
#> ERR659018 1 0.000 0.993 1.000 0.000
#> ERR659114 1 0.000 0.993 1.000 0.000
#> ERR659019 1 0.000 0.993 1.000 0.000
#> ERR659115 1 0.000 0.993 1.000 0.000
#> ERR659020 1 0.000 0.993 1.000 0.000
#> ERR659116 1 0.000 0.993 1.000 0.000
#> ERR659021 1 0.000 0.993 1.000 0.000
#> ERR659117 1 0.000 0.993 1.000 0.000
#> ERR659022 1 0.000 0.993 1.000 0.000
#> ERR659118 1 0.000 0.993 1.000 0.000
#> ERR659023 1 0.000 0.993 1.000 0.000
#> ERR659119 1 0.000 0.993 1.000 0.000
#> ERR659024 1 0.000 0.993 1.000 0.000
#> ERR659120 1 0.000 0.993 1.000 0.000
#> ERR659025 1 0.000 0.993 1.000 0.000
#> ERR659121 1 0.000 0.993 1.000 0.000
#> ERR659026 1 0.000 0.993 1.000 0.000
#> ERR659122 1 0.000 0.993 1.000 0.000
#> ERR659027 1 0.000 0.993 1.000 0.000
#> ERR659123 1 0.000 0.993 1.000 0.000
#> ERR659028 1 0.000 0.993 1.000 0.000
#> ERR659124 1 0.000 0.993 1.000 0.000
#> ERR659029 1 0.000 0.993 1.000 0.000
#> ERR659125 1 0.000 0.993 1.000 0.000
#> ERR659030 1 0.000 0.993 1.000 0.000
#> ERR659126 1 0.000 0.993 1.000 0.000
#> ERR659031 1 0.000 0.993 1.000 0.000
#> ERR659127 1 0.000 0.993 1.000 0.000
#> ERR659032 1 0.000 0.993 1.000 0.000
#> ERR659128 1 0.000 0.993 1.000 0.000
#> ERR659033 1 0.000 0.993 1.000 0.000
#> ERR659129 1 0.000 0.993 1.000 0.000
#> ERR659034 2 0.000 1.000 0.000 1.000
#> ERR659130 2 0.000 1.000 0.000 1.000
#> ERR659035 1 0.000 0.993 1.000 0.000
#> ERR659131 1 0.000 0.993 1.000 0.000
#> ERR659036 1 0.000 0.993 1.000 0.000
#> ERR659132 1 0.000 0.993 1.000 0.000
#> ERR659037 1 0.000 0.993 1.000 0.000
#> ERR659133 1 0.000 0.993 1.000 0.000
#> ERR659038 1 0.000 0.993 1.000 0.000
#> ERR659134 1 0.000 0.993 1.000 0.000
#> ERR659039 1 0.000 0.993 1.000 0.000
#> ERR659135 1 0.000 0.993 1.000 0.000
#> ERR659040 1 0.000 0.993 1.000 0.000
#> ERR659136 1 0.000 0.993 1.000 0.000
#> ERR659041 1 0.000 0.993 1.000 0.000
#> ERR659137 1 0.000 0.993 1.000 0.000
#> ERR659042 1 0.000 0.993 1.000 0.000
#> ERR659138 1 0.000 0.993 1.000 0.000
#> ERR659043 1 0.000 0.993 1.000 0.000
#> ERR659139 1 0.000 0.993 1.000 0.000
#> ERR659044 2 0.000 1.000 0.000 1.000
#> ERR659140 2 0.000 1.000 0.000 1.000
#> ERR659045 1 0.000 0.993 1.000 0.000
#> ERR659141 1 0.000 0.993 1.000 0.000
#> ERR659046 1 0.000 0.993 1.000 0.000
#> ERR659142 1 0.000 0.993 1.000 0.000
#> ERR659047 1 0.000 0.993 1.000 0.000
#> ERR659143 1 0.000 0.993 1.000 0.000
#> ERR659048 1 0.000 0.993 1.000 0.000
#> ERR659144 1 0.000 0.993 1.000 0.000
#> ERR659049 1 0.000 0.993 1.000 0.000
#> ERR659145 1 0.000 0.993 1.000 0.000
#> ERR659050 1 0.000 0.993 1.000 0.000
#> ERR659146 1 0.000 0.993 1.000 0.000
#> ERR659051 1 0.745 0.740 0.788 0.212
#> ERR659147 1 0.745 0.740 0.788 0.212
#> ERR659052 1 0.000 0.993 1.000 0.000
#> ERR659148 1 0.000 0.993 1.000 0.000
#> ERR659053 1 0.000 0.993 1.000 0.000
#> ERR659149 1 0.000 0.993 1.000 0.000
#> ERR659054 2 0.000 1.000 0.000 1.000
#> ERR659150 2 0.000 1.000 0.000 1.000
#> ERR659055 1 0.000 0.993 1.000 0.000
#> ERR659151 1 0.000 0.993 1.000 0.000
#> ERR659056 1 0.662 0.797 0.828 0.172
#> ERR659152 1 0.680 0.786 0.820 0.180
#> ERR659057 1 0.000 0.993 1.000 0.000
#> ERR659153 1 0.000 0.993 1.000 0.000
#> ERR659058 1 0.000 0.993 1.000 0.000
#> ERR659154 1 0.000 0.993 1.000 0.000
#> ERR659059 1 0.000 0.993 1.000 0.000
#> ERR659155 1 0.000 0.993 1.000 0.000
#> ERR659060 1 0.000 0.993 1.000 0.000
#> ERR659156 1 0.000 0.993 1.000 0.000
#> ERR659061 1 0.000 0.993 1.000 0.000
#> ERR659157 1 0.000 0.993 1.000 0.000
#> ERR659062 1 0.000 0.993 1.000 0.000
#> ERR659158 1 0.000 0.993 1.000 0.000
#> ERR659063 1 0.000 0.993 1.000 0.000
#> ERR659159 1 0.000 0.993 1.000 0.000
#> ERR659064 1 0.000 0.993 1.000 0.000
#> ERR659160 1 0.000 0.993 1.000 0.000
#> ERR659065 2 0.000 1.000 0.000 1.000
#> ERR659161 2 0.000 1.000 0.000 1.000
#> ERR659066 1 0.000 0.993 1.000 0.000
#> ERR659162 1 0.000 0.993 1.000 0.000
#> ERR659067 1 0.000 0.993 1.000 0.000
#> ERR659163 1 0.000 0.993 1.000 0.000
#> ERR659068 2 0.000 1.000 0.000 1.000
#> ERR659164 2 0.000 1.000 0.000 1.000
#> ERR659069 1 0.000 0.993 1.000 0.000
#> ERR659165 1 0.000 0.993 1.000 0.000
#> ERR659070 1 0.000 0.993 1.000 0.000
#> ERR659166 1 0.000 0.993 1.000 0.000
#> ERR659071 1 0.000 0.993 1.000 0.000
#> ERR659167 1 0.000 0.993 1.000 0.000
#> ERR659072 1 0.000 0.993 1.000 0.000
#> ERR659168 1 0.000 0.993 1.000 0.000
#> ERR659073 1 0.000 0.993 1.000 0.000
#> ERR659169 1 0.000 0.993 1.000 0.000
#> ERR659074 2 0.000 1.000 0.000 1.000
#> ERR659170 2 0.000 1.000 0.000 1.000
#> ERR659075 2 0.000 1.000 0.000 1.000
#> ERR659171 2 0.000 1.000 0.000 1.000
#> ERR659076 2 0.000 1.000 0.000 1.000
#> ERR659172 2 0.000 1.000 0.000 1.000
#> ERR659077 1 0.000 0.993 1.000 0.000
#> ERR659173 1 0.000 0.993 1.000 0.000
#> ERR659078 1 0.000 0.993 1.000 0.000
#> ERR659174 1 0.000 0.993 1.000 0.000
#> ERR659079 1 0.000 0.993 1.000 0.000
#> ERR659175 1 0.000 0.993 1.000 0.000
#> ERR659080 1 0.000 0.993 1.000 0.000
#> ERR659176 1 0.000 0.993 1.000 0.000
#> ERR659081 1 0.000 0.993 1.000 0.000
#> ERR659177 1 0.000 0.993 1.000 0.000
#> ERR659082 1 0.000 0.993 1.000 0.000
#> ERR659178 1 0.000 0.993 1.000 0.000
#> ERR659083 2 0.000 1.000 0.000 1.000
#> ERR659179 2 0.000 1.000 0.000 1.000
#> ERR659084 2 0.000 1.000 0.000 1.000
#> ERR659180 2 0.000 1.000 0.000 1.000
#> ERR659085 1 0.000 0.993 1.000 0.000
#> ERR659181 1 0.000 0.993 1.000 0.000
#> ERR659086 1 0.000 0.993 1.000 0.000
#> ERR659182 1 0.000 0.993 1.000 0.000
#> ERR659087 1 0.000 0.993 1.000 0.000
#> ERR659183 1 0.000 0.993 1.000 0.000
#> ERR659088 1 0.000 0.993 1.000 0.000
#> ERR659184 1 0.000 0.993 1.000 0.000
#> ERR659089 1 0.000 0.993 1.000 0.000
#> ERR659185 1 0.000 0.993 1.000 0.000
#> ERR659090 1 0.000 0.993 1.000 0.000
#> ERR659186 1 0.000 0.993 1.000 0.000
#> ERR659091 1 0.000 0.993 1.000 0.000
#> ERR659187 1 0.000 0.993 1.000 0.000
#> ERR659092 1 0.000 0.993 1.000 0.000
#> ERR659188 1 0.000 0.993 1.000 0.000
#> ERR659093 1 0.000 0.993 1.000 0.000
#> ERR659189 1 0.000 0.993 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.8578 -0.349 0.504 0.100 0.396
#> ERR467498 1 0.8578 -0.349 0.504 0.100 0.396
#> ERR658998 1 0.0892 0.940 0.980 0.000 0.020
#> ERR659094 1 0.1163 0.937 0.972 0.000 0.028
#> ERR658999 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659095 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659000 1 0.0592 0.937 0.988 0.000 0.012
#> ERR659096 1 0.0592 0.937 0.988 0.000 0.012
#> ERR659001 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659097 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659002 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659098 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659003 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659099 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659004 1 0.3412 0.874 0.876 0.000 0.124
#> ERR659100 1 0.3619 0.860 0.864 0.000 0.136
#> ERR659005 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659101 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659006 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659102 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659007 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659103 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659008 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659104 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659009 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659105 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659010 1 0.2537 0.911 0.920 0.000 0.080
#> ERR659106 1 0.2448 0.914 0.924 0.000 0.076
#> ERR659011 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659107 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659012 1 0.2261 0.919 0.932 0.000 0.068
#> ERR659108 1 0.2066 0.923 0.940 0.000 0.060
#> ERR659013 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659109 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659014 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659110 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659015 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659111 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659016 1 0.3038 0.834 0.896 0.000 0.104
#> ERR659112 1 0.3038 0.834 0.896 0.000 0.104
#> ERR659017 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659113 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659018 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659114 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659019 1 0.2796 0.903 0.908 0.000 0.092
#> ERR659115 1 0.2448 0.914 0.924 0.000 0.076
#> ERR659020 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659116 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659021 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659117 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659022 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659118 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659023 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659119 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659024 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659120 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659025 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659121 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659026 1 0.1411 0.934 0.964 0.000 0.036
#> ERR659122 1 0.1860 0.927 0.948 0.000 0.052
#> ERR659027 1 0.3752 0.846 0.856 0.000 0.144
#> ERR659123 1 0.3412 0.866 0.876 0.000 0.124
#> ERR659028 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659124 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659029 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659125 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659030 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659126 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659031 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659127 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659032 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659128 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659033 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659129 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659034 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659130 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659035 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659131 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659036 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659132 1 0.0747 0.941 0.984 0.000 0.016
#> ERR659037 1 0.2537 0.911 0.920 0.000 0.080
#> ERR659133 1 0.2625 0.908 0.916 0.000 0.084
#> ERR659038 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659134 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659039 1 0.1964 0.925 0.944 0.000 0.056
#> ERR659135 1 0.2066 0.923 0.940 0.000 0.060
#> ERR659040 1 0.0892 0.932 0.980 0.000 0.020
#> ERR659136 1 0.0237 0.941 0.996 0.000 0.004
#> ERR659041 1 0.1289 0.928 0.968 0.000 0.032
#> ERR659137 1 0.1031 0.934 0.976 0.000 0.024
#> ERR659042 1 0.0592 0.937 0.988 0.000 0.012
#> ERR659138 1 0.0592 0.937 0.988 0.000 0.012
#> ERR659043 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659139 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659044 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659140 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659045 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659141 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659046 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659142 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659047 1 0.2261 0.919 0.932 0.000 0.068
#> ERR659143 1 0.2356 0.917 0.928 0.000 0.072
#> ERR659048 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659144 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659049 1 0.1031 0.939 0.976 0.000 0.024
#> ERR659145 1 0.0747 0.941 0.984 0.000 0.016
#> ERR659050 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659146 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659051 3 0.7515 1.000 0.220 0.100 0.680
#> ERR659147 3 0.7515 1.000 0.220 0.100 0.680
#> ERR659052 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659148 1 0.0747 0.941 0.984 0.000 0.016
#> ERR659053 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659149 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659054 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659150 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659055 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659151 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659056 1 0.8373 -0.285 0.524 0.088 0.388
#> ERR659152 1 0.8457 -0.327 0.512 0.092 0.396
#> ERR659057 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659153 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659058 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659154 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659059 1 0.2066 0.923 0.940 0.000 0.060
#> ERR659155 1 0.2356 0.916 0.928 0.000 0.072
#> ERR659060 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659156 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659061 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659157 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659062 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659158 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659063 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659159 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659064 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659160 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659065 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659161 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659066 1 0.2448 0.914 0.924 0.000 0.076
#> ERR659162 1 0.2711 0.905 0.912 0.000 0.088
#> ERR659067 1 0.2711 0.905 0.912 0.000 0.088
#> ERR659163 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659068 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659164 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659069 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659165 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659070 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659166 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659071 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659167 1 0.1289 0.936 0.968 0.000 0.032
#> ERR659072 1 0.2878 0.899 0.904 0.000 0.096
#> ERR659168 1 0.2796 0.902 0.908 0.000 0.092
#> ERR659073 1 0.2878 0.899 0.904 0.000 0.096
#> ERR659169 1 0.2796 0.902 0.908 0.000 0.092
#> ERR659074 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659170 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659075 2 0.4931 0.767 0.000 0.768 0.232
#> ERR659171 2 0.4974 0.763 0.000 0.764 0.236
#> ERR659076 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659172 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659077 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659173 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659078 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659174 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659079 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659175 1 0.0592 0.942 0.988 0.000 0.012
#> ERR659080 1 0.5760 0.336 0.672 0.000 0.328
#> ERR659176 1 0.5760 0.336 0.672 0.000 0.328
#> ERR659081 1 0.1163 0.937 0.972 0.000 0.028
#> ERR659177 1 0.1031 0.939 0.976 0.000 0.024
#> ERR659082 1 0.2356 0.917 0.928 0.000 0.072
#> ERR659178 1 0.2356 0.917 0.928 0.000 0.072
#> ERR659083 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659179 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659084 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659180 2 0.0000 0.983 0.000 1.000 0.000
#> ERR659085 1 0.2261 0.919 0.932 0.000 0.068
#> ERR659181 1 0.2261 0.919 0.932 0.000 0.068
#> ERR659086 1 0.1163 0.937 0.972 0.000 0.028
#> ERR659182 1 0.0892 0.940 0.980 0.000 0.020
#> ERR659087 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659183 1 0.2959 0.896 0.900 0.000 0.100
#> ERR659088 1 0.0237 0.941 0.996 0.000 0.004
#> ERR659184 1 0.0237 0.941 0.996 0.000 0.004
#> ERR659089 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659185 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659090 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659186 1 0.0424 0.942 0.992 0.000 0.008
#> ERR659091 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659187 1 0.0237 0.942 0.996 0.000 0.004
#> ERR659092 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659188 1 0.0000 0.942 1.000 0.000 0.000
#> ERR659093 1 0.1753 0.929 0.952 0.000 0.048
#> ERR659189 1 0.1643 0.931 0.956 0.000 0.044
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.6615 0.269 0.512 0.000 0.084 0.404
#> ERR467498 1 0.6615 0.269 0.512 0.000 0.084 0.404
#> ERR658998 1 0.1474 0.911 0.948 0.000 0.052 0.000
#> ERR659094 1 0.1792 0.905 0.932 0.000 0.068 0.000
#> ERR658999 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659095 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659000 1 0.0592 0.918 0.984 0.000 0.000 0.016
#> ERR659096 1 0.0469 0.919 0.988 0.000 0.000 0.012
#> ERR659001 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659097 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659002 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659098 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659003 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659099 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659004 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659100 1 0.4222 0.775 0.728 0.000 0.272 0.000
#> ERR659005 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659101 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659006 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659102 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659007 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659009 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659105 1 0.4222 0.775 0.728 0.000 0.272 0.000
#> ERR659010 1 0.3688 0.827 0.792 0.000 0.208 0.000
#> ERR659106 1 0.3486 0.841 0.812 0.000 0.188 0.000
#> ERR659011 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659107 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659012 1 0.2973 0.870 0.856 0.000 0.144 0.000
#> ERR659108 1 0.2589 0.885 0.884 0.000 0.116 0.000
#> ERR659013 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659109 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659015 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659111 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659016 1 0.3649 0.807 0.796 0.000 0.000 0.204
#> ERR659112 1 0.3610 0.811 0.800 0.000 0.000 0.200
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659018 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659114 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659019 1 0.3726 0.824 0.788 0.000 0.212 0.000
#> ERR659115 1 0.3266 0.853 0.832 0.000 0.168 0.000
#> ERR659020 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659116 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659021 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659117 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659022 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659118 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659023 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659119 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659024 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659120 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659025 1 0.0469 0.919 0.988 0.000 0.000 0.012
#> ERR659121 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659026 1 0.2011 0.900 0.920 0.000 0.080 0.000
#> ERR659122 1 0.2530 0.886 0.888 0.000 0.112 0.000
#> ERR659027 1 0.4100 0.856 0.832 0.000 0.092 0.076
#> ERR659123 1 0.3761 0.869 0.852 0.000 0.080 0.068
#> ERR659028 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659124 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659029 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659125 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659030 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659126 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659031 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659127 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659032 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659128 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659033 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659129 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659035 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659131 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659036 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659132 1 0.0707 0.919 0.980 0.000 0.020 0.000
#> ERR659037 1 0.2589 0.886 0.884 0.000 0.116 0.000
#> ERR659133 1 0.2921 0.874 0.860 0.000 0.140 0.000
#> ERR659038 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659134 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659039 1 0.2011 0.901 0.920 0.000 0.080 0.000
#> ERR659135 1 0.2281 0.894 0.904 0.000 0.096 0.000
#> ERR659040 1 0.1118 0.912 0.964 0.000 0.000 0.036
#> ERR659136 1 0.0469 0.919 0.988 0.000 0.000 0.012
#> ERR659041 1 0.2197 0.898 0.928 0.000 0.024 0.048
#> ERR659137 1 0.1733 0.906 0.948 0.000 0.024 0.028
#> ERR659042 1 0.0469 0.919 0.988 0.000 0.000 0.012
#> ERR659138 1 0.0469 0.919 0.988 0.000 0.000 0.012
#> ERR659043 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659139 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659045 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659141 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659046 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659142 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659047 1 0.2814 0.878 0.868 0.000 0.132 0.000
#> ERR659143 1 0.2868 0.876 0.864 0.000 0.136 0.000
#> ERR659048 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659144 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659049 1 0.1716 0.907 0.936 0.000 0.064 0.000
#> ERR659145 1 0.1211 0.915 0.960 0.000 0.040 0.000
#> ERR659050 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659146 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659051 3 0.4356 1.000 0.000 0.000 0.708 0.292
#> ERR659147 3 0.4356 1.000 0.000 0.000 0.708 0.292
#> ERR659052 1 0.0707 0.919 0.980 0.000 0.020 0.000
#> ERR659148 1 0.0921 0.917 0.972 0.000 0.028 0.000
#> ERR659053 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659149 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659055 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659151 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659056 1 0.6615 0.269 0.512 0.000 0.084 0.404
#> ERR659152 1 0.6615 0.269 0.512 0.000 0.084 0.404
#> ERR659057 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659153 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659058 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659154 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659059 1 0.1867 0.904 0.928 0.000 0.072 0.000
#> ERR659155 1 0.2216 0.896 0.908 0.000 0.092 0.000
#> ERR659060 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659156 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659061 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659157 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659062 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659158 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659063 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659159 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659064 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659160 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659065 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659066 1 0.3486 0.840 0.812 0.000 0.188 0.000
#> ERR659162 1 0.3610 0.832 0.800 0.000 0.200 0.000
#> ERR659067 1 0.3311 0.853 0.828 0.000 0.172 0.000
#> ERR659163 1 0.4103 0.789 0.744 0.000 0.256 0.000
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659069 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659165 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659070 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659166 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659071 1 0.0707 0.919 0.980 0.000 0.020 0.000
#> ERR659167 1 0.1557 0.910 0.944 0.000 0.056 0.000
#> ERR659072 1 0.4103 0.788 0.744 0.000 0.256 0.000
#> ERR659168 1 0.3975 0.800 0.760 0.000 0.240 0.000
#> ERR659073 1 0.3444 0.845 0.816 0.000 0.184 0.000
#> ERR659169 1 0.3311 0.854 0.828 0.000 0.172 0.000
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659075 4 0.4866 1.000 0.000 0.404 0.000 0.596
#> ERR659171 4 0.4866 1.000 0.000 0.404 0.000 0.596
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659077 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659173 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659078 1 0.0707 0.919 0.980 0.000 0.020 0.000
#> ERR659174 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659079 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659175 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659080 1 0.4855 0.502 0.600 0.000 0.000 0.400
#> ERR659176 1 0.4855 0.502 0.600 0.000 0.000 0.400
#> ERR659081 1 0.1211 0.915 0.960 0.000 0.040 0.000
#> ERR659177 1 0.1211 0.914 0.960 0.000 0.040 0.000
#> ERR659082 1 0.2868 0.876 0.864 0.000 0.136 0.000
#> ERR659178 1 0.2647 0.884 0.880 0.000 0.120 0.000
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659085 1 0.2647 0.884 0.880 0.000 0.120 0.000
#> ERR659181 1 0.2647 0.884 0.880 0.000 0.120 0.000
#> ERR659086 1 0.1118 0.916 0.964 0.000 0.036 0.000
#> ERR659182 1 0.0817 0.918 0.976 0.000 0.024 0.000
#> ERR659087 1 0.4250 0.771 0.724 0.000 0.276 0.000
#> ERR659183 1 0.4222 0.774 0.728 0.000 0.272 0.000
#> ERR659088 1 0.0188 0.920 0.996 0.000 0.000 0.004
#> ERR659184 1 0.0592 0.918 0.984 0.000 0.000 0.016
#> ERR659089 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659185 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659090 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659186 1 0.0469 0.920 0.988 0.000 0.012 0.000
#> ERR659091 1 0.0188 0.920 0.996 0.000 0.004 0.000
#> ERR659187 1 0.0336 0.920 0.992 0.000 0.008 0.000
#> ERR659092 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659188 1 0.0000 0.919 1.000 0.000 0.000 0.000
#> ERR659093 1 0.1557 0.910 0.944 0.000 0.056 0.000
#> ERR659189 1 0.1474 0.911 0.948 0.000 0.052 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.3650 -0.233 0.028 0.0 0.796 0.176 0.000
#> ERR467498 3 0.3650 -0.233 0.028 0.0 0.796 0.176 0.000
#> ERR658998 1 0.1341 0.897 0.944 0.0 0.000 0.000 0.056
#> ERR659094 1 0.1831 0.888 0.920 0.0 0.000 0.004 0.076
#> ERR658999 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659095 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659000 1 0.0671 0.902 0.980 0.0 0.000 0.016 0.004
#> ERR659096 1 0.0833 0.903 0.976 0.0 0.004 0.016 0.004
#> ERR659001 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659097 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659002 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659098 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659003 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659099 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659004 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659100 1 0.3707 0.722 0.716 0.0 0.000 0.000 0.284
#> ERR659005 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659101 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659006 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659102 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659007 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659009 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659105 1 0.3707 0.722 0.716 0.0 0.000 0.000 0.284
#> ERR659010 1 0.3274 0.786 0.780 0.0 0.000 0.000 0.220
#> ERR659106 1 0.3109 0.804 0.800 0.0 0.000 0.000 0.200
#> ERR659011 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659107 1 0.3861 0.718 0.712 0.0 0.000 0.004 0.284
#> ERR659012 1 0.2648 0.847 0.848 0.0 0.000 0.000 0.152
#> ERR659108 1 0.2230 0.871 0.884 0.0 0.000 0.000 0.116
#> ERR659013 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659109 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659014 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659015 1 0.0404 0.903 0.988 0.0 0.000 0.012 0.000
#> ERR659111 1 0.0510 0.904 0.984 0.0 0.000 0.016 0.000
#> ERR659016 1 0.3848 0.772 0.780 0.0 0.012 0.196 0.012
#> ERR659112 1 0.3814 0.776 0.784 0.0 0.012 0.192 0.012
#> ERR659017 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659018 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659114 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659019 1 0.3305 0.782 0.776 0.0 0.000 0.000 0.224
#> ERR659115 1 0.2891 0.821 0.824 0.0 0.000 0.000 0.176
#> ERR659020 1 0.0609 0.904 0.980 0.0 0.000 0.020 0.000
#> ERR659116 1 0.0771 0.905 0.976 0.0 0.000 0.020 0.004
#> ERR659021 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659117 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659022 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659118 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659023 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659119 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659024 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659120 1 0.0162 0.903 0.996 0.0 0.000 0.004 0.000
#> ERR659025 1 0.1544 0.893 0.932 0.0 0.000 0.068 0.000
#> ERR659121 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659026 1 0.1732 0.886 0.920 0.0 0.000 0.000 0.080
#> ERR659122 1 0.2127 0.872 0.892 0.0 0.000 0.000 0.108
#> ERR659027 1 0.3543 0.843 0.828 0.0 0.000 0.112 0.060
#> ERR659123 1 0.3289 0.853 0.844 0.0 0.000 0.108 0.048
#> ERR659028 1 0.0290 0.904 0.992 0.0 0.000 0.000 0.008
#> ERR659124 1 0.0290 0.904 0.992 0.0 0.000 0.000 0.008
#> ERR659029 1 0.0609 0.903 0.980 0.0 0.000 0.020 0.000
#> ERR659125 1 0.0955 0.903 0.968 0.0 0.000 0.028 0.004
#> ERR659030 1 0.0566 0.905 0.984 0.0 0.000 0.012 0.004
#> ERR659126 1 0.0510 0.903 0.984 0.0 0.000 0.016 0.000
#> ERR659031 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659127 1 0.0162 0.903 0.996 0.0 0.000 0.004 0.000
#> ERR659032 1 0.1357 0.899 0.948 0.0 0.000 0.048 0.004
#> ERR659128 1 0.1341 0.896 0.944 0.0 0.000 0.056 0.000
#> ERR659033 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659129 1 0.1410 0.894 0.940 0.0 0.000 0.060 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659035 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659131 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659036 1 0.0693 0.906 0.980 0.0 0.000 0.008 0.012
#> ERR659132 1 0.0898 0.905 0.972 0.0 0.000 0.008 0.020
#> ERR659037 1 0.2230 0.872 0.884 0.0 0.000 0.000 0.116
#> ERR659133 1 0.2516 0.856 0.860 0.0 0.000 0.000 0.140
#> ERR659038 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659134 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659039 1 0.1671 0.890 0.924 0.0 0.000 0.000 0.076
#> ERR659135 1 0.1851 0.885 0.912 0.0 0.000 0.000 0.088
#> ERR659040 1 0.1331 0.899 0.952 0.0 0.008 0.040 0.000
#> ERR659136 1 0.0798 0.904 0.976 0.0 0.008 0.016 0.000
#> ERR659041 1 0.5073 0.546 0.688 0.0 0.212 0.000 0.100
#> ERR659137 1 0.5073 0.546 0.688 0.0 0.212 0.000 0.100
#> ERR659042 1 0.0290 0.904 0.992 0.0 0.000 0.008 0.000
#> ERR659138 1 0.0510 0.904 0.984 0.0 0.000 0.016 0.000
#> ERR659043 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659139 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659045 1 0.0162 0.904 0.996 0.0 0.000 0.000 0.004
#> ERR659141 1 0.0162 0.904 0.996 0.0 0.000 0.000 0.004
#> ERR659046 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659142 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659047 1 0.3169 0.865 0.856 0.0 0.000 0.060 0.084
#> ERR659143 1 0.3169 0.865 0.856 0.0 0.000 0.060 0.084
#> ERR659048 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659144 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659049 1 0.2514 0.885 0.896 0.0 0.000 0.060 0.044
#> ERR659145 1 0.2193 0.890 0.912 0.0 0.000 0.060 0.028
#> ERR659050 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659146 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659051 4 0.1478 1.000 0.000 0.0 0.064 0.936 0.000
#> ERR659147 4 0.1478 1.000 0.000 0.0 0.064 0.936 0.000
#> ERR659052 1 0.0609 0.905 0.980 0.0 0.000 0.000 0.020
#> ERR659148 1 0.0794 0.904 0.972 0.0 0.000 0.000 0.028
#> ERR659053 1 0.0290 0.904 0.992 0.0 0.000 0.008 0.000
#> ERR659149 1 0.0609 0.904 0.980 0.0 0.000 0.020 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659055 1 0.0162 0.903 0.996 0.0 0.000 0.000 0.004
#> ERR659151 1 0.0404 0.905 0.988 0.0 0.000 0.000 0.012
#> ERR659056 3 0.6392 0.304 0.356 0.0 0.468 0.176 0.000
#> ERR659152 3 0.5911 0.328 0.228 0.0 0.596 0.176 0.000
#> ERR659057 1 0.0404 0.904 0.988 0.0 0.000 0.000 0.012
#> ERR659153 1 0.0404 0.905 0.988 0.0 0.000 0.000 0.012
#> ERR659058 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659154 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659059 1 0.2378 0.889 0.904 0.0 0.000 0.048 0.048
#> ERR659155 1 0.2719 0.880 0.884 0.0 0.000 0.048 0.068
#> ERR659060 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659156 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659061 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659157 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659062 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659158 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659063 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659159 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659064 1 0.1205 0.901 0.956 0.0 0.000 0.040 0.004
#> ERR659160 1 0.0963 0.901 0.964 0.0 0.000 0.036 0.000
#> ERR659065 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659066 1 0.3039 0.813 0.808 0.0 0.000 0.000 0.192
#> ERR659162 1 0.3143 0.802 0.796 0.0 0.000 0.000 0.204
#> ERR659067 1 0.2929 0.825 0.820 0.0 0.000 0.000 0.180
#> ERR659163 1 0.3534 0.754 0.744 0.0 0.000 0.000 0.256
#> ERR659068 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659069 1 0.3861 0.718 0.712 0.0 0.000 0.004 0.284
#> ERR659165 1 0.3957 0.720 0.712 0.0 0.000 0.008 0.280
#> ERR659070 1 0.1341 0.895 0.944 0.0 0.000 0.056 0.000
#> ERR659166 1 0.1197 0.898 0.952 0.0 0.000 0.048 0.000
#> ERR659071 1 0.0609 0.905 0.980 0.0 0.000 0.000 0.020
#> ERR659167 1 0.1341 0.899 0.944 0.0 0.000 0.000 0.056
#> ERR659072 1 0.3586 0.743 0.736 0.0 0.000 0.000 0.264
#> ERR659168 1 0.3480 0.759 0.752 0.0 0.000 0.000 0.248
#> ERR659073 1 0.3086 0.827 0.816 0.0 0.000 0.004 0.180
#> ERR659169 1 0.2970 0.837 0.828 0.0 0.000 0.004 0.168
#> ERR659074 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659075 5 0.4182 1.000 0.000 0.4 0.000 0.000 0.600
#> ERR659171 5 0.4182 1.000 0.000 0.4 0.000 0.000 0.600
#> ERR659076 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659077 1 0.0963 0.901 0.964 0.0 0.000 0.036 0.000
#> ERR659173 1 0.0963 0.901 0.964 0.0 0.000 0.036 0.000
#> ERR659078 1 0.1670 0.897 0.936 0.0 0.000 0.052 0.012
#> ERR659174 1 0.1430 0.897 0.944 0.0 0.000 0.052 0.004
#> ERR659079 1 0.0579 0.905 0.984 0.0 0.000 0.008 0.008
#> ERR659175 1 0.0693 0.906 0.980 0.0 0.000 0.008 0.012
#> ERR659080 1 0.5949 0.295 0.588 0.0 0.240 0.172 0.000
#> ERR659176 1 0.5949 0.295 0.588 0.0 0.240 0.172 0.000
#> ERR659081 1 0.2104 0.891 0.916 0.0 0.000 0.060 0.024
#> ERR659177 1 0.2193 0.890 0.912 0.0 0.000 0.060 0.028
#> ERR659082 1 0.2516 0.858 0.860 0.0 0.000 0.000 0.140
#> ERR659178 1 0.2280 0.870 0.880 0.0 0.000 0.000 0.120
#> ERR659083 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.0 0.000 0.000 0.000
#> ERR659085 1 0.2424 0.861 0.868 0.0 0.000 0.000 0.132
#> ERR659181 1 0.2424 0.862 0.868 0.0 0.000 0.000 0.132
#> ERR659086 1 0.0880 0.904 0.968 0.0 0.000 0.000 0.032
#> ERR659182 1 0.0609 0.905 0.980 0.0 0.000 0.000 0.020
#> ERR659087 1 0.3730 0.717 0.712 0.0 0.000 0.000 0.288
#> ERR659183 1 0.3707 0.722 0.716 0.0 0.000 0.000 0.284
#> ERR659088 1 0.1121 0.900 0.956 0.0 0.000 0.044 0.000
#> ERR659184 1 0.1341 0.899 0.944 0.0 0.000 0.056 0.000
#> ERR659089 1 0.0290 0.904 0.992 0.0 0.000 0.000 0.008
#> ERR659185 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659090 1 0.1444 0.901 0.948 0.0 0.000 0.040 0.012
#> ERR659186 1 0.1364 0.902 0.952 0.0 0.000 0.036 0.012
#> ERR659091 1 0.0451 0.905 0.988 0.0 0.000 0.008 0.004
#> ERR659187 1 0.0693 0.906 0.980 0.0 0.000 0.012 0.008
#> ERR659092 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659188 1 0.0000 0.903 1.000 0.0 0.000 0.000 0.000
#> ERR659093 1 0.1341 0.899 0.944 0.0 0.000 0.000 0.056
#> ERR659189 1 0.1270 0.900 0.948 0.0 0.000 0.000 0.052
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.5620 0.544 0.004 0.000 0.212 0.564 0.000 0.220
#> ERR467498 4 0.5620 0.544 0.004 0.000 0.212 0.564 0.000 0.220
#> ERR658998 1 0.1267 0.860 0.940 0.000 0.000 0.000 0.060 0.000
#> ERR659094 1 0.1918 0.841 0.904 0.000 0.000 0.008 0.088 0.000
#> ERR658999 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659095 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659000 1 0.1413 0.856 0.948 0.000 0.004 0.036 0.004 0.008
#> ERR659096 1 0.1484 0.856 0.944 0.000 0.004 0.040 0.004 0.008
#> ERR659001 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659097 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659002 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659098 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659003 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659099 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659004 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659100 1 0.3390 0.606 0.704 0.000 0.000 0.000 0.296 0.000
#> ERR659005 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659101 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659006 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659102 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659007 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659105 1 0.3390 0.606 0.704 0.000 0.000 0.000 0.296 0.000
#> ERR659010 1 0.3023 0.696 0.768 0.000 0.000 0.000 0.232 0.000
#> ERR659106 1 0.2883 0.721 0.788 0.000 0.000 0.000 0.212 0.000
#> ERR659011 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659107 1 0.3528 0.600 0.700 0.000 0.000 0.004 0.296 0.000
#> ERR659012 1 0.2416 0.793 0.844 0.000 0.000 0.000 0.156 0.000
#> ERR659108 1 0.2003 0.828 0.884 0.000 0.000 0.000 0.116 0.000
#> ERR659013 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659109 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.0363 0.872 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR659111 1 0.0547 0.872 0.980 0.000 0.000 0.020 0.000 0.000
#> ERR659016 1 0.5420 0.487 0.696 0.000 0.056 0.156 0.072 0.020
#> ERR659112 1 0.5442 0.485 0.696 0.000 0.060 0.152 0.072 0.020
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659114 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659019 1 0.3023 0.697 0.768 0.000 0.000 0.000 0.232 0.000
#> ERR659115 1 0.2597 0.759 0.824 0.000 0.000 0.000 0.176 0.000
#> ERR659020 1 0.0632 0.872 0.976 0.000 0.000 0.024 0.000 0.000
#> ERR659116 1 0.0777 0.873 0.972 0.000 0.000 0.024 0.004 0.000
#> ERR659021 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659117 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659022 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659118 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659023 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659119 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659024 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659120 1 0.0146 0.871 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR659025 1 0.1588 0.854 0.924 0.000 0.004 0.072 0.000 0.000
#> ERR659121 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659026 1 0.1556 0.847 0.920 0.000 0.000 0.000 0.080 0.000
#> ERR659122 1 0.1957 0.826 0.888 0.000 0.000 0.000 0.112 0.000
#> ERR659027 1 0.3601 0.791 0.828 0.000 0.048 0.072 0.052 0.000
#> ERR659123 1 0.3338 0.804 0.844 0.000 0.048 0.072 0.036 0.000
#> ERR659028 1 0.0260 0.873 0.992 0.000 0.000 0.000 0.008 0.000
#> ERR659124 1 0.0260 0.873 0.992 0.000 0.000 0.000 0.008 0.000
#> ERR659029 1 0.0632 0.871 0.976 0.000 0.000 0.024 0.000 0.000
#> ERR659125 1 0.0935 0.871 0.964 0.000 0.000 0.032 0.004 0.000
#> ERR659030 1 0.0508 0.873 0.984 0.000 0.000 0.012 0.004 0.000
#> ERR659126 1 0.0458 0.872 0.984 0.000 0.000 0.016 0.000 0.000
#> ERR659031 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659127 1 0.0146 0.871 0.996 0.000 0.000 0.004 0.000 0.000
#> ERR659032 1 0.1349 0.863 0.940 0.000 0.000 0.056 0.004 0.000
#> ERR659128 1 0.1327 0.859 0.936 0.000 0.000 0.064 0.000 0.000
#> ERR659033 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659129 1 0.1444 0.855 0.928 0.000 0.000 0.072 0.000 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659131 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659036 1 0.0520 0.874 0.984 0.000 0.000 0.008 0.008 0.000
#> ERR659132 1 0.0717 0.875 0.976 0.000 0.000 0.008 0.016 0.000
#> ERR659037 1 0.2003 0.831 0.884 0.000 0.000 0.000 0.116 0.000
#> ERR659133 1 0.2260 0.810 0.860 0.000 0.000 0.000 0.140 0.000
#> ERR659038 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659134 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659039 1 0.1444 0.856 0.928 0.000 0.000 0.000 0.072 0.000
#> ERR659135 1 0.1663 0.848 0.912 0.000 0.000 0.000 0.088 0.000
#> ERR659040 1 0.1225 0.867 0.952 0.000 0.036 0.012 0.000 0.000
#> ERR659136 1 0.0725 0.873 0.976 0.000 0.012 0.012 0.000 0.000
#> ERR659041 6 0.3531 1.000 0.328 0.000 0.000 0.000 0.000 0.672
#> ERR659137 6 0.3531 1.000 0.328 0.000 0.000 0.000 0.000 0.672
#> ERR659042 1 0.0260 0.872 0.992 0.000 0.008 0.000 0.000 0.000
#> ERR659138 1 0.0508 0.873 0.984 0.000 0.012 0.004 0.000 0.000
#> ERR659043 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659139 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.0146 0.872 0.996 0.000 0.000 0.000 0.004 0.000
#> ERR659141 1 0.0146 0.872 0.996 0.000 0.000 0.000 0.004 0.000
#> ERR659046 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659142 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659047 1 0.2965 0.815 0.848 0.000 0.000 0.072 0.080 0.000
#> ERR659143 1 0.2965 0.815 0.848 0.000 0.000 0.072 0.080 0.000
#> ERR659048 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659144 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659049 1 0.2365 0.842 0.888 0.000 0.000 0.072 0.040 0.000
#> ERR659145 1 0.2145 0.848 0.900 0.000 0.000 0.072 0.028 0.000
#> ERR659050 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659146 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659051 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR659147 3 0.0000 1.000 0.000 0.000 1.000 0.000 0.000 0.000
#> ERR659052 1 0.0547 0.874 0.980 0.000 0.000 0.000 0.020 0.000
#> ERR659148 1 0.0713 0.873 0.972 0.000 0.000 0.000 0.028 0.000
#> ERR659053 1 0.0363 0.872 0.988 0.000 0.000 0.012 0.000 0.000
#> ERR659149 1 0.0632 0.872 0.976 0.000 0.000 0.024 0.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.0146 0.872 0.996 0.000 0.000 0.000 0.004 0.000
#> ERR659151 1 0.0363 0.873 0.988 0.000 0.000 0.000 0.012 0.000
#> ERR659056 4 0.4871 0.342 0.132 0.000 0.212 0.656 0.000 0.000
#> ERR659152 4 0.3699 0.531 0.036 0.000 0.212 0.752 0.000 0.000
#> ERR659057 1 0.0260 0.873 0.992 0.000 0.000 0.000 0.008 0.000
#> ERR659153 1 0.0363 0.874 0.988 0.000 0.000 0.000 0.012 0.000
#> ERR659058 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659154 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659059 1 0.2134 0.854 0.904 0.000 0.000 0.052 0.044 0.000
#> ERR659155 1 0.2448 0.842 0.884 0.000 0.000 0.052 0.064 0.000
#> ERR659060 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659156 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659061 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659157 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659062 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659158 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659063 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659159 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659064 1 0.1219 0.866 0.948 0.000 0.000 0.048 0.004 0.000
#> ERR659160 1 0.1007 0.867 0.956 0.000 0.000 0.044 0.000 0.000
#> ERR659065 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 1 0.2762 0.746 0.804 0.000 0.000 0.000 0.196 0.000
#> ERR659162 1 0.2883 0.725 0.788 0.000 0.000 0.000 0.212 0.000
#> ERR659067 1 0.2664 0.762 0.816 0.000 0.000 0.000 0.184 0.000
#> ERR659163 1 0.3221 0.658 0.736 0.000 0.000 0.000 0.264 0.000
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 1 0.3528 0.601 0.700 0.000 0.000 0.004 0.296 0.000
#> ERR659165 1 0.3615 0.603 0.700 0.000 0.000 0.008 0.292 0.000
#> ERR659070 1 0.1387 0.857 0.932 0.000 0.000 0.068 0.000 0.000
#> ERR659166 1 0.1204 0.863 0.944 0.000 0.000 0.056 0.000 0.000
#> ERR659071 1 0.0547 0.873 0.980 0.000 0.000 0.000 0.020 0.000
#> ERR659167 1 0.1204 0.865 0.944 0.000 0.000 0.000 0.056 0.000
#> ERR659072 1 0.3288 0.636 0.724 0.000 0.000 0.000 0.276 0.000
#> ERR659168 1 0.3198 0.658 0.740 0.000 0.000 0.000 0.260 0.000
#> ERR659073 1 0.2772 0.770 0.816 0.000 0.000 0.004 0.180 0.000
#> ERR659169 1 0.2668 0.783 0.828 0.000 0.000 0.004 0.168 0.000
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 5 0.3862 1.000 0.000 0.388 0.000 0.004 0.608 0.000
#> ERR659171 5 0.3862 1.000 0.000 0.388 0.000 0.004 0.608 0.000
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 1 0.1007 0.867 0.956 0.000 0.000 0.044 0.000 0.000
#> ERR659173 1 0.0937 0.868 0.960 0.000 0.000 0.040 0.000 0.000
#> ERR659078 1 0.1625 0.860 0.928 0.000 0.000 0.060 0.012 0.000
#> ERR659174 1 0.1267 0.861 0.940 0.000 0.000 0.060 0.000 0.000
#> ERR659079 1 0.0520 0.874 0.984 0.000 0.000 0.008 0.008 0.000
#> ERR659175 1 0.0622 0.875 0.980 0.000 0.000 0.008 0.012 0.000
#> ERR659080 1 0.6887 -0.346 0.516 0.000 0.212 0.180 0.012 0.080
#> ERR659176 1 0.6887 -0.346 0.516 0.000 0.212 0.180 0.012 0.080
#> ERR659081 1 0.1983 0.851 0.908 0.000 0.000 0.072 0.020 0.000
#> ERR659177 1 0.2066 0.850 0.904 0.000 0.000 0.072 0.024 0.000
#> ERR659082 1 0.2260 0.811 0.860 0.000 0.000 0.000 0.140 0.000
#> ERR659178 1 0.2048 0.828 0.880 0.000 0.000 0.000 0.120 0.000
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.2260 0.809 0.860 0.000 0.000 0.000 0.140 0.000
#> ERR659181 1 0.2260 0.810 0.860 0.000 0.000 0.000 0.140 0.000
#> ERR659086 1 0.0790 0.872 0.968 0.000 0.000 0.000 0.032 0.000
#> ERR659182 1 0.0547 0.874 0.980 0.000 0.000 0.000 0.020 0.000
#> ERR659087 1 0.3409 0.599 0.700 0.000 0.000 0.000 0.300 0.000
#> ERR659183 1 0.3390 0.606 0.704 0.000 0.000 0.000 0.296 0.000
#> ERR659088 1 0.1674 0.857 0.924 0.000 0.004 0.068 0.004 0.000
#> ERR659184 1 0.1787 0.855 0.920 0.000 0.008 0.068 0.004 0.000
#> ERR659089 1 0.0260 0.873 0.992 0.000 0.000 0.000 0.008 0.000
#> ERR659185 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659090 1 0.1434 0.866 0.940 0.000 0.000 0.048 0.012 0.000
#> ERR659186 1 0.1367 0.867 0.944 0.000 0.000 0.044 0.012 0.000
#> ERR659091 1 0.0508 0.874 0.984 0.000 0.000 0.012 0.004 0.000
#> ERR659187 1 0.0717 0.875 0.976 0.000 0.000 0.016 0.008 0.000
#> ERR659092 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659188 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000 0.000
#> ERR659093 1 0.1141 0.867 0.948 0.000 0.000 0.000 0.052 0.000
#> ERR659189 1 0.1075 0.869 0.952 0.000 0.000 0.000 0.048 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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 1.000 1.000 1.000 0.2187 0.782 0.782
#> 3 3 0.748 0.912 0.938 1.0142 0.813 0.761
#> 4 4 0.472 0.801 0.847 0.4192 0.792 0.651
#> 5 5 0.541 0.749 0.806 0.0981 0.962 0.905
#> 6 6 0.561 0.529 0.734 0.0690 0.986 0.962
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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 3 0.0000 0.909 0.000 0 1.000
#> ERR467498 3 0.0000 0.909 0.000 0 1.000
#> ERR658998 1 0.1411 0.937 0.964 0 0.036
#> ERR659094 1 0.1411 0.937 0.964 0 0.036
#> ERR658999 1 0.3340 0.907 0.880 0 0.120
#> ERR659095 1 0.3412 0.905 0.876 0 0.124
#> ERR659000 3 0.2959 0.850 0.100 0 0.900
#> ERR659096 3 0.2959 0.850 0.100 0 0.900
#> ERR659001 1 0.1289 0.937 0.968 0 0.032
#> ERR659097 1 0.1411 0.937 0.964 0 0.036
#> ERR659002 1 0.0237 0.933 0.996 0 0.004
#> ERR659098 1 0.0237 0.933 0.996 0 0.004
#> ERR659003 1 0.1289 0.937 0.968 0 0.032
#> ERR659099 1 0.1289 0.937 0.968 0 0.032
#> ERR659004 1 0.5363 0.748 0.724 0 0.276
#> ERR659100 1 0.5363 0.748 0.724 0 0.276
#> ERR659005 1 0.1031 0.936 0.976 0 0.024
#> ERR659101 1 0.1031 0.936 0.976 0 0.024
#> ERR659006 1 0.5254 0.765 0.736 0 0.264
#> ERR659102 1 0.5254 0.765 0.736 0 0.264
#> ERR659007 1 0.1411 0.931 0.964 0 0.036
#> ERR659103 1 0.1411 0.931 0.964 0 0.036
#> ERR659008 2 0.0000 1.000 0.000 1 0.000
#> ERR659104 2 0.0000 1.000 0.000 1 0.000
#> ERR659009 1 0.5178 0.776 0.744 0 0.256
#> ERR659105 1 0.5178 0.776 0.744 0 0.256
#> ERR659010 1 0.4291 0.860 0.820 0 0.180
#> ERR659106 1 0.4291 0.860 0.820 0 0.180
#> ERR659011 1 0.3816 0.887 0.852 0 0.148
#> ERR659107 1 0.3941 0.880 0.844 0 0.156
#> ERR659012 1 0.5291 0.759 0.732 0 0.268
#> ERR659108 1 0.5291 0.759 0.732 0 0.268
#> ERR659013 1 0.6062 0.531 0.616 0 0.384
#> ERR659109 1 0.6079 0.522 0.612 0 0.388
#> ERR659014 2 0.0000 1.000 0.000 1 0.000
#> ERR659110 2 0.0000 1.000 0.000 1 0.000
#> ERR659015 1 0.0000 0.931 1.000 0 0.000
#> ERR659111 1 0.0000 0.931 1.000 0 0.000
#> ERR659016 3 0.0747 0.911 0.016 0 0.984
#> ERR659112 3 0.0592 0.911 0.012 0 0.988
#> ERR659017 2 0.0000 1.000 0.000 1 0.000
#> ERR659113 2 0.0000 1.000 0.000 1 0.000
#> ERR659018 1 0.0237 0.933 0.996 0 0.004
#> ERR659114 1 0.0237 0.933 0.996 0 0.004
#> ERR659019 1 0.3038 0.915 0.896 0 0.104
#> ERR659115 1 0.3038 0.916 0.896 0 0.104
#> ERR659020 1 0.0237 0.933 0.996 0 0.004
#> ERR659116 1 0.0237 0.933 0.996 0 0.004
#> ERR659021 1 0.0000 0.931 1.000 0 0.000
#> ERR659117 1 0.0000 0.931 1.000 0 0.000
#> ERR659022 1 0.1411 0.936 0.964 0 0.036
#> ERR659118 1 0.1411 0.936 0.964 0 0.036
#> ERR659023 1 0.0424 0.934 0.992 0 0.008
#> ERR659119 1 0.0424 0.934 0.992 0 0.008
#> ERR659024 1 0.0592 0.935 0.988 0 0.012
#> ERR659120 1 0.0592 0.935 0.988 0 0.012
#> ERR659025 1 0.4452 0.843 0.808 0 0.192
#> ERR659121 1 0.4702 0.819 0.788 0 0.212
#> ERR659026 1 0.1643 0.935 0.956 0 0.044
#> ERR659122 1 0.1529 0.936 0.960 0 0.040
#> ERR659027 3 0.1163 0.910 0.028 0 0.972
#> ERR659123 3 0.1163 0.910 0.028 0 0.972
#> ERR659028 1 0.2537 0.926 0.920 0 0.080
#> ERR659124 1 0.2625 0.925 0.916 0 0.084
#> ERR659029 1 0.2356 0.926 0.928 0 0.072
#> ERR659125 1 0.2448 0.926 0.924 0 0.076
#> ERR659030 1 0.0747 0.936 0.984 0 0.016
#> ERR659126 1 0.0747 0.936 0.984 0 0.016
#> ERR659031 1 0.2261 0.931 0.932 0 0.068
#> ERR659127 1 0.2165 0.932 0.936 0 0.064
#> ERR659032 1 0.1289 0.937 0.968 0 0.032
#> ERR659128 1 0.1289 0.937 0.968 0 0.032
#> ERR659033 1 0.0000 0.931 1.000 0 0.000
#> ERR659129 1 0.0000 0.931 1.000 0 0.000
#> ERR659034 2 0.0000 1.000 0.000 1 0.000
#> ERR659130 2 0.0000 1.000 0.000 1 0.000
#> ERR659035 1 0.1031 0.936 0.976 0 0.024
#> ERR659131 1 0.1289 0.936 0.968 0 0.032
#> ERR659036 3 0.5497 0.597 0.292 0 0.708
#> ERR659132 3 0.5621 0.579 0.308 0 0.692
#> ERR659037 1 0.1289 0.936 0.968 0 0.032
#> ERR659133 1 0.1289 0.936 0.968 0 0.032
#> ERR659038 1 0.3340 0.907 0.880 0 0.120
#> ERR659134 1 0.3192 0.911 0.888 0 0.112
#> ERR659039 1 0.3192 0.911 0.888 0 0.112
#> ERR659135 1 0.3192 0.911 0.888 0 0.112
#> ERR659040 1 0.4887 0.799 0.772 0 0.228
#> ERR659136 1 0.4504 0.836 0.804 0 0.196
#> ERR659041 3 0.1163 0.911 0.028 0 0.972
#> ERR659137 3 0.1163 0.911 0.028 0 0.972
#> ERR659042 3 0.2356 0.881 0.072 0 0.928
#> ERR659138 3 0.2356 0.881 0.072 0 0.928
#> ERR659043 1 0.3340 0.908 0.880 0 0.120
#> ERR659139 1 0.3412 0.906 0.876 0 0.124
#> ERR659044 2 0.0000 1.000 0.000 1 0.000
#> ERR659140 2 0.0000 1.000 0.000 1 0.000
#> ERR659045 1 0.0592 0.935 0.988 0 0.012
#> ERR659141 1 0.0592 0.935 0.988 0 0.012
#> ERR659046 1 0.0747 0.935 0.984 0 0.016
#> ERR659142 1 0.0747 0.935 0.984 0 0.016
#> ERR659047 1 0.0237 0.933 0.996 0 0.004
#> ERR659143 1 0.0237 0.933 0.996 0 0.004
#> ERR659048 1 0.0237 0.933 0.996 0 0.004
#> ERR659144 1 0.0237 0.933 0.996 0 0.004
#> ERR659049 1 0.5397 0.736 0.720 0 0.280
#> ERR659145 1 0.5497 0.718 0.708 0 0.292
#> ERR659050 1 0.4504 0.832 0.804 0 0.196
#> ERR659146 1 0.4555 0.828 0.800 0 0.200
#> ERR659051 3 0.0000 0.909 0.000 0 1.000
#> ERR659147 3 0.0000 0.909 0.000 0 1.000
#> ERR659052 1 0.4504 0.844 0.804 0 0.196
#> ERR659148 1 0.4346 0.856 0.816 0 0.184
#> ERR659053 1 0.0424 0.934 0.992 0 0.008
#> ERR659149 1 0.0424 0.934 0.992 0 0.008
#> ERR659054 2 0.0000 1.000 0.000 1 0.000
#> ERR659150 2 0.0000 1.000 0.000 1 0.000
#> ERR659055 1 0.1163 0.937 0.972 0 0.028
#> ERR659151 1 0.1031 0.937 0.976 0 0.024
#> ERR659056 3 0.0000 0.909 0.000 0 1.000
#> ERR659152 3 0.0000 0.909 0.000 0 1.000
#> ERR659057 1 0.0592 0.935 0.988 0 0.012
#> ERR659153 1 0.0592 0.935 0.988 0 0.012
#> ERR659058 1 0.2711 0.922 0.912 0 0.088
#> ERR659154 1 0.2711 0.922 0.912 0 0.088
#> ERR659059 1 0.0237 0.933 0.996 0 0.004
#> ERR659155 1 0.0237 0.933 0.996 0 0.004
#> ERR659060 1 0.1411 0.935 0.964 0 0.036
#> ERR659156 1 0.1529 0.935 0.960 0 0.040
#> ERR659061 1 0.2356 0.929 0.928 0 0.072
#> ERR659157 1 0.2356 0.929 0.928 0 0.072
#> ERR659062 1 0.3038 0.916 0.896 0 0.104
#> ERR659158 1 0.3116 0.914 0.892 0 0.108
#> ERR659063 1 0.0000 0.931 1.000 0 0.000
#> ERR659159 1 0.0000 0.931 1.000 0 0.000
#> ERR659064 1 0.1031 0.936 0.976 0 0.024
#> ERR659160 1 0.1031 0.936 0.976 0 0.024
#> ERR659065 2 0.0000 1.000 0.000 1 0.000
#> ERR659161 2 0.0000 1.000 0.000 1 0.000
#> ERR659066 1 0.3619 0.896 0.864 0 0.136
#> ERR659162 1 0.3412 0.904 0.876 0 0.124
#> ERR659067 1 0.2356 0.928 0.928 0 0.072
#> ERR659163 1 0.2356 0.928 0.928 0 0.072
#> ERR659068 2 0.0000 1.000 0.000 1 0.000
#> ERR659164 2 0.0000 1.000 0.000 1 0.000
#> ERR659069 1 0.2959 0.917 0.900 0 0.100
#> ERR659165 1 0.3116 0.914 0.892 0 0.108
#> ERR659070 1 0.1289 0.936 0.968 0 0.032
#> ERR659166 1 0.1411 0.936 0.964 0 0.036
#> ERR659071 1 0.0237 0.933 0.996 0 0.004
#> ERR659167 1 0.0424 0.934 0.992 0 0.008
#> ERR659072 1 0.4121 0.871 0.832 0 0.168
#> ERR659168 1 0.4002 0.878 0.840 0 0.160
#> ERR659073 1 0.2625 0.924 0.916 0 0.084
#> ERR659169 1 0.2625 0.924 0.916 0 0.084
#> ERR659074 2 0.0000 1.000 0.000 1 0.000
#> ERR659170 2 0.0000 1.000 0.000 1 0.000
#> ERR659075 3 0.0000 0.909 0.000 0 1.000
#> ERR659171 3 0.0000 0.909 0.000 0 1.000
#> ERR659076 2 0.0000 1.000 0.000 1 0.000
#> ERR659172 2 0.0000 1.000 0.000 1 0.000
#> ERR659077 1 0.0592 0.935 0.988 0 0.012
#> ERR659173 1 0.0592 0.935 0.988 0 0.012
#> ERR659078 1 0.0592 0.935 0.988 0 0.012
#> ERR659174 1 0.0592 0.935 0.988 0 0.012
#> ERR659079 1 0.1289 0.937 0.968 0 0.032
#> ERR659175 1 0.1289 0.937 0.968 0 0.032
#> ERR659080 3 0.0000 0.909 0.000 0 1.000
#> ERR659176 3 0.0000 0.909 0.000 0 1.000
#> ERR659081 1 0.1031 0.933 0.976 0 0.024
#> ERR659177 1 0.1163 0.932 0.972 0 0.028
#> ERR659082 1 0.0424 0.934 0.992 0 0.008
#> ERR659178 1 0.0424 0.934 0.992 0 0.008
#> ERR659083 2 0.0000 1.000 0.000 1 0.000
#> ERR659179 2 0.0000 1.000 0.000 1 0.000
#> ERR659084 2 0.0000 1.000 0.000 1 0.000
#> ERR659180 2 0.0000 1.000 0.000 1 0.000
#> ERR659085 1 0.0592 0.936 0.988 0 0.012
#> ERR659181 1 0.0424 0.934 0.992 0 0.008
#> ERR659086 1 0.0000 0.931 1.000 0 0.000
#> ERR659182 1 0.0000 0.931 1.000 0 0.000
#> ERR659087 1 0.3038 0.915 0.896 0 0.104
#> ERR659183 1 0.3038 0.915 0.896 0 0.104
#> ERR659088 3 0.2261 0.879 0.068 0 0.932
#> ERR659184 3 0.2356 0.875 0.072 0 0.928
#> ERR659089 1 0.1964 0.932 0.944 0 0.056
#> ERR659185 1 0.1964 0.932 0.944 0 0.056
#> ERR659090 1 0.0424 0.935 0.992 0 0.008
#> ERR659186 1 0.0424 0.935 0.992 0 0.008
#> ERR659091 1 0.1163 0.937 0.972 0 0.028
#> ERR659187 1 0.1163 0.937 0.972 0 0.028
#> ERR659092 1 0.0892 0.936 0.980 0 0.020
#> ERR659188 1 0.1031 0.937 0.976 0 0.024
#> ERR659093 1 0.0000 0.931 1.000 0 0.000
#> ERR659189 1 0.0000 0.931 1.000 0 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.1792 0.899 0.000 0 0.932 0.068
#> ERR467498 3 0.1792 0.899 0.000 0 0.932 0.068
#> ERR658998 1 0.5543 0.213 0.556 0 0.020 0.424
#> ERR659094 1 0.5465 0.348 0.588 0 0.020 0.392
#> ERR658999 4 0.3402 0.884 0.164 0 0.004 0.832
#> ERR659095 4 0.3402 0.884 0.164 0 0.004 0.832
#> ERR659000 3 0.4300 0.848 0.088 0 0.820 0.092
#> ERR659096 3 0.4300 0.848 0.088 0 0.820 0.092
#> ERR659001 1 0.3606 0.815 0.840 0 0.020 0.140
#> ERR659097 1 0.3763 0.811 0.832 0 0.024 0.144
#> ERR659002 1 0.2385 0.848 0.920 0 0.028 0.052
#> ERR659098 1 0.2466 0.848 0.916 0 0.028 0.056
#> ERR659003 1 0.1938 0.846 0.936 0 0.012 0.052
#> ERR659099 1 0.2282 0.845 0.924 0 0.024 0.052
#> ERR659004 4 0.3547 0.810 0.072 0 0.064 0.864
#> ERR659100 4 0.3617 0.817 0.076 0 0.064 0.860
#> ERR659005 1 0.3176 0.837 0.880 0 0.036 0.084
#> ERR659101 1 0.3176 0.837 0.880 0 0.036 0.084
#> ERR659006 4 0.3383 0.822 0.076 0 0.052 0.872
#> ERR659102 4 0.3383 0.822 0.076 0 0.052 0.872
#> ERR659007 1 0.2227 0.845 0.928 0 0.036 0.036
#> ERR659103 1 0.2227 0.843 0.928 0 0.036 0.036
#> ERR659008 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659009 4 0.3873 0.826 0.096 0 0.060 0.844
#> ERR659105 4 0.3873 0.826 0.096 0 0.060 0.844
#> ERR659010 4 0.3249 0.876 0.140 0 0.008 0.852
#> ERR659106 4 0.3257 0.880 0.152 0 0.004 0.844
#> ERR659011 4 0.3545 0.884 0.164 0 0.008 0.828
#> ERR659107 4 0.3545 0.884 0.164 0 0.008 0.828
#> ERR659012 4 0.3464 0.818 0.076 0 0.056 0.868
#> ERR659108 4 0.3464 0.818 0.076 0 0.056 0.868
#> ERR659013 1 0.7575 0.285 0.484 0 0.252 0.264
#> ERR659109 1 0.7592 0.279 0.480 0 0.252 0.268
#> ERR659014 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659015 1 0.1913 0.833 0.940 0 0.020 0.040
#> ERR659111 1 0.1913 0.833 0.940 0 0.020 0.040
#> ERR659016 3 0.2742 0.908 0.024 0 0.900 0.076
#> ERR659112 3 0.2742 0.908 0.024 0 0.900 0.076
#> ERR659017 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659018 1 0.4608 0.578 0.692 0 0.004 0.304
#> ERR659114 1 0.4608 0.578 0.692 0 0.004 0.304
#> ERR659019 4 0.3768 0.879 0.184 0 0.008 0.808
#> ERR659115 4 0.3725 0.880 0.180 0 0.008 0.812
#> ERR659020 1 0.2480 0.835 0.904 0 0.008 0.088
#> ERR659116 1 0.2480 0.837 0.904 0 0.008 0.088
#> ERR659021 1 0.1109 0.832 0.968 0 0.004 0.028
#> ERR659117 1 0.1109 0.832 0.968 0 0.004 0.028
#> ERR659022 1 0.2676 0.843 0.896 0 0.012 0.092
#> ERR659118 1 0.2676 0.843 0.896 0 0.012 0.092
#> ERR659023 1 0.2032 0.834 0.936 0 0.028 0.036
#> ERR659119 1 0.1929 0.835 0.940 0 0.024 0.036
#> ERR659024 1 0.1629 0.838 0.952 0 0.024 0.024
#> ERR659120 1 0.1629 0.840 0.952 0 0.024 0.024
#> ERR659025 1 0.6688 0.180 0.492 0 0.420 0.088
#> ERR659121 1 0.6745 0.137 0.480 0 0.428 0.092
#> ERR659026 1 0.5444 0.217 0.560 0 0.016 0.424
#> ERR659122 1 0.5452 0.199 0.556 0 0.016 0.428
#> ERR659027 3 0.2840 0.907 0.044 0 0.900 0.056
#> ERR659123 3 0.2926 0.905 0.048 0 0.896 0.056
#> ERR659028 1 0.4746 0.787 0.776 0 0.056 0.168
#> ERR659124 1 0.4701 0.791 0.780 0 0.056 0.164
#> ERR659029 1 0.2578 0.838 0.912 0 0.036 0.052
#> ERR659125 1 0.2578 0.838 0.912 0 0.036 0.052
#> ERR659030 1 0.3933 0.751 0.792 0 0.008 0.200
#> ERR659126 1 0.3933 0.756 0.792 0 0.008 0.200
#> ERR659031 1 0.4356 0.789 0.812 0 0.064 0.124
#> ERR659127 1 0.4234 0.795 0.816 0 0.052 0.132
#> ERR659032 1 0.2816 0.835 0.900 0 0.036 0.064
#> ERR659128 1 0.2816 0.835 0.900 0 0.036 0.064
#> ERR659033 1 0.1356 0.841 0.960 0 0.008 0.032
#> ERR659129 1 0.1356 0.841 0.960 0 0.008 0.032
#> ERR659034 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659035 1 0.3215 0.836 0.876 0 0.032 0.092
#> ERR659131 1 0.3182 0.835 0.876 0 0.028 0.096
#> ERR659036 3 0.5910 0.642 0.208 0 0.688 0.104
#> ERR659132 3 0.5964 0.638 0.208 0 0.684 0.108
#> ERR659037 1 0.2111 0.844 0.932 0 0.024 0.044
#> ERR659133 1 0.2197 0.844 0.928 0 0.024 0.048
#> ERR659038 4 0.2921 0.878 0.140 0 0.000 0.860
#> ERR659134 4 0.3024 0.881 0.148 0 0.000 0.852
#> ERR659039 4 0.3402 0.884 0.164 0 0.004 0.832
#> ERR659135 4 0.3402 0.884 0.164 0 0.004 0.832
#> ERR659040 1 0.5452 0.704 0.736 0 0.156 0.108
#> ERR659136 1 0.5257 0.716 0.752 0 0.144 0.104
#> ERR659041 3 0.3149 0.905 0.032 0 0.880 0.088
#> ERR659137 3 0.3333 0.903 0.040 0 0.872 0.088
#> ERR659042 3 0.3903 0.879 0.076 0 0.844 0.080
#> ERR659138 3 0.3903 0.876 0.080 0 0.844 0.076
#> ERR659043 1 0.5677 0.709 0.720 0 0.140 0.140
#> ERR659139 1 0.5677 0.709 0.720 0 0.140 0.140
#> ERR659044 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659045 1 0.4855 0.435 0.644 0 0.004 0.352
#> ERR659141 1 0.4872 0.423 0.640 0 0.004 0.356
#> ERR659046 1 0.1929 0.835 0.940 0 0.024 0.036
#> ERR659142 1 0.2021 0.836 0.936 0 0.024 0.040
#> ERR659047 1 0.2198 0.839 0.920 0 0.008 0.072
#> ERR659143 1 0.2329 0.840 0.916 0 0.012 0.072
#> ERR659048 1 0.1888 0.837 0.940 0 0.016 0.044
#> ERR659144 1 0.1798 0.838 0.944 0 0.016 0.040
#> ERR659049 1 0.6834 0.478 0.600 0 0.224 0.176
#> ERR659145 1 0.6739 0.500 0.612 0 0.216 0.172
#> ERR659050 1 0.5217 0.717 0.756 0 0.136 0.108
#> ERR659146 1 0.5209 0.717 0.756 0 0.140 0.104
#> ERR659051 3 0.1792 0.900 0.000 0 0.932 0.068
#> ERR659147 3 0.1792 0.900 0.000 0 0.932 0.068
#> ERR659052 4 0.3105 0.869 0.120 0 0.012 0.868
#> ERR659148 4 0.3105 0.869 0.120 0 0.012 0.868
#> ERR659053 1 0.2909 0.839 0.888 0 0.020 0.092
#> ERR659149 1 0.2909 0.839 0.888 0 0.020 0.092
#> ERR659054 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659055 1 0.4948 0.177 0.560 0 0.000 0.440
#> ERR659151 1 0.4916 0.246 0.576 0 0.000 0.424
#> ERR659056 3 0.1302 0.896 0.000 0 0.956 0.044
#> ERR659152 3 0.1302 0.896 0.000 0 0.956 0.044
#> ERR659057 1 0.2466 0.838 0.900 0 0.004 0.096
#> ERR659153 1 0.2345 0.836 0.900 0 0.000 0.100
#> ERR659058 4 0.3569 0.866 0.196 0 0.000 0.804
#> ERR659154 4 0.3569 0.866 0.196 0 0.000 0.804
#> ERR659059 1 0.1733 0.832 0.948 0 0.024 0.028
#> ERR659155 1 0.1833 0.833 0.944 0 0.024 0.032
#> ERR659060 1 0.2965 0.843 0.892 0 0.036 0.072
#> ERR659156 1 0.2965 0.843 0.892 0 0.036 0.072
#> ERR659061 1 0.3959 0.827 0.840 0 0.068 0.092
#> ERR659157 1 0.3959 0.827 0.840 0 0.068 0.092
#> ERR659062 1 0.5284 0.656 0.696 0 0.040 0.264
#> ERR659158 1 0.5312 0.652 0.692 0 0.040 0.268
#> ERR659063 1 0.3108 0.840 0.872 0 0.016 0.112
#> ERR659159 1 0.3108 0.840 0.872 0 0.016 0.112
#> ERR659064 1 0.3037 0.842 0.880 0 0.020 0.100
#> ERR659160 1 0.3037 0.842 0.880 0 0.020 0.100
#> ERR659065 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659066 4 0.5387 0.476 0.400 0 0.016 0.584
#> ERR659162 4 0.5256 0.503 0.392 0 0.012 0.596
#> ERR659067 4 0.4220 0.816 0.248 0 0.004 0.748
#> ERR659163 4 0.4188 0.821 0.244 0 0.004 0.752
#> ERR659068 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659069 4 0.3486 0.875 0.188 0 0.000 0.812
#> ERR659165 4 0.3486 0.875 0.188 0 0.000 0.812
#> ERR659070 1 0.2706 0.840 0.900 0 0.020 0.080
#> ERR659166 1 0.2813 0.839 0.896 0 0.024 0.080
#> ERR659071 1 0.1733 0.834 0.948 0 0.028 0.024
#> ERR659167 1 0.1936 0.838 0.940 0 0.028 0.032
#> ERR659072 4 0.3448 0.882 0.168 0 0.004 0.828
#> ERR659168 4 0.3448 0.882 0.168 0 0.004 0.828
#> ERR659073 4 0.5780 0.160 0.476 0 0.028 0.496
#> ERR659169 1 0.5859 -0.105 0.496 0 0.032 0.472
#> ERR659074 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659075 3 0.1867 0.892 0.000 0 0.928 0.072
#> ERR659171 3 0.1867 0.892 0.000 0 0.928 0.072
#> ERR659076 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659077 1 0.2635 0.848 0.904 0 0.020 0.076
#> ERR659173 1 0.2563 0.848 0.908 0 0.020 0.072
#> ERR659078 1 0.1902 0.845 0.932 0 0.004 0.064
#> ERR659174 1 0.1902 0.845 0.932 0 0.004 0.064
#> ERR659079 1 0.4225 0.788 0.792 0 0.024 0.184
#> ERR659175 1 0.4182 0.790 0.796 0 0.024 0.180
#> ERR659080 3 0.1474 0.900 0.000 0 0.948 0.052
#> ERR659176 3 0.1389 0.899 0.000 0 0.952 0.048
#> ERR659081 1 0.2596 0.847 0.908 0 0.024 0.068
#> ERR659177 1 0.2623 0.846 0.908 0 0.028 0.064
#> ERR659082 1 0.2737 0.835 0.888 0 0.008 0.104
#> ERR659178 1 0.2737 0.834 0.888 0 0.008 0.104
#> ERR659083 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1 0.000 0.000
#> ERR659085 1 0.2530 0.835 0.896 0 0.004 0.100
#> ERR659181 1 0.2593 0.832 0.892 0 0.004 0.104
#> ERR659086 1 0.0921 0.841 0.972 0 0.000 0.028
#> ERR659182 1 0.0707 0.838 0.980 0 0.000 0.020
#> ERR659087 4 0.4792 0.681 0.312 0 0.008 0.680
#> ERR659183 4 0.4608 0.701 0.304 0 0.004 0.692
#> ERR659088 3 0.4094 0.875 0.056 0 0.828 0.116
#> ERR659184 3 0.4227 0.869 0.060 0 0.820 0.120
#> ERR659089 1 0.3399 0.834 0.868 0 0.040 0.092
#> ERR659185 1 0.3399 0.834 0.868 0 0.040 0.092
#> ERR659090 1 0.2466 0.849 0.916 0 0.028 0.056
#> ERR659186 1 0.2300 0.849 0.924 0 0.028 0.048
#> ERR659091 1 0.2843 0.838 0.892 0 0.020 0.088
#> ERR659187 1 0.2843 0.838 0.892 0 0.020 0.088
#> ERR659092 1 0.3708 0.811 0.832 0 0.020 0.148
#> ERR659188 1 0.3806 0.806 0.824 0 0.020 0.156
#> ERR659093 1 0.1890 0.838 0.936 0 0.008 0.056
#> ERR659189 1 0.1890 0.838 0.936 0 0.008 0.056
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 4 0.439 0.77557 0.000 0 NA 0.640 0.012
#> ERR467498 4 0.439 0.77557 0.000 0 NA 0.640 0.012
#> ERR658998 1 0.656 0.17610 0.468 0 NA 0.000 0.232
#> ERR659094 1 0.649 0.21964 0.484 0 NA 0.000 0.220
#> ERR658999 5 0.200 0.75914 0.036 0 NA 0.004 0.928
#> ERR659095 5 0.204 0.75776 0.032 0 NA 0.008 0.928
#> ERR659000 4 0.570 0.76807 0.052 0 NA 0.624 0.032
#> ERR659096 4 0.570 0.76807 0.052 0 NA 0.624 0.032
#> ERR659001 1 0.393 0.79662 0.816 0 NA 0.016 0.120
#> ERR659097 1 0.408 0.78291 0.800 0 NA 0.016 0.140
#> ERR659002 1 0.298 0.82969 0.880 0 NA 0.028 0.020
#> ERR659098 1 0.316 0.83039 0.872 0 NA 0.028 0.028
#> ERR659003 1 0.375 0.81819 0.832 0 NA 0.020 0.044
#> ERR659099 1 0.370 0.81903 0.836 0 NA 0.020 0.044
#> ERR659004 5 0.348 0.71940 0.020 0 NA 0.084 0.852
#> ERR659100 5 0.348 0.71940 0.020 0 NA 0.084 0.852
#> ERR659005 1 0.396 0.80254 0.804 0 NA 0.064 0.004
#> ERR659101 1 0.378 0.80530 0.816 0 NA 0.056 0.004
#> ERR659006 5 0.284 0.73281 0.016 0 NA 0.064 0.888
#> ERR659102 5 0.291 0.73063 0.016 0 NA 0.068 0.884
#> ERR659007 1 0.245 0.82986 0.912 0 NA 0.032 0.032
#> ERR659103 1 0.253 0.83014 0.908 0 NA 0.036 0.032
#> ERR659008 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659104 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659009 5 0.508 0.63621 0.016 0 NA 0.100 0.728
#> ERR659105 5 0.508 0.63621 0.016 0 NA 0.100 0.728
#> ERR659010 5 0.337 0.74160 0.032 0 NA 0.016 0.852
#> ERR659106 5 0.322 0.74471 0.032 0 NA 0.012 0.860
#> ERR659011 5 0.209 0.75702 0.028 0 NA 0.016 0.928
#> ERR659107 5 0.218 0.75604 0.028 0 NA 0.020 0.924
#> ERR659012 5 0.415 0.70300 0.016 0 NA 0.064 0.804
#> ERR659108 5 0.421 0.70017 0.016 0 NA 0.068 0.800
#> ERR659013 1 0.829 0.12715 0.356 0 NA 0.212 0.144
#> ERR659109 1 0.833 0.11177 0.348 0 NA 0.204 0.156
#> ERR659014 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659110 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659015 1 0.228 0.81261 0.896 0 NA 0.004 0.004
#> ERR659111 1 0.228 0.81261 0.896 0 NA 0.004 0.004
#> ERR659016 4 0.388 0.82927 0.064 0 NA 0.836 0.044
#> ERR659112 4 0.400 0.82322 0.072 0 NA 0.828 0.044
#> ERR659017 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659113 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659018 1 0.566 0.22516 0.572 0 NA 0.004 0.344
#> ERR659114 1 0.567 0.21084 0.568 0 NA 0.004 0.348
#> ERR659019 5 0.212 0.76231 0.040 0 NA 0.008 0.924
#> ERR659115 5 0.220 0.76230 0.040 0 NA 0.008 0.920
#> ERR659020 1 0.288 0.82184 0.880 0 NA 0.012 0.024
#> ERR659116 1 0.279 0.82058 0.884 0 NA 0.012 0.020
#> ERR659021 1 0.167 0.82252 0.936 0 NA 0.012 0.000
#> ERR659117 1 0.181 0.82195 0.928 0 NA 0.012 0.000
#> ERR659022 1 0.445 0.80249 0.792 0 NA 0.076 0.028
#> ERR659118 1 0.441 0.80147 0.792 0 NA 0.076 0.024
#> ERR659023 1 0.279 0.82038 0.884 0 NA 0.028 0.008
#> ERR659119 1 0.235 0.81984 0.904 0 NA 0.012 0.008
#> ERR659024 1 0.239 0.81395 0.896 0 NA 0.000 0.020
#> ERR659120 1 0.248 0.81420 0.892 0 NA 0.000 0.024
#> ERR659025 1 0.631 0.44413 0.540 0 NA 0.348 0.036
#> ERR659121 1 0.634 0.46002 0.544 0 NA 0.340 0.036
#> ERR659026 5 0.586 0.11426 0.456 0 NA 0.008 0.464
#> ERR659122 5 0.586 0.11488 0.456 0 NA 0.008 0.464
#> ERR659027 4 0.181 0.84890 0.024 0 NA 0.940 0.020
#> ERR659123 4 0.201 0.84850 0.024 0 NA 0.932 0.024
#> ERR659028 1 0.567 0.75979 0.712 0 NA 0.084 0.084
#> ERR659124 1 0.562 0.76160 0.716 0 NA 0.080 0.084
#> ERR659029 1 0.451 0.79696 0.792 0 NA 0.040 0.068
#> ERR659125 1 0.451 0.79696 0.792 0 NA 0.040 0.068
#> ERR659030 1 0.497 0.60841 0.712 0 NA 0.008 0.204
#> ERR659126 1 0.491 0.62399 0.720 0 NA 0.008 0.196
#> ERR659031 1 0.473 0.78530 0.772 0 NA 0.128 0.060
#> ERR659127 1 0.456 0.79515 0.784 0 NA 0.120 0.060
#> ERR659032 1 0.393 0.81389 0.832 0 NA 0.044 0.048
#> ERR659128 1 0.393 0.81389 0.832 0 NA 0.044 0.048
#> ERR659033 1 0.220 0.82174 0.916 0 NA 0.008 0.016
#> ERR659129 1 0.220 0.82174 0.916 0 NA 0.008 0.016
#> ERR659034 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659130 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659035 1 0.332 0.81280 0.860 0 NA 0.012 0.056
#> ERR659131 1 0.338 0.81233 0.856 0 NA 0.012 0.060
#> ERR659036 4 0.574 0.71101 0.108 0 NA 0.708 0.088
#> ERR659132 4 0.578 0.70624 0.116 0 NA 0.704 0.088
#> ERR659037 1 0.379 0.81888 0.832 0 NA 0.024 0.044
#> ERR659133 1 0.379 0.81801 0.832 0 NA 0.024 0.044
#> ERR659038 5 0.163 0.76175 0.036 0 NA 0.004 0.944
#> ERR659134 5 0.155 0.76236 0.040 0 NA 0.000 0.944
#> ERR659039 5 0.199 0.75962 0.040 0 NA 0.004 0.928
#> ERR659135 5 0.199 0.75962 0.040 0 NA 0.004 0.928
#> ERR659040 1 0.588 0.71678 0.684 0 NA 0.164 0.064
#> ERR659136 1 0.579 0.72664 0.696 0 NA 0.148 0.068
#> ERR659041 4 0.233 0.84581 0.020 0 NA 0.916 0.044
#> ERR659137 4 0.233 0.84581 0.020 0 NA 0.916 0.044
#> ERR659042 4 0.376 0.81864 0.080 0 NA 0.840 0.032
#> ERR659138 4 0.367 0.82059 0.080 0 NA 0.844 0.028
#> ERR659043 1 0.615 0.71550 0.672 0 NA 0.132 0.096
#> ERR659139 1 0.619 0.71338 0.668 0 NA 0.136 0.096
#> ERR659044 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659140 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659045 1 0.578 0.01351 0.504 0 NA 0.012 0.424
#> ERR659141 1 0.564 0.00923 0.508 0 NA 0.008 0.428
#> ERR659046 1 0.235 0.81465 0.900 0 NA 0.004 0.012
#> ERR659142 1 0.229 0.81539 0.904 0 NA 0.004 0.012
#> ERR659047 1 0.293 0.82060 0.884 0 NA 0.024 0.024
#> ERR659143 1 0.295 0.81976 0.884 0 NA 0.024 0.028
#> ERR659048 1 0.274 0.82640 0.888 0 NA 0.044 0.004
#> ERR659144 1 0.266 0.82587 0.892 0 NA 0.040 0.004
#> ERR659049 1 0.645 0.53474 0.556 0 NA 0.304 0.108
#> ERR659145 1 0.648 0.51707 0.548 0 NA 0.312 0.108
#> ERR659050 1 0.614 0.70255 0.664 0 NA 0.164 0.072
#> ERR659146 1 0.609 0.70631 0.668 0 NA 0.164 0.072
#> ERR659051 4 0.451 0.77205 0.000 0 NA 0.628 0.016
#> ERR659147 4 0.451 0.77205 0.000 0 NA 0.628 0.016
#> ERR659052 5 0.188 0.76014 0.032 0 NA 0.020 0.936
#> ERR659148 5 0.198 0.75961 0.032 0 NA 0.024 0.932
#> ERR659053 1 0.429 0.80099 0.796 0 NA 0.048 0.028
#> ERR659149 1 0.429 0.80099 0.796 0 NA 0.048 0.028
#> ERR659054 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659150 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659055 5 0.571 0.29008 0.408 0 NA 0.004 0.516
#> ERR659151 5 0.574 0.20264 0.432 0 NA 0.004 0.492
#> ERR659056 4 0.262 0.82388 0.000 0 NA 0.872 0.012
#> ERR659152 4 0.262 0.82388 0.000 0 NA 0.872 0.012
#> ERR659057 1 0.336 0.82802 0.864 0 NA 0.028 0.048
#> ERR659153 1 0.329 0.82817 0.868 0 NA 0.028 0.044
#> ERR659058 5 0.246 0.75429 0.072 0 NA 0.004 0.900
#> ERR659154 5 0.246 0.75393 0.072 0 NA 0.004 0.900
#> ERR659059 1 0.213 0.81380 0.908 0 NA 0.000 0.012
#> ERR659155 1 0.235 0.81224 0.896 0 NA 0.000 0.016
#> ERR659060 1 0.465 0.78631 0.764 0 NA 0.104 0.012
#> ERR659156 1 0.465 0.78631 0.764 0 NA 0.104 0.012
#> ERR659061 1 0.499 0.78697 0.764 0 NA 0.096 0.068
#> ERR659157 1 0.500 0.78719 0.764 0 NA 0.092 0.072
#> ERR659062 1 0.646 0.65768 0.632 0 NA 0.084 0.184
#> ERR659158 1 0.651 0.65237 0.628 0 NA 0.084 0.184
#> ERR659063 1 0.462 0.77750 0.780 0 NA 0.052 0.044
#> ERR659159 1 0.462 0.77605 0.780 0 NA 0.048 0.048
#> ERR659064 1 0.418 0.81250 0.812 0 NA 0.052 0.036
#> ERR659160 1 0.444 0.80947 0.796 0 NA 0.060 0.040
#> ERR659065 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659161 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659066 5 0.553 0.24797 0.384 0 NA 0.020 0.560
#> ERR659162 5 0.549 0.30211 0.368 0 NA 0.020 0.576
#> ERR659067 5 0.328 0.70972 0.156 0 NA 0.000 0.824
#> ERR659163 5 0.337 0.71186 0.148 0 NA 0.000 0.824
#> ERR659068 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659164 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659069 5 0.265 0.75405 0.076 0 NA 0.008 0.892
#> ERR659165 5 0.252 0.75424 0.076 0 NA 0.004 0.896
#> ERR659070 1 0.429 0.79560 0.788 0 NA 0.088 0.008
#> ERR659166 1 0.429 0.79560 0.788 0 NA 0.088 0.008
#> ERR659071 1 0.211 0.81370 0.912 0 NA 0.000 0.016
#> ERR659167 1 0.217 0.81425 0.908 0 NA 0.000 0.016
#> ERR659072 5 0.269 0.75815 0.036 0 NA 0.012 0.896
#> ERR659168 5 0.276 0.75735 0.036 0 NA 0.012 0.892
#> ERR659073 5 0.743 0.15763 0.348 0 NA 0.032 0.360
#> ERR659169 5 0.743 0.14377 0.352 0 NA 0.032 0.356
#> ERR659074 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659170 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659075 4 0.350 0.81045 0.000 0 NA 0.788 0.012
#> ERR659171 4 0.350 0.81045 0.000 0 NA 0.788 0.012
#> ERR659076 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659172 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659077 1 0.351 0.82657 0.848 0 NA 0.024 0.032
#> ERR659173 1 0.353 0.82591 0.848 0 NA 0.024 0.036
#> ERR659078 1 0.338 0.82502 0.856 0 NA 0.012 0.056
#> ERR659174 1 0.344 0.82494 0.852 0 NA 0.012 0.056
#> ERR659079 1 0.531 0.59267 0.652 0 NA 0.008 0.068
#> ERR659175 1 0.535 0.58461 0.644 0 NA 0.008 0.068
#> ERR659080 4 0.239 0.85043 0.016 0 NA 0.912 0.024
#> ERR659176 4 0.239 0.85043 0.016 0 NA 0.912 0.024
#> ERR659081 1 0.292 0.82123 0.880 0 NA 0.024 0.016
#> ERR659177 1 0.302 0.82200 0.876 0 NA 0.024 0.020
#> ERR659082 1 0.350 0.79603 0.848 0 NA 0.016 0.044
#> ERR659178 1 0.317 0.79934 0.864 0 NA 0.008 0.044
#> ERR659083 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659179 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659084 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659180 2 0.000 1.00000 0.000 1 NA 0.000 0.000
#> ERR659085 1 0.341 0.81979 0.852 0 NA 0.012 0.048
#> ERR659181 1 0.354 0.81813 0.844 0 NA 0.012 0.052
#> ERR659086 1 0.112 0.81900 0.960 0 NA 0.004 0.000
#> ERR659182 1 0.112 0.81900 0.960 0 NA 0.004 0.000
#> ERR659087 5 0.652 0.41150 0.288 0 NA 0.000 0.480
#> ERR659183 5 0.651 0.41756 0.284 0 NA 0.000 0.484
#> ERR659088 4 0.315 0.81972 0.016 0 NA 0.864 0.096
#> ERR659184 4 0.320 0.81643 0.016 0 NA 0.860 0.100
#> ERR659089 1 0.492 0.79592 0.768 0 NA 0.064 0.068
#> ERR659185 1 0.497 0.79421 0.764 0 NA 0.060 0.076
#> ERR659090 1 0.334 0.82848 0.856 0 NA 0.012 0.044
#> ERR659186 1 0.341 0.82810 0.852 0 NA 0.012 0.048
#> ERR659091 1 0.327 0.81375 0.860 0 NA 0.008 0.068
#> ERR659187 1 0.333 0.81280 0.856 0 NA 0.008 0.076
#> ERR659092 1 0.344 0.81176 0.844 0 NA 0.004 0.060
#> ERR659188 1 0.350 0.81025 0.840 0 NA 0.004 0.064
#> ERR659093 1 0.214 0.81879 0.916 0 NA 0.004 0.016
#> ERR659189 1 0.197 0.81879 0.924 0 NA 0.004 0.012
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.243 0.41034 0.000 0 0.072 0.884 0.000 0.044
#> ERR467498 4 0.243 0.41034 0.000 0 0.072 0.884 0.000 0.044
#> ERR658998 1 0.676 -0.65866 0.388 0 0.024 0.012 0.220 0.356
#> ERR659094 1 0.672 -0.63541 0.400 0 0.024 0.012 0.208 0.356
#> ERR658999 5 0.168 0.66618 0.016 0 0.008 0.008 0.940 0.028
#> ERR659095 5 0.168 0.66618 0.016 0 0.008 0.008 0.940 0.028
#> ERR659000 4 0.413 0.19316 0.056 0 0.028 0.804 0.024 0.088
#> ERR659096 4 0.401 0.19991 0.048 0 0.028 0.812 0.024 0.088
#> ERR659001 1 0.414 0.59138 0.776 0 0.008 0.008 0.120 0.088
#> ERR659097 1 0.413 0.58994 0.776 0 0.012 0.004 0.120 0.088
#> ERR659002 1 0.403 0.64516 0.776 0 0.036 0.004 0.024 0.160
#> ERR659098 1 0.395 0.64560 0.784 0 0.036 0.004 0.024 0.152
#> ERR659003 1 0.466 0.60495 0.704 0 0.036 0.004 0.032 0.224
#> ERR659099 1 0.497 0.60115 0.696 0 0.036 0.020 0.032 0.216
#> ERR659004 5 0.480 0.57025 0.008 0 0.060 0.108 0.748 0.076
#> ERR659100 5 0.480 0.57025 0.008 0 0.060 0.108 0.748 0.076
#> ERR659005 1 0.470 0.55560 0.660 0 0.032 0.020 0.004 0.284
#> ERR659101 1 0.470 0.55560 0.660 0 0.032 0.020 0.004 0.284
#> ERR659006 5 0.404 0.60809 0.004 0 0.056 0.072 0.804 0.064
#> ERR659102 5 0.404 0.60809 0.004 0 0.056 0.072 0.804 0.064
#> ERR659007 1 0.300 0.66289 0.868 0 0.004 0.024 0.036 0.068
#> ERR659103 1 0.300 0.66322 0.868 0 0.004 0.024 0.036 0.068
#> ERR659008 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659104 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659009 5 0.572 0.38450 0.004 0 0.044 0.112 0.628 0.212
#> ERR659105 5 0.572 0.38450 0.004 0 0.044 0.112 0.628 0.212
#> ERR659010 5 0.324 0.60111 0.012 0 0.012 0.016 0.836 0.124
#> ERR659106 5 0.320 0.60556 0.024 0 0.012 0.004 0.836 0.124
#> ERR659011 5 0.289 0.66006 0.020 0 0.040 0.012 0.880 0.048
#> ERR659107 5 0.289 0.66006 0.020 0 0.040 0.012 0.880 0.048
#> ERR659012 5 0.485 0.53482 0.000 0 0.052 0.072 0.720 0.156
#> ERR659108 5 0.484 0.53328 0.000 0 0.048 0.076 0.720 0.156
#> ERR659013 1 0.852 -0.39377 0.300 0 0.132 0.256 0.088 0.224
#> ERR659109 1 0.851 -0.39561 0.300 0 0.128 0.248 0.088 0.236
#> ERR659014 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659110 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659015 1 0.301 0.63458 0.844 0 0.040 0.000 0.004 0.112
#> ERR659111 1 0.308 0.63376 0.840 0 0.044 0.000 0.004 0.112
#> ERR659016 4 0.576 0.33290 0.028 0 0.160 0.648 0.020 0.144
#> ERR659112 4 0.576 0.33290 0.028 0 0.160 0.648 0.020 0.144
#> ERR659017 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659113 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659018 1 0.615 -0.10702 0.492 0 0.024 0.004 0.340 0.140
#> ERR659114 1 0.598 -0.12683 0.488 0 0.020 0.000 0.352 0.140
#> ERR659019 5 0.313 0.64291 0.056 0 0.024 0.008 0.864 0.048
#> ERR659115 5 0.313 0.64291 0.056 0 0.024 0.008 0.864 0.048
#> ERR659020 1 0.454 0.62514 0.744 0 0.044 0.000 0.060 0.152
#> ERR659116 1 0.442 0.63021 0.752 0 0.044 0.000 0.052 0.152
#> ERR659021 1 0.366 0.64599 0.792 0 0.044 0.004 0.004 0.156
#> ERR659117 1 0.358 0.63737 0.784 0 0.052 0.000 0.000 0.164
#> ERR659022 1 0.493 0.55106 0.648 0 0.020 0.048 0.004 0.280
#> ERR659118 1 0.495 0.54843 0.644 0 0.020 0.048 0.004 0.284
#> ERR659023 1 0.323 0.65033 0.836 0 0.028 0.012 0.004 0.120
#> ERR659119 1 0.279 0.65249 0.856 0 0.028 0.000 0.004 0.112
#> ERR659024 1 0.367 0.62944 0.808 0 0.044 0.000 0.024 0.124
#> ERR659120 1 0.375 0.62634 0.800 0 0.044 0.000 0.024 0.132
#> ERR659025 1 0.702 0.03783 0.408 0 0.036 0.268 0.016 0.272
#> ERR659121 1 0.709 0.02862 0.408 0 0.036 0.268 0.020 0.268
#> ERR659026 5 0.567 -0.16498 0.412 0 0.020 0.000 0.476 0.092
#> ERR659122 5 0.567 -0.15296 0.408 0 0.020 0.000 0.480 0.092
#> ERR659027 4 0.490 0.30397 0.020 0 0.400 0.556 0.012 0.012
#> ERR659123 4 0.491 0.28204 0.020 0 0.408 0.548 0.012 0.012
#> ERR659028 1 0.577 0.53558 0.692 0 0.100 0.076 0.048 0.084
#> ERR659124 1 0.576 0.52390 0.692 0 0.100 0.088 0.044 0.076
#> ERR659029 1 0.430 0.63075 0.792 0 0.084 0.032 0.020 0.072
#> ERR659125 1 0.435 0.62919 0.788 0 0.088 0.032 0.020 0.072
#> ERR659030 1 0.561 0.29041 0.624 0 0.028 0.004 0.224 0.120
#> ERR659126 1 0.553 0.33872 0.640 0 0.028 0.004 0.204 0.124
#> ERR659031 1 0.559 0.54652 0.672 0 0.016 0.092 0.048 0.172
#> ERR659127 1 0.550 0.55625 0.680 0 0.016 0.084 0.048 0.172
#> ERR659032 1 0.375 0.64895 0.832 0 0.024 0.028 0.048 0.068
#> ERR659128 1 0.381 0.64856 0.828 0 0.020 0.036 0.048 0.068
#> ERR659033 1 0.353 0.65187 0.776 0 0.012 0.004 0.008 0.200
#> ERR659129 1 0.359 0.65052 0.768 0 0.012 0.004 0.008 0.208
#> ERR659034 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659130 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659035 1 0.373 0.63297 0.828 0 0.036 0.012 0.044 0.080
#> ERR659131 1 0.368 0.63227 0.832 0 0.036 0.012 0.044 0.076
#> ERR659036 3 0.720 0.95919 0.128 0 0.440 0.332 0.052 0.048
#> ERR659132 3 0.724 0.95986 0.136 0 0.440 0.324 0.052 0.048
#> ERR659037 1 0.480 0.59740 0.684 0 0.044 0.016 0.012 0.244
#> ERR659133 1 0.493 0.59642 0.676 0 0.040 0.016 0.020 0.248
#> ERR659038 5 0.105 0.66767 0.020 0 0.000 0.004 0.964 0.012
#> ERR659134 5 0.120 0.66706 0.020 0 0.004 0.004 0.960 0.012
#> ERR659039 5 0.194 0.66549 0.028 0 0.008 0.008 0.928 0.028
#> ERR659135 5 0.194 0.66549 0.028 0 0.008 0.008 0.928 0.028
#> ERR659040 1 0.662 0.40254 0.596 0 0.088 0.152 0.032 0.132
#> ERR659136 1 0.656 0.41367 0.604 0 0.088 0.144 0.032 0.132
#> ERR659041 4 0.519 0.27876 0.028 0 0.400 0.540 0.020 0.012
#> ERR659137 4 0.519 0.27876 0.028 0 0.400 0.540 0.020 0.012
#> ERR659042 4 0.617 0.20973 0.068 0 0.200 0.608 0.012 0.112
#> ERR659138 4 0.622 0.19010 0.072 0 0.200 0.604 0.012 0.112
#> ERR659043 1 0.695 0.33000 0.552 0 0.088 0.132 0.036 0.192
#> ERR659139 1 0.695 0.33000 0.552 0 0.088 0.132 0.036 0.192
#> ERR659044 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659140 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659045 1 0.600 -0.26872 0.436 0 0.036 0.000 0.428 0.100
#> ERR659141 5 0.591 -0.21272 0.428 0 0.032 0.000 0.444 0.096
#> ERR659046 1 0.345 0.63383 0.820 0 0.032 0.008 0.008 0.132
#> ERR659142 1 0.349 0.63478 0.816 0 0.032 0.008 0.008 0.136
#> ERR659047 1 0.329 0.64741 0.840 0 0.040 0.000 0.024 0.096
#> ERR659143 1 0.334 0.64742 0.836 0 0.040 0.000 0.024 0.100
#> ERR659048 1 0.312 0.66103 0.852 0 0.052 0.008 0.004 0.084
#> ERR659144 1 0.289 0.66063 0.864 0 0.048 0.004 0.004 0.080
#> ERR659049 1 0.665 0.17181 0.496 0 0.028 0.328 0.052 0.096
#> ERR659145 1 0.669 0.16402 0.492 0 0.028 0.328 0.052 0.100
#> ERR659050 1 0.620 0.46243 0.644 0 0.108 0.128 0.032 0.088
#> ERR659146 1 0.635 0.44059 0.628 0 0.112 0.136 0.032 0.092
#> ERR659051 4 0.259 0.40394 0.000 0 0.084 0.872 0.000 0.044
#> ERR659147 4 0.259 0.40394 0.000 0 0.084 0.872 0.000 0.044
#> ERR659052 5 0.179 0.66262 0.008 0 0.012 0.024 0.936 0.020
#> ERR659148 5 0.202 0.66196 0.012 0 0.008 0.036 0.924 0.020
#> ERR659053 1 0.592 0.52128 0.632 0 0.124 0.020 0.036 0.188
#> ERR659149 1 0.581 0.52630 0.640 0 0.124 0.016 0.036 0.184
#> ERR659054 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659150 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659055 5 0.535 -0.00814 0.356 0 0.012 0.000 0.548 0.084
#> ERR659151 5 0.548 -0.08976 0.380 0 0.012 0.000 0.516 0.092
#> ERR659056 4 0.382 0.41483 0.000 0 0.436 0.564 0.000 0.000
#> ERR659152 4 0.382 0.41483 0.000 0 0.436 0.564 0.000 0.000
#> ERR659057 1 0.286 0.65958 0.872 0 0.012 0.012 0.020 0.084
#> ERR659153 1 0.275 0.65878 0.880 0 0.012 0.012 0.020 0.076
#> ERR659058 5 0.214 0.65411 0.064 0 0.016 0.000 0.908 0.012
#> ERR659154 5 0.219 0.65204 0.068 0 0.016 0.000 0.904 0.012
#> ERR659059 1 0.351 0.63041 0.808 0 0.028 0.000 0.020 0.144
#> ERR659155 1 0.359 0.62539 0.808 0 0.032 0.000 0.024 0.136
#> ERR659060 1 0.523 0.51368 0.608 0 0.036 0.040 0.004 0.312
#> ERR659156 1 0.521 0.51515 0.612 0 0.036 0.040 0.004 0.308
#> ERR659061 1 0.495 0.58469 0.668 0 0.008 0.052 0.020 0.252
#> ERR659157 1 0.495 0.58469 0.668 0 0.008 0.052 0.020 0.252
#> ERR659062 1 0.680 0.25173 0.548 0 0.024 0.072 0.152 0.204
#> ERR659158 1 0.682 0.24620 0.548 0 0.024 0.072 0.160 0.196
#> ERR659063 1 0.487 0.52630 0.696 0 0.056 0.024 0.008 0.216
#> ERR659159 1 0.473 0.54305 0.708 0 0.048 0.024 0.008 0.212
#> ERR659064 1 0.562 0.53878 0.664 0 0.136 0.012 0.040 0.148
#> ERR659160 1 0.573 0.52604 0.652 0 0.144 0.012 0.040 0.152
#> ERR659065 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659161 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659066 5 0.602 -0.22788 0.324 0 0.040 0.016 0.548 0.072
#> ERR659162 5 0.601 -0.21534 0.320 0 0.040 0.016 0.552 0.072
#> ERR659067 5 0.325 0.55167 0.128 0 0.004 0.000 0.824 0.044
#> ERR659163 5 0.331 0.55095 0.128 0 0.004 0.000 0.820 0.048
#> ERR659068 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659164 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659069 5 0.213 0.64952 0.072 0 0.004 0.000 0.904 0.020
#> ERR659165 5 0.218 0.64653 0.076 0 0.004 0.000 0.900 0.020
#> ERR659070 1 0.521 0.54756 0.648 0 0.052 0.032 0.008 0.260
#> ERR659166 1 0.526 0.54911 0.648 0 0.052 0.036 0.008 0.256
#> ERR659071 1 0.281 0.64010 0.860 0 0.028 0.000 0.008 0.104
#> ERR659167 1 0.304 0.64189 0.840 0 0.028 0.000 0.008 0.124
#> ERR659072 5 0.297 0.64820 0.028 0 0.032 0.000 0.864 0.076
#> ERR659168 5 0.319 0.64521 0.032 0 0.032 0.004 0.856 0.076
#> ERR659073 6 0.714 1.00000 0.280 0 0.040 0.020 0.260 0.400
#> ERR659169 6 0.714 1.00000 0.280 0 0.040 0.020 0.260 0.400
#> ERR659074 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659170 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659075 4 0.386 0.36021 0.000 0 0.468 0.532 0.000 0.000
#> ERR659171 4 0.386 0.36021 0.000 0 0.468 0.532 0.000 0.000
#> ERR659076 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659172 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659077 1 0.425 0.61862 0.740 0 0.028 0.000 0.036 0.196
#> ERR659173 1 0.422 0.61780 0.744 0 0.028 0.000 0.036 0.192
#> ERR659078 1 0.459 0.63168 0.724 0 0.028 0.008 0.040 0.200
#> ERR659174 1 0.444 0.63615 0.732 0 0.024 0.012 0.028 0.204
#> ERR659079 1 0.570 0.09462 0.592 0 0.040 0.028 0.036 0.304
#> ERR659175 1 0.576 0.07841 0.588 0 0.040 0.032 0.036 0.304
#> ERR659080 4 0.465 0.44026 0.008 0 0.232 0.684 0.000 0.076
#> ERR659176 4 0.465 0.44026 0.008 0 0.232 0.684 0.000 0.076
#> ERR659081 1 0.368 0.64618 0.800 0 0.024 0.008 0.016 0.152
#> ERR659177 1 0.380 0.64691 0.792 0 0.024 0.008 0.020 0.156
#> ERR659082 1 0.484 0.57064 0.740 0 0.084 0.004 0.060 0.112
#> ERR659178 1 0.489 0.56757 0.736 0 0.084 0.004 0.064 0.112
#> ERR659083 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659179 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659084 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659180 2 0.000 1.00000 0.000 1 0.000 0.000 0.000 0.000
#> ERR659085 1 0.473 0.60775 0.700 0 0.044 0.000 0.040 0.216
#> ERR659181 1 0.466 0.61228 0.704 0 0.044 0.000 0.036 0.216
#> ERR659086 1 0.296 0.65250 0.856 0 0.020 0.000 0.024 0.100
#> ERR659182 1 0.299 0.65148 0.856 0 0.020 0.004 0.016 0.104
#> ERR659087 5 0.645 -0.58102 0.236 0 0.024 0.000 0.432 0.308
#> ERR659183 5 0.641 -0.54820 0.224 0 0.024 0.000 0.444 0.308
#> ERR659088 4 0.545 0.25513 0.016 0 0.388 0.532 0.052 0.012
#> ERR659184 4 0.545 0.25513 0.016 0 0.388 0.532 0.052 0.012
#> ERR659089 1 0.553 0.56076 0.648 0 0.040 0.028 0.044 0.240
#> ERR659185 1 0.559 0.55984 0.644 0 0.040 0.032 0.044 0.240
#> ERR659090 1 0.410 0.64033 0.764 0 0.032 0.000 0.036 0.168
#> ERR659186 1 0.403 0.64147 0.772 0 0.032 0.000 0.036 0.160
#> ERR659091 1 0.396 0.61594 0.792 0 0.012 0.004 0.088 0.104
#> ERR659187 1 0.391 0.61343 0.796 0 0.012 0.004 0.092 0.096
#> ERR659092 1 0.420 0.60592 0.772 0 0.020 0.008 0.052 0.148
#> ERR659188 1 0.432 0.59847 0.764 0 0.020 0.008 0.060 0.148
#> ERR659093 1 0.328 0.64644 0.828 0 0.024 0.000 0.020 0.128
#> ERR659189 1 0.310 0.64804 0.836 0 0.024 0.000 0.012 0.128
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.976 0.986 0.232 0.767 0.767
#> 3 3 0.335 0.780 0.858 0.700 0.962 0.950
#> 4 4 0.279 0.586 0.740 0.308 0.916 0.885
#> 5 5 0.280 0.496 0.674 0.205 0.675 0.523
#> 6 6 0.334 0.432 0.595 0.113 0.694 0.408
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
#> ERR467487 1 0.0000 0.992 1.000 0.000
#> ERR467498 1 0.0000 0.992 1.000 0.000
#> ERR658998 1 0.0376 0.991 0.996 0.004
#> ERR659094 1 0.0376 0.991 0.996 0.004
#> ERR658999 1 0.0672 0.990 0.992 0.008
#> ERR659095 1 0.0672 0.990 0.992 0.008
#> ERR659000 1 0.0376 0.992 0.996 0.004
#> ERR659096 1 0.0376 0.992 0.996 0.004
#> ERR659001 1 0.0000 0.992 1.000 0.000
#> ERR659097 1 0.0000 0.992 1.000 0.000
#> ERR659002 1 0.0376 0.991 0.996 0.004
#> ERR659098 1 0.0000 0.992 1.000 0.000
#> ERR659003 1 0.0000 0.992 1.000 0.000
#> ERR659099 1 0.0000 0.992 1.000 0.000
#> ERR659004 1 0.1414 0.980 0.980 0.020
#> ERR659100 1 0.1414 0.980 0.980 0.020
#> ERR659005 1 0.0376 0.992 0.996 0.004
#> ERR659101 1 0.0376 0.992 0.996 0.004
#> ERR659006 1 0.1414 0.981 0.980 0.020
#> ERR659102 1 0.1414 0.981 0.980 0.020
#> ERR659007 1 0.0000 0.992 1.000 0.000
#> ERR659103 1 0.0000 0.992 1.000 0.000
#> ERR659008 2 0.0938 0.954 0.012 0.988
#> ERR659104 2 0.1184 0.955 0.016 0.984
#> ERR659009 1 0.0672 0.990 0.992 0.008
#> ERR659105 1 0.0672 0.990 0.992 0.008
#> ERR659010 1 0.0938 0.987 0.988 0.012
#> ERR659106 1 0.0672 0.990 0.992 0.008
#> ERR659011 1 0.0672 0.990 0.992 0.008
#> ERR659107 1 0.0376 0.991 0.996 0.004
#> ERR659012 1 0.0938 0.987 0.988 0.012
#> ERR659108 1 0.0938 0.987 0.988 0.012
#> ERR659013 1 0.0376 0.992 0.996 0.004
#> ERR659109 1 0.0376 0.992 0.996 0.004
#> ERR659014 2 0.1184 0.954 0.016 0.984
#> ERR659110 2 0.2236 0.948 0.036 0.964
#> ERR659015 1 0.0376 0.992 0.996 0.004
#> ERR659111 1 0.0376 0.992 0.996 0.004
#> ERR659016 1 0.0938 0.988 0.988 0.012
#> ERR659112 1 0.0938 0.988 0.988 0.012
#> ERR659017 2 0.1184 0.955 0.016 0.984
#> ERR659113 2 0.1184 0.954 0.016 0.984
#> ERR659018 1 0.0000 0.992 1.000 0.000
#> ERR659114 1 0.0376 0.992 0.996 0.004
#> ERR659019 1 0.0672 0.989 0.992 0.008
#> ERR659115 1 0.0672 0.989 0.992 0.008
#> ERR659020 1 0.0000 0.992 1.000 0.000
#> ERR659116 1 0.0000 0.992 1.000 0.000
#> ERR659021 1 0.0376 0.992 0.996 0.004
#> ERR659117 1 0.0376 0.992 0.996 0.004
#> ERR659022 1 0.0376 0.992 0.996 0.004
#> ERR659118 1 0.0376 0.992 0.996 0.004
#> ERR659023 1 0.0376 0.992 0.996 0.004
#> ERR659119 1 0.0376 0.992 0.996 0.004
#> ERR659024 1 0.0376 0.991 0.996 0.004
#> ERR659120 1 0.0376 0.991 0.996 0.004
#> ERR659025 1 0.0376 0.992 0.996 0.004
#> ERR659121 1 0.0376 0.992 0.996 0.004
#> ERR659026 1 0.0000 0.992 1.000 0.000
#> ERR659122 1 0.0000 0.992 1.000 0.000
#> ERR659027 1 0.0938 0.990 0.988 0.012
#> ERR659123 1 0.0672 0.991 0.992 0.008
#> ERR659028 1 0.0938 0.989 0.988 0.012
#> ERR659124 1 0.0938 0.989 0.988 0.012
#> ERR659029 1 0.0376 0.992 0.996 0.004
#> ERR659125 1 0.0376 0.992 0.996 0.004
#> ERR659030 1 0.0376 0.991 0.996 0.004
#> ERR659126 1 0.0376 0.991 0.996 0.004
#> ERR659031 1 0.0000 0.992 1.000 0.000
#> ERR659127 1 0.0000 0.992 1.000 0.000
#> ERR659032 1 0.0376 0.992 0.996 0.004
#> ERR659128 1 0.0376 0.992 0.996 0.004
#> ERR659033 1 0.0376 0.992 0.996 0.004
#> ERR659129 1 0.0376 0.992 0.996 0.004
#> ERR659034 2 0.0000 0.948 0.000 1.000
#> ERR659130 2 0.2043 0.951 0.032 0.968
#> ERR659035 1 0.0672 0.991 0.992 0.008
#> ERR659131 1 0.0376 0.992 0.996 0.004
#> ERR659036 1 0.0938 0.988 0.988 0.012
#> ERR659132 1 0.0938 0.988 0.988 0.012
#> ERR659037 1 0.0000 0.992 1.000 0.000
#> ERR659133 1 0.0000 0.992 1.000 0.000
#> ERR659038 1 0.1184 0.984 0.984 0.016
#> ERR659134 1 0.1184 0.984 0.984 0.016
#> ERR659039 1 0.0376 0.991 0.996 0.004
#> ERR659135 1 0.0376 0.991 0.996 0.004
#> ERR659040 1 0.0376 0.992 0.996 0.004
#> ERR659136 1 0.0376 0.992 0.996 0.004
#> ERR659041 1 0.1633 0.976 0.976 0.024
#> ERR659137 1 0.1633 0.976 0.976 0.024
#> ERR659042 1 0.0672 0.991 0.992 0.008
#> ERR659138 1 0.0672 0.991 0.992 0.008
#> ERR659043 1 0.0376 0.992 0.996 0.004
#> ERR659139 1 0.0376 0.992 0.996 0.004
#> ERR659044 2 0.2603 0.939 0.044 0.956
#> ERR659140 2 0.1414 0.955 0.020 0.980
#> ERR659045 1 0.0000 0.992 1.000 0.000
#> ERR659141 1 0.0000 0.992 1.000 0.000
#> ERR659046 1 0.0376 0.992 0.996 0.004
#> ERR659142 1 0.0376 0.992 0.996 0.004
#> ERR659047 1 0.0376 0.992 0.996 0.004
#> ERR659143 1 0.0672 0.991 0.992 0.008
#> ERR659048 1 0.0376 0.992 0.996 0.004
#> ERR659144 1 0.0376 0.992 0.996 0.004
#> ERR659049 1 0.0672 0.989 0.992 0.008
#> ERR659145 1 0.0376 0.991 0.996 0.004
#> ERR659050 1 0.0672 0.991 0.992 0.008
#> ERR659146 1 0.0672 0.991 0.992 0.008
#> ERR659051 1 0.7056 0.752 0.808 0.192
#> ERR659147 1 0.7056 0.752 0.808 0.192
#> ERR659052 1 0.0376 0.991 0.996 0.004
#> ERR659148 1 0.0376 0.991 0.996 0.004
#> ERR659053 1 0.0376 0.992 0.996 0.004
#> ERR659149 1 0.0376 0.992 0.996 0.004
#> ERR659054 2 0.1843 0.953 0.028 0.972
#> ERR659150 2 0.0672 0.952 0.008 0.992
#> ERR659055 1 0.0000 0.992 1.000 0.000
#> ERR659151 1 0.0000 0.992 1.000 0.000
#> ERR659056 1 0.3114 0.944 0.944 0.056
#> ERR659152 1 0.3114 0.944 0.944 0.056
#> ERR659057 1 0.0672 0.991 0.992 0.008
#> ERR659153 1 0.0672 0.991 0.992 0.008
#> ERR659058 1 0.0938 0.987 0.988 0.012
#> ERR659154 1 0.0938 0.987 0.988 0.012
#> ERR659059 1 0.0376 0.992 0.996 0.004
#> ERR659155 1 0.0376 0.992 0.996 0.004
#> ERR659060 1 0.0376 0.992 0.996 0.004
#> ERR659156 1 0.0376 0.992 0.996 0.004
#> ERR659061 1 0.0000 0.992 1.000 0.000
#> ERR659157 1 0.0000 0.992 1.000 0.000
#> ERR659062 1 0.0376 0.991 0.996 0.004
#> ERR659158 1 0.0376 0.991 0.996 0.004
#> ERR659063 1 0.0672 0.991 0.992 0.008
#> ERR659159 1 0.0672 0.991 0.992 0.008
#> ERR659064 1 0.0376 0.992 0.996 0.004
#> ERR659160 1 0.0000 0.992 1.000 0.000
#> ERR659065 2 0.2043 0.951 0.032 0.968
#> ERR659161 2 0.0938 0.954 0.012 0.988
#> ERR659066 1 0.0000 0.992 1.000 0.000
#> ERR659162 1 0.0000 0.992 1.000 0.000
#> ERR659067 1 0.0000 0.992 1.000 0.000
#> ERR659163 1 0.0000 0.992 1.000 0.000
#> ERR659068 2 0.2423 0.944 0.040 0.960
#> ERR659164 2 0.2236 0.947 0.036 0.964
#> ERR659069 1 0.0376 0.991 0.996 0.004
#> ERR659165 1 0.0376 0.991 0.996 0.004
#> ERR659070 1 0.0000 0.992 1.000 0.000
#> ERR659166 1 0.0000 0.992 1.000 0.000
#> ERR659071 1 0.0376 0.992 0.996 0.004
#> ERR659167 1 0.0376 0.992 0.996 0.004
#> ERR659072 1 0.0672 0.990 0.992 0.008
#> ERR659168 1 0.0672 0.990 0.992 0.008
#> ERR659073 1 0.0376 0.991 0.996 0.004
#> ERR659169 1 0.0376 0.991 0.996 0.004
#> ERR659074 2 0.0938 0.954 0.012 0.988
#> ERR659170 2 0.0938 0.953 0.012 0.988
#> ERR659075 2 0.9881 0.274 0.436 0.564
#> ERR659171 2 0.9881 0.274 0.436 0.564
#> ERR659076 2 0.1184 0.955 0.016 0.984
#> ERR659172 2 0.1414 0.954 0.020 0.980
#> ERR659077 1 0.0000 0.992 1.000 0.000
#> ERR659173 1 0.0000 0.992 1.000 0.000
#> ERR659078 1 0.0000 0.992 1.000 0.000
#> ERR659174 1 0.0000 0.992 1.000 0.000
#> ERR659079 1 0.0376 0.992 0.996 0.004
#> ERR659175 1 0.0376 0.992 0.996 0.004
#> ERR659080 1 0.0672 0.989 0.992 0.008
#> ERR659176 1 0.0672 0.989 0.992 0.008
#> ERR659081 1 0.0376 0.992 0.996 0.004
#> ERR659177 1 0.0376 0.992 0.996 0.004
#> ERR659082 1 0.0376 0.992 0.996 0.004
#> ERR659178 1 0.0376 0.992 0.996 0.004
#> ERR659083 2 0.0672 0.952 0.008 0.992
#> ERR659179 2 0.0000 0.948 0.000 1.000
#> ERR659084 2 0.1633 0.953 0.024 0.976
#> ERR659180 2 0.1414 0.954 0.020 0.980
#> ERR659085 1 0.0376 0.991 0.996 0.004
#> ERR659181 1 0.0376 0.991 0.996 0.004
#> ERR659086 1 0.0376 0.992 0.996 0.004
#> ERR659182 1 0.0376 0.992 0.996 0.004
#> ERR659087 1 0.0376 0.991 0.996 0.004
#> ERR659183 1 0.0376 0.991 0.996 0.004
#> ERR659088 1 0.0672 0.990 0.992 0.008
#> ERR659184 1 0.0672 0.990 0.992 0.008
#> ERR659089 1 0.0000 0.992 1.000 0.000
#> ERR659185 1 0.0000 0.992 1.000 0.000
#> ERR659090 1 0.0000 0.992 1.000 0.000
#> ERR659186 1 0.0000 0.992 1.000 0.000
#> ERR659091 1 0.0000 0.992 1.000 0.000
#> ERR659187 1 0.0000 0.992 1.000 0.000
#> ERR659092 1 0.0376 0.992 0.996 0.004
#> ERR659188 1 0.0376 0.992 0.996 0.004
#> ERR659093 1 0.0376 0.992 0.996 0.004
#> ERR659189 1 0.0376 0.992 0.996 0.004
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.5988 0.36666 0.632 0.000 0.368
#> ERR467498 1 0.6008 0.35072 0.628 0.000 0.372
#> ERR658998 1 0.2448 0.83928 0.924 0.000 0.076
#> ERR659094 1 0.2537 0.83985 0.920 0.000 0.080
#> ERR658999 1 0.3482 0.80447 0.872 0.000 0.128
#> ERR659095 1 0.3551 0.80298 0.868 0.000 0.132
#> ERR659000 1 0.5465 0.58112 0.712 0.000 0.288
#> ERR659096 1 0.5529 0.56418 0.704 0.000 0.296
#> ERR659001 1 0.2959 0.83535 0.900 0.000 0.100
#> ERR659097 1 0.2625 0.83784 0.916 0.000 0.084
#> ERR659002 1 0.3412 0.82169 0.876 0.000 0.124
#> ERR659098 1 0.3340 0.82043 0.880 0.000 0.120
#> ERR659003 1 0.2356 0.83267 0.928 0.000 0.072
#> ERR659099 1 0.2448 0.83110 0.924 0.000 0.076
#> ERR659004 1 0.4068 0.80651 0.864 0.016 0.120
#> ERR659100 1 0.4139 0.80473 0.860 0.016 0.124
#> ERR659005 1 0.4834 0.73125 0.792 0.004 0.204
#> ERR659101 1 0.4733 0.74253 0.800 0.004 0.196
#> ERR659006 1 0.4261 0.79618 0.848 0.012 0.140
#> ERR659102 1 0.4195 0.79769 0.852 0.012 0.136
#> ERR659007 1 0.2537 0.82769 0.920 0.000 0.080
#> ERR659103 1 0.2537 0.82990 0.920 0.000 0.080
#> ERR659008 2 0.2063 0.95904 0.008 0.948 0.044
#> ERR659104 2 0.2116 0.96156 0.012 0.948 0.040
#> ERR659009 1 0.4110 0.80402 0.844 0.004 0.152
#> ERR659105 1 0.4110 0.80115 0.844 0.004 0.152
#> ERR659010 1 0.3826 0.80965 0.868 0.008 0.124
#> ERR659106 1 0.3715 0.81121 0.868 0.004 0.128
#> ERR659011 1 0.3482 0.81233 0.872 0.000 0.128
#> ERR659107 1 0.3482 0.81233 0.872 0.000 0.128
#> ERR659012 1 0.4059 0.80509 0.860 0.012 0.128
#> ERR659108 1 0.3989 0.80690 0.864 0.012 0.124
#> ERR659013 1 0.4465 0.79697 0.820 0.004 0.176
#> ERR659109 1 0.4465 0.79697 0.820 0.004 0.176
#> ERR659014 2 0.1411 0.95927 0.000 0.964 0.036
#> ERR659110 2 0.2280 0.95235 0.008 0.940 0.052
#> ERR659015 1 0.1643 0.83719 0.956 0.000 0.044
#> ERR659111 1 0.1643 0.83719 0.956 0.000 0.044
#> ERR659016 1 0.6386 -0.00437 0.584 0.004 0.412
#> ERR659112 1 0.6410 -0.05344 0.576 0.004 0.420
#> ERR659017 2 0.3091 0.94299 0.016 0.912 0.072
#> ERR659113 2 0.1031 0.96111 0.000 0.976 0.024
#> ERR659018 1 0.2959 0.81927 0.900 0.000 0.100
#> ERR659114 1 0.3192 0.81097 0.888 0.000 0.112
#> ERR659019 1 0.3425 0.81251 0.884 0.004 0.112
#> ERR659115 1 0.3425 0.81215 0.884 0.004 0.112
#> ERR659020 1 0.1753 0.83627 0.952 0.000 0.048
#> ERR659116 1 0.2066 0.84034 0.940 0.000 0.060
#> ERR659021 1 0.2165 0.83963 0.936 0.000 0.064
#> ERR659117 1 0.2066 0.83857 0.940 0.000 0.060
#> ERR659022 1 0.4002 0.78506 0.840 0.000 0.160
#> ERR659118 1 0.4062 0.78108 0.836 0.000 0.164
#> ERR659023 1 0.3784 0.81103 0.864 0.004 0.132
#> ERR659119 1 0.3619 0.81058 0.864 0.000 0.136
#> ERR659024 1 0.2066 0.84646 0.940 0.000 0.060
#> ERR659120 1 0.1964 0.84605 0.944 0.000 0.056
#> ERR659025 1 0.4504 0.74053 0.804 0.000 0.196
#> ERR659121 1 0.4504 0.73952 0.804 0.000 0.196
#> ERR659026 1 0.2878 0.83938 0.904 0.000 0.096
#> ERR659122 1 0.2796 0.83909 0.908 0.000 0.092
#> ERR659027 1 0.5285 0.63563 0.752 0.004 0.244
#> ERR659123 1 0.5420 0.63554 0.752 0.008 0.240
#> ERR659028 1 0.3340 0.81857 0.880 0.000 0.120
#> ERR659124 1 0.3340 0.81857 0.880 0.000 0.120
#> ERR659029 1 0.3412 0.82289 0.876 0.000 0.124
#> ERR659125 1 0.3267 0.82501 0.884 0.000 0.116
#> ERR659030 1 0.3879 0.78064 0.848 0.000 0.152
#> ERR659126 1 0.3752 0.78547 0.856 0.000 0.144
#> ERR659031 1 0.2796 0.83795 0.908 0.000 0.092
#> ERR659127 1 0.2711 0.83944 0.912 0.000 0.088
#> ERR659032 1 0.3482 0.84072 0.872 0.000 0.128
#> ERR659128 1 0.3340 0.84449 0.880 0.000 0.120
#> ERR659033 1 0.3349 0.82979 0.888 0.004 0.108
#> ERR659129 1 0.3349 0.82979 0.888 0.004 0.108
#> ERR659034 2 0.1289 0.96149 0.000 0.968 0.032
#> ERR659130 2 0.1647 0.96065 0.004 0.960 0.036
#> ERR659035 1 0.2066 0.84249 0.940 0.000 0.060
#> ERR659131 1 0.2066 0.84225 0.940 0.000 0.060
#> ERR659036 1 0.4931 0.71401 0.784 0.004 0.212
#> ERR659132 1 0.4931 0.71401 0.784 0.004 0.212
#> ERR659037 1 0.2711 0.84438 0.912 0.000 0.088
#> ERR659133 1 0.2625 0.84415 0.916 0.000 0.084
#> ERR659038 1 0.4413 0.77065 0.832 0.008 0.160
#> ERR659134 1 0.4353 0.77498 0.836 0.008 0.156
#> ERR659039 1 0.3412 0.81402 0.876 0.000 0.124
#> ERR659135 1 0.3482 0.81096 0.872 0.000 0.128
#> ERR659040 1 0.3816 0.80182 0.852 0.000 0.148
#> ERR659136 1 0.3816 0.80202 0.852 0.000 0.148
#> ERR659041 1 0.4968 0.74492 0.800 0.012 0.188
#> ERR659137 1 0.4915 0.74993 0.804 0.012 0.184
#> ERR659042 1 0.5216 0.63481 0.740 0.000 0.260
#> ERR659138 1 0.5178 0.64268 0.744 0.000 0.256
#> ERR659043 1 0.4555 0.76256 0.800 0.000 0.200
#> ERR659139 1 0.4555 0.75929 0.800 0.000 0.200
#> ERR659044 2 0.2703 0.94407 0.016 0.928 0.056
#> ERR659140 2 0.3031 0.95286 0.012 0.912 0.076
#> ERR659045 1 0.2356 0.83044 0.928 0.000 0.072
#> ERR659141 1 0.2261 0.82922 0.932 0.000 0.068
#> ERR659046 1 0.2165 0.83373 0.936 0.000 0.064
#> ERR659142 1 0.2261 0.83883 0.932 0.000 0.068
#> ERR659047 1 0.3038 0.82503 0.896 0.000 0.104
#> ERR659143 1 0.3349 0.82255 0.888 0.004 0.108
#> ERR659048 1 0.2796 0.82706 0.908 0.000 0.092
#> ERR659144 1 0.2796 0.83219 0.908 0.000 0.092
#> ERR659049 1 0.3500 0.84435 0.880 0.004 0.116
#> ERR659145 1 0.3272 0.84477 0.892 0.004 0.104
#> ERR659050 1 0.4110 0.78451 0.844 0.004 0.152
#> ERR659146 1 0.4047 0.78675 0.848 0.004 0.148
#> ERR659051 3 0.7959 0.58548 0.288 0.092 0.620
#> ERR659147 3 0.7959 0.58548 0.288 0.092 0.620
#> ERR659052 1 0.4473 0.77129 0.828 0.008 0.164
#> ERR659148 1 0.4473 0.77129 0.828 0.008 0.164
#> ERR659053 1 0.3752 0.80449 0.856 0.000 0.144
#> ERR659149 1 0.3551 0.81079 0.868 0.000 0.132
#> ERR659054 2 0.1878 0.96226 0.004 0.952 0.044
#> ERR659150 2 0.1643 0.95918 0.000 0.956 0.044
#> ERR659055 1 0.3686 0.80180 0.860 0.000 0.140
#> ERR659151 1 0.3644 0.81065 0.872 0.004 0.124
#> ERR659056 1 0.8395 -0.32401 0.480 0.084 0.436
#> ERR659152 1 0.8391 -0.31719 0.484 0.084 0.432
#> ERR659057 1 0.1643 0.83984 0.956 0.000 0.044
#> ERR659153 1 0.1643 0.84123 0.956 0.000 0.044
#> ERR659058 1 0.3816 0.78454 0.852 0.000 0.148
#> ERR659154 1 0.3752 0.78758 0.856 0.000 0.144
#> ERR659059 1 0.2448 0.83545 0.924 0.000 0.076
#> ERR659155 1 0.2165 0.83745 0.936 0.000 0.064
#> ERR659060 1 0.4178 0.77020 0.828 0.000 0.172
#> ERR659156 1 0.4062 0.77919 0.836 0.000 0.164
#> ERR659061 1 0.4504 0.76689 0.804 0.000 0.196
#> ERR659157 1 0.4605 0.75724 0.796 0.000 0.204
#> ERR659062 1 0.3116 0.83286 0.892 0.000 0.108
#> ERR659158 1 0.3116 0.83286 0.892 0.000 0.108
#> ERR659063 1 0.3038 0.82968 0.896 0.000 0.104
#> ERR659159 1 0.2959 0.82747 0.900 0.000 0.100
#> ERR659064 1 0.3412 0.81573 0.876 0.000 0.124
#> ERR659160 1 0.3482 0.81594 0.872 0.000 0.128
#> ERR659065 2 0.3091 0.95557 0.016 0.912 0.072
#> ERR659161 2 0.0892 0.96287 0.000 0.980 0.020
#> ERR659066 1 0.3644 0.82325 0.872 0.004 0.124
#> ERR659162 1 0.3573 0.82226 0.876 0.004 0.120
#> ERR659067 1 0.2959 0.82348 0.900 0.000 0.100
#> ERR659163 1 0.2959 0.82348 0.900 0.000 0.100
#> ERR659068 2 0.2866 0.94241 0.008 0.916 0.076
#> ERR659164 2 0.3742 0.90718 0.036 0.892 0.072
#> ERR659069 1 0.5024 0.71252 0.776 0.004 0.220
#> ERR659165 1 0.4978 0.71397 0.780 0.004 0.216
#> ERR659070 1 0.4399 0.74210 0.812 0.000 0.188
#> ERR659166 1 0.4399 0.74210 0.812 0.000 0.188
#> ERR659071 1 0.3412 0.81634 0.876 0.000 0.124
#> ERR659167 1 0.3482 0.81545 0.872 0.000 0.128
#> ERR659072 1 0.3500 0.81397 0.880 0.004 0.116
#> ERR659168 1 0.3267 0.81549 0.884 0.000 0.116
#> ERR659073 1 0.4002 0.80722 0.840 0.000 0.160
#> ERR659169 1 0.4062 0.80411 0.836 0.000 0.164
#> ERR659074 2 0.2682 0.95677 0.004 0.920 0.076
#> ERR659170 2 0.1529 0.96240 0.000 0.960 0.040
#> ERR659075 3 0.9243 0.14817 0.168 0.340 0.492
#> ERR659171 3 0.9256 0.14007 0.168 0.344 0.488
#> ERR659076 2 0.2400 0.95961 0.004 0.932 0.064
#> ERR659172 2 0.2096 0.96080 0.004 0.944 0.052
#> ERR659077 1 0.3482 0.82372 0.872 0.000 0.128
#> ERR659173 1 0.3340 0.83024 0.880 0.000 0.120
#> ERR659078 1 0.2959 0.83771 0.900 0.000 0.100
#> ERR659174 1 0.2959 0.83771 0.900 0.000 0.100
#> ERR659079 1 0.4002 0.79604 0.840 0.000 0.160
#> ERR659175 1 0.4121 0.78906 0.832 0.000 0.168
#> ERR659080 3 0.6307 0.27059 0.488 0.000 0.512
#> ERR659176 3 0.6302 0.28855 0.480 0.000 0.520
#> ERR659081 1 0.1964 0.83673 0.944 0.000 0.056
#> ERR659177 1 0.2066 0.83835 0.940 0.000 0.060
#> ERR659082 1 0.3412 0.79831 0.876 0.000 0.124
#> ERR659178 1 0.3482 0.79719 0.872 0.000 0.128
#> ERR659083 2 0.2096 0.96278 0.004 0.944 0.052
#> ERR659179 2 0.1529 0.96066 0.000 0.960 0.040
#> ERR659084 2 0.1989 0.96071 0.004 0.948 0.048
#> ERR659180 2 0.2599 0.93628 0.016 0.932 0.052
#> ERR659085 1 0.2066 0.84331 0.940 0.000 0.060
#> ERR659181 1 0.2165 0.84414 0.936 0.000 0.064
#> ERR659086 1 0.2066 0.83613 0.940 0.000 0.060
#> ERR659182 1 0.1860 0.83728 0.948 0.000 0.052
#> ERR659087 1 0.4399 0.78619 0.812 0.000 0.188
#> ERR659183 1 0.4399 0.78619 0.812 0.000 0.188
#> ERR659088 1 0.5618 0.62786 0.732 0.008 0.260
#> ERR659184 1 0.5618 0.62786 0.732 0.008 0.260
#> ERR659089 1 0.4750 0.74437 0.784 0.000 0.216
#> ERR659185 1 0.4796 0.73855 0.780 0.000 0.220
#> ERR659090 1 0.3879 0.82826 0.848 0.000 0.152
#> ERR659186 1 0.3879 0.82940 0.848 0.000 0.152
#> ERR659091 1 0.2537 0.83939 0.920 0.000 0.080
#> ERR659187 1 0.2537 0.84020 0.920 0.000 0.080
#> ERR659092 1 0.2711 0.83459 0.912 0.000 0.088
#> ERR659188 1 0.2625 0.83593 0.916 0.000 0.084
#> ERR659093 1 0.2878 0.82831 0.904 0.000 0.096
#> ERR659189 1 0.2878 0.82831 0.904 0.000 0.096
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.767 -0.09562 0.488 0.004 0.220 0.288
#> ERR467498 1 0.767 -0.09562 0.488 0.004 0.220 0.288
#> ERR658998 1 0.271 0.68494 0.900 0.000 0.020 0.080
#> ERR659094 1 0.271 0.68494 0.900 0.000 0.020 0.080
#> ERR658999 1 0.447 0.63318 0.800 0.000 0.056 0.144
#> ERR659095 1 0.454 0.63056 0.796 0.000 0.060 0.144
#> ERR659000 1 0.699 -0.31110 0.484 0.004 0.100 0.412
#> ERR659096 1 0.698 -0.28024 0.492 0.004 0.100 0.404
#> ERR659001 1 0.313 0.67865 0.884 0.000 0.040 0.076
#> ERR659097 1 0.335 0.68043 0.872 0.000 0.044 0.084
#> ERR659002 1 0.397 0.64748 0.804 0.000 0.016 0.180
#> ERR659098 1 0.410 0.63956 0.792 0.000 0.016 0.192
#> ERR659003 1 0.315 0.69409 0.880 0.000 0.032 0.088
#> ERR659099 1 0.328 0.69366 0.872 0.000 0.032 0.096
#> ERR659004 1 0.541 0.58993 0.740 0.004 0.076 0.180
#> ERR659100 1 0.541 0.58993 0.740 0.004 0.076 0.180
#> ERR659005 1 0.547 0.42189 0.656 0.000 0.036 0.308
#> ERR659101 1 0.556 0.38783 0.640 0.000 0.036 0.324
#> ERR659006 1 0.527 0.60050 0.744 0.000 0.084 0.172
#> ERR659102 1 0.527 0.60050 0.744 0.000 0.084 0.172
#> ERR659007 1 0.238 0.69239 0.916 0.000 0.016 0.068
#> ERR659103 1 0.191 0.69422 0.940 0.000 0.020 0.040
#> ERR659008 2 0.288 0.93018 0.016 0.904 0.064 0.016
#> ERR659104 2 0.230 0.93513 0.000 0.924 0.048 0.028
#> ERR659009 1 0.455 0.62616 0.796 0.004 0.044 0.156
#> ERR659105 1 0.455 0.62616 0.796 0.004 0.044 0.156
#> ERR659010 1 0.426 0.63558 0.812 0.000 0.048 0.140
#> ERR659106 1 0.422 0.63511 0.812 0.000 0.044 0.144
#> ERR659011 1 0.453 0.63073 0.792 0.000 0.052 0.156
#> ERR659107 1 0.453 0.63073 0.792 0.000 0.052 0.156
#> ERR659012 1 0.492 0.60896 0.768 0.000 0.068 0.164
#> ERR659108 1 0.492 0.60896 0.768 0.000 0.068 0.164
#> ERR659013 1 0.590 0.52251 0.684 0.004 0.076 0.236
#> ERR659109 1 0.584 0.53325 0.692 0.004 0.076 0.228
#> ERR659014 2 0.278 0.92291 0.000 0.896 0.084 0.020
#> ERR659110 2 0.252 0.92988 0.000 0.908 0.076 0.016
#> ERR659015 1 0.310 0.67599 0.876 0.000 0.020 0.104
#> ERR659111 1 0.321 0.67764 0.872 0.000 0.024 0.104
#> ERR659016 4 0.717 0.60952 0.296 0.012 0.124 0.568
#> ERR659112 4 0.732 0.59403 0.292 0.012 0.140 0.556
#> ERR659017 2 0.311 0.92084 0.004 0.876 0.108 0.012
#> ERR659113 2 0.181 0.93313 0.000 0.940 0.052 0.008
#> ERR659018 1 0.361 0.69181 0.856 0.000 0.044 0.100
#> ERR659114 1 0.363 0.69024 0.856 0.000 0.048 0.096
#> ERR659019 1 0.439 0.63478 0.804 0.000 0.052 0.144
#> ERR659115 1 0.456 0.63354 0.796 0.000 0.064 0.140
#> ERR659020 1 0.252 0.69085 0.912 0.000 0.024 0.064
#> ERR659116 1 0.244 0.69122 0.916 0.000 0.024 0.060
#> ERR659021 1 0.412 0.60204 0.772 0.000 0.008 0.220
#> ERR659117 1 0.419 0.59493 0.764 0.000 0.008 0.228
#> ERR659022 1 0.546 0.49628 0.684 0.004 0.036 0.276
#> ERR659118 1 0.517 0.53003 0.704 0.000 0.036 0.260
#> ERR659023 1 0.444 0.64837 0.800 0.000 0.052 0.148
#> ERR659119 1 0.448 0.64746 0.796 0.000 0.052 0.152
#> ERR659024 1 0.365 0.69534 0.852 0.000 0.040 0.108
#> ERR659120 1 0.370 0.69620 0.852 0.000 0.048 0.100
#> ERR659025 1 0.599 -0.18026 0.500 0.008 0.024 0.468
#> ERR659121 1 0.599 -0.19529 0.496 0.008 0.024 0.472
#> ERR659026 1 0.367 0.68995 0.848 0.000 0.036 0.116
#> ERR659122 1 0.376 0.69040 0.844 0.000 0.040 0.116
#> ERR659027 4 0.697 0.66848 0.320 0.008 0.108 0.564
#> ERR659123 4 0.711 0.66230 0.332 0.008 0.116 0.544
#> ERR659028 1 0.481 0.63627 0.784 0.000 0.084 0.132
#> ERR659124 1 0.492 0.63082 0.776 0.000 0.088 0.136
#> ERR659029 1 0.514 0.58686 0.732 0.000 0.052 0.216
#> ERR659125 1 0.511 0.59247 0.736 0.000 0.052 0.212
#> ERR659030 1 0.499 0.56218 0.732 0.004 0.028 0.236
#> ERR659126 1 0.499 0.54420 0.724 0.004 0.024 0.248
#> ERR659031 1 0.339 0.69670 0.872 0.000 0.056 0.072
#> ERR659127 1 0.324 0.69711 0.880 0.000 0.052 0.068
#> ERR659032 1 0.501 0.62693 0.732 0.000 0.040 0.228
#> ERR659128 1 0.483 0.64739 0.752 0.000 0.040 0.208
#> ERR659033 1 0.407 0.68165 0.824 0.000 0.044 0.132
#> ERR659129 1 0.402 0.68001 0.828 0.000 0.044 0.128
#> ERR659034 2 0.174 0.93217 0.000 0.940 0.056 0.004
#> ERR659130 2 0.322 0.90907 0.004 0.864 0.124 0.008
#> ERR659035 1 0.247 0.69879 0.916 0.000 0.028 0.056
#> ERR659131 1 0.256 0.69951 0.912 0.000 0.032 0.056
#> ERR659036 1 0.642 0.00908 0.536 0.012 0.044 0.408
#> ERR659132 1 0.641 0.04007 0.544 0.012 0.044 0.400
#> ERR659037 1 0.509 0.50997 0.688 0.000 0.024 0.288
#> ERR659133 1 0.504 0.52218 0.696 0.000 0.024 0.280
#> ERR659038 1 0.517 0.61212 0.760 0.004 0.072 0.164
#> ERR659134 1 0.524 0.61013 0.756 0.004 0.076 0.164
#> ERR659039 1 0.449 0.63089 0.800 0.000 0.060 0.140
#> ERR659135 1 0.439 0.63262 0.804 0.000 0.052 0.144
#> ERR659040 1 0.562 0.40603 0.640 0.000 0.040 0.320
#> ERR659136 1 0.570 0.39447 0.636 0.000 0.044 0.320
#> ERR659041 1 0.667 -0.18095 0.492 0.020 0.044 0.444
#> ERR659137 1 0.667 -0.18095 0.492 0.020 0.044 0.444
#> ERR659042 4 0.608 0.38932 0.440 0.004 0.036 0.520
#> ERR659138 4 0.608 0.40071 0.436 0.004 0.036 0.524
#> ERR659043 1 0.579 0.42344 0.640 0.000 0.052 0.308
#> ERR659139 1 0.565 0.45260 0.656 0.000 0.048 0.296
#> ERR659044 2 0.354 0.90035 0.024 0.876 0.076 0.024
#> ERR659140 2 0.283 0.92848 0.004 0.904 0.060 0.032
#> ERR659045 1 0.379 0.67508 0.844 0.000 0.044 0.112
#> ERR659141 1 0.379 0.67508 0.844 0.000 0.044 0.112
#> ERR659046 1 0.403 0.63434 0.796 0.004 0.008 0.192
#> ERR659142 1 0.385 0.63165 0.800 0.000 0.008 0.192
#> ERR659047 1 0.458 0.57488 0.748 0.008 0.008 0.236
#> ERR659143 1 0.458 0.57488 0.748 0.008 0.008 0.236
#> ERR659048 1 0.537 0.49505 0.696 0.008 0.028 0.268
#> ERR659144 1 0.528 0.51378 0.708 0.008 0.028 0.256
#> ERR659049 1 0.553 0.58403 0.720 0.016 0.040 0.224
#> ERR659145 1 0.539 0.59946 0.732 0.012 0.044 0.212
#> ERR659050 1 0.501 0.61430 0.764 0.000 0.076 0.160
#> ERR659146 1 0.494 0.61093 0.768 0.000 0.072 0.160
#> ERR659051 3 0.751 0.59833 0.096 0.044 0.572 0.288
#> ERR659147 3 0.751 0.59833 0.096 0.044 0.572 0.288
#> ERR659052 1 0.512 0.60792 0.756 0.000 0.080 0.164
#> ERR659148 1 0.512 0.60792 0.756 0.000 0.080 0.164
#> ERR659053 1 0.523 0.24437 0.604 0.000 0.012 0.384
#> ERR659149 1 0.513 0.24248 0.604 0.000 0.008 0.388
#> ERR659054 2 0.182 0.93551 0.004 0.944 0.044 0.008
#> ERR659150 2 0.197 0.93146 0.000 0.932 0.060 0.008
#> ERR659055 1 0.436 0.67255 0.812 0.000 0.064 0.124
#> ERR659151 1 0.436 0.67452 0.812 0.000 0.064 0.124
#> ERR659056 4 0.781 0.52311 0.212 0.064 0.132 0.592
#> ERR659152 4 0.774 0.49125 0.200 0.068 0.128 0.604
#> ERR659057 1 0.261 0.68734 0.896 0.000 0.008 0.096
#> ERR659153 1 0.261 0.68550 0.896 0.000 0.008 0.096
#> ERR659058 1 0.469 0.65210 0.788 0.000 0.068 0.144
#> ERR659154 1 0.461 0.65337 0.792 0.000 0.064 0.144
#> ERR659059 1 0.264 0.69259 0.904 0.000 0.020 0.076
#> ERR659155 1 0.274 0.69537 0.900 0.000 0.024 0.076
#> ERR659060 1 0.565 0.32420 0.620 0.012 0.016 0.352
#> ERR659156 1 0.568 0.30133 0.612 0.012 0.016 0.360
#> ERR659061 1 0.505 0.55746 0.720 0.000 0.036 0.244
#> ERR659157 1 0.501 0.57558 0.732 0.000 0.040 0.228
#> ERR659062 1 0.415 0.66961 0.824 0.000 0.056 0.120
#> ERR659158 1 0.393 0.67581 0.836 0.000 0.048 0.116
#> ERR659063 1 0.364 0.68134 0.848 0.000 0.032 0.120
#> ERR659159 1 0.375 0.67913 0.840 0.000 0.032 0.128
#> ERR659064 1 0.538 0.39260 0.656 0.008 0.016 0.320
#> ERR659160 1 0.546 0.35204 0.640 0.008 0.016 0.336
#> ERR659065 2 0.317 0.93030 0.004 0.888 0.068 0.040
#> ERR659161 2 0.152 0.93371 0.000 0.956 0.024 0.020
#> ERR659066 1 0.536 0.58729 0.720 0.000 0.064 0.216
#> ERR659162 1 0.533 0.59184 0.724 0.000 0.064 0.212
#> ERR659067 1 0.380 0.64901 0.836 0.000 0.032 0.132
#> ERR659163 1 0.365 0.65195 0.844 0.000 0.028 0.128
#> ERR659068 2 0.281 0.92670 0.008 0.908 0.052 0.032
#> ERR659164 2 0.462 0.83274 0.028 0.824 0.092 0.056
#> ERR659069 1 0.548 0.61896 0.732 0.000 0.104 0.164
#> ERR659165 1 0.548 0.61283 0.732 0.000 0.104 0.164
#> ERR659070 1 0.650 -0.22409 0.496 0.008 0.052 0.444
#> ERR659166 1 0.650 -0.26868 0.484 0.008 0.052 0.456
#> ERR659071 1 0.415 0.64220 0.808 0.000 0.032 0.160
#> ERR659167 1 0.417 0.64693 0.816 0.000 0.044 0.140
#> ERR659072 1 0.444 0.62732 0.800 0.000 0.052 0.148
#> ERR659168 1 0.447 0.62775 0.800 0.000 0.056 0.144
#> ERR659073 1 0.442 0.64301 0.804 0.000 0.056 0.140
#> ERR659169 1 0.441 0.64966 0.808 0.000 0.064 0.128
#> ERR659074 2 0.324 0.92448 0.008 0.880 0.092 0.020
#> ERR659170 2 0.313 0.92007 0.008 0.892 0.068 0.032
#> ERR659075 3 0.802 0.52498 0.020 0.224 0.496 0.260
#> ERR659171 3 0.802 0.52498 0.020 0.224 0.496 0.260
#> ERR659076 2 0.311 0.91619 0.004 0.876 0.108 0.012
#> ERR659172 2 0.273 0.92977 0.000 0.896 0.088 0.016
#> ERR659077 1 0.407 0.67160 0.824 0.000 0.044 0.132
#> ERR659173 1 0.396 0.67368 0.832 0.000 0.044 0.124
#> ERR659078 1 0.280 0.69963 0.888 0.000 0.012 0.100
#> ERR659174 1 0.286 0.69937 0.888 0.000 0.016 0.096
#> ERR659079 1 0.420 0.65408 0.804 0.000 0.032 0.164
#> ERR659175 1 0.438 0.64340 0.792 0.000 0.036 0.172
#> ERR659080 4 0.671 0.55268 0.220 0.016 0.116 0.648
#> ERR659176 4 0.659 0.54547 0.212 0.012 0.120 0.656
#> ERR659081 1 0.419 0.59557 0.764 0.000 0.008 0.228
#> ERR659177 1 0.417 0.60566 0.776 0.000 0.012 0.212
#> ERR659082 1 0.521 0.37750 0.652 0.000 0.020 0.328
#> ERR659178 1 0.503 0.40314 0.672 0.000 0.016 0.312
#> ERR659083 2 0.180 0.93362 0.000 0.944 0.040 0.016
#> ERR659179 2 0.164 0.93391 0.000 0.948 0.044 0.008
#> ERR659084 2 0.236 0.93287 0.004 0.920 0.064 0.012
#> ERR659180 2 0.287 0.91485 0.012 0.908 0.040 0.040
#> ERR659085 1 0.261 0.69682 0.900 0.000 0.012 0.088
#> ERR659181 1 0.261 0.69649 0.900 0.000 0.012 0.088
#> ERR659086 1 0.266 0.68884 0.900 0.000 0.016 0.084
#> ERR659182 1 0.240 0.69105 0.912 0.000 0.012 0.076
#> ERR659087 1 0.426 0.64451 0.812 0.000 0.048 0.140
#> ERR659183 1 0.431 0.64124 0.808 0.000 0.048 0.144
#> ERR659088 4 0.739 0.40423 0.376 0.008 0.132 0.484
#> ERR659184 4 0.741 0.38179 0.384 0.008 0.132 0.476
#> ERR659089 1 0.687 -0.23672 0.472 0.004 0.088 0.436
#> ERR659185 1 0.687 -0.23526 0.468 0.004 0.088 0.440
#> ERR659090 1 0.487 0.65089 0.772 0.000 0.068 0.160
#> ERR659186 1 0.483 0.65563 0.776 0.000 0.068 0.156
#> ERR659091 1 0.327 0.68255 0.876 0.000 0.040 0.084
#> ERR659187 1 0.327 0.68255 0.876 0.000 0.040 0.084
#> ERR659092 1 0.419 0.66726 0.824 0.000 0.064 0.112
#> ERR659188 1 0.426 0.66880 0.820 0.000 0.068 0.112
#> ERR659093 1 0.432 0.58412 0.760 0.000 0.012 0.228
#> ERR659189 1 0.439 0.57439 0.752 0.000 0.012 0.236
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.733 0.27114 0.372 0.000 0.416 0.160 0.052
#> ERR467498 3 0.731 0.31612 0.356 0.000 0.432 0.160 0.052
#> ERR658998 1 0.471 0.60616 0.712 0.000 0.008 0.236 0.044
#> ERR659094 1 0.467 0.61170 0.724 0.000 0.008 0.220 0.048
#> ERR658999 1 0.176 0.61189 0.936 0.000 0.004 0.012 0.048
#> ERR659095 1 0.188 0.61090 0.932 0.000 0.008 0.012 0.048
#> ERR659000 4 0.678 0.32636 0.160 0.004 0.072 0.612 0.152
#> ERR659096 4 0.675 0.32289 0.156 0.004 0.072 0.616 0.152
#> ERR659001 1 0.387 0.64198 0.812 0.000 0.024 0.140 0.024
#> ERR659097 1 0.436 0.63593 0.784 0.000 0.028 0.148 0.040
#> ERR659002 4 0.628 0.31807 0.364 0.000 0.020 0.520 0.096
#> ERR659098 4 0.624 0.35030 0.348 0.000 0.020 0.536 0.096
#> ERR659003 1 0.406 0.62196 0.788 0.000 0.016 0.168 0.028
#> ERR659099 1 0.389 0.62387 0.796 0.000 0.016 0.168 0.020
#> ERR659004 1 0.410 0.50801 0.816 0.000 0.024 0.084 0.076
#> ERR659100 1 0.410 0.50801 0.816 0.000 0.024 0.084 0.076
#> ERR659005 4 0.629 0.43289 0.308 0.004 0.068 0.580 0.040
#> ERR659101 4 0.632 0.44267 0.300 0.004 0.068 0.584 0.044
#> ERR659006 1 0.318 0.56707 0.872 0.000 0.020 0.048 0.060
#> ERR659102 1 0.311 0.57155 0.876 0.000 0.020 0.044 0.060
#> ERR659007 1 0.537 0.40301 0.576 0.000 0.020 0.376 0.028
#> ERR659103 1 0.544 0.44714 0.596 0.000 0.024 0.348 0.032
#> ERR659008 2 0.365 0.86544 0.000 0.844 0.036 0.032 0.088
#> ERR659104 2 0.332 0.87345 0.008 0.872 0.028 0.028 0.064
#> ERR659009 1 0.349 0.62259 0.852 0.000 0.016 0.068 0.064
#> ERR659105 1 0.355 0.62215 0.848 0.000 0.016 0.068 0.068
#> ERR659010 1 0.210 0.60866 0.924 0.000 0.016 0.012 0.048
#> ERR659106 1 0.199 0.60942 0.928 0.000 0.016 0.008 0.048
#> ERR659011 1 0.203 0.60788 0.928 0.000 0.016 0.012 0.044
#> ERR659107 1 0.195 0.60855 0.932 0.000 0.016 0.012 0.040
#> ERR659012 1 0.267 0.59981 0.892 0.000 0.020 0.012 0.076
#> ERR659108 1 0.267 0.59981 0.892 0.000 0.020 0.012 0.076
#> ERR659013 1 0.740 0.23838 0.444 0.004 0.040 0.324 0.188
#> ERR659109 1 0.739 0.25000 0.448 0.004 0.040 0.320 0.188
#> ERR659014 2 0.329 0.86187 0.004 0.856 0.028 0.008 0.104
#> ERR659110 2 0.377 0.86202 0.020 0.840 0.048 0.004 0.088
#> ERR659015 1 0.539 0.37370 0.560 0.000 0.004 0.384 0.052
#> ERR659111 1 0.557 0.35985 0.548 0.000 0.008 0.388 0.056
#> ERR659016 4 0.695 0.29732 0.104 0.008 0.156 0.612 0.120
#> ERR659112 4 0.698 0.29193 0.104 0.008 0.160 0.608 0.120
#> ERR659017 2 0.420 0.85393 0.008 0.812 0.076 0.012 0.092
#> ERR659113 2 0.296 0.87376 0.000 0.868 0.048 0.000 0.084
#> ERR659018 1 0.491 0.55774 0.700 0.000 0.008 0.236 0.056
#> ERR659114 1 0.493 0.55207 0.692 0.000 0.008 0.248 0.052
#> ERR659019 1 0.199 0.61486 0.928 0.000 0.004 0.028 0.040
#> ERR659115 1 0.200 0.61660 0.928 0.000 0.004 0.032 0.036
#> ERR659020 1 0.314 0.63218 0.832 0.000 0.000 0.152 0.016
#> ERR659116 1 0.326 0.63634 0.836 0.000 0.004 0.140 0.020
#> ERR659021 4 0.479 0.23861 0.432 0.000 0.000 0.548 0.020
#> ERR659117 4 0.470 0.24986 0.432 0.000 0.000 0.552 0.016
#> ERR659022 4 0.666 0.36929 0.352 0.008 0.072 0.524 0.044
#> ERR659118 4 0.652 0.33140 0.368 0.004 0.072 0.516 0.040
#> ERR659023 1 0.636 0.32188 0.512 0.000 0.044 0.380 0.064
#> ERR659119 1 0.640 0.31636 0.512 0.000 0.044 0.376 0.068
#> ERR659024 1 0.646 0.38080 0.548 0.000 0.044 0.324 0.084
#> ERR659120 1 0.634 0.48001 0.584 0.000 0.048 0.288 0.080
#> ERR659025 4 0.440 0.49350 0.072 0.008 0.040 0.812 0.068
#> ERR659121 4 0.414 0.48909 0.064 0.008 0.036 0.828 0.064
#> ERR659026 1 0.558 0.56693 0.656 0.000 0.012 0.232 0.100
#> ERR659122 1 0.565 0.57255 0.656 0.000 0.016 0.228 0.100
#> ERR659027 4 0.606 0.36064 0.108 0.004 0.032 0.652 0.204
#> ERR659123 4 0.610 0.36062 0.116 0.004 0.028 0.644 0.208
#> ERR659028 1 0.673 0.23689 0.460 0.000 0.012 0.352 0.176
#> ERR659124 1 0.671 0.24644 0.464 0.000 0.012 0.352 0.172
#> ERR659029 4 0.662 0.18840 0.360 0.000 0.016 0.480 0.144
#> ERR659125 4 0.662 0.18840 0.360 0.000 0.016 0.480 0.144
#> ERR659030 4 0.574 0.24802 0.444 0.004 0.000 0.480 0.072
#> ERR659126 4 0.578 0.30507 0.424 0.004 0.000 0.496 0.076
#> ERR659031 1 0.506 0.53458 0.660 0.000 0.040 0.288 0.012
#> ERR659127 1 0.477 0.55891 0.684 0.000 0.028 0.276 0.012
#> ERR659032 1 0.679 0.14690 0.468 0.000 0.032 0.376 0.124
#> ERR659128 1 0.665 0.30750 0.512 0.000 0.036 0.344 0.108
#> ERR659033 1 0.589 0.51184 0.624 0.004 0.044 0.284 0.044
#> ERR659129 1 0.574 0.53122 0.644 0.004 0.040 0.268 0.044
#> ERR659034 2 0.292 0.87308 0.000 0.880 0.040 0.008 0.072
#> ERR659130 2 0.381 0.84752 0.000 0.820 0.056 0.008 0.116
#> ERR659035 1 0.538 0.50942 0.640 0.000 0.012 0.288 0.060
#> ERR659131 1 0.551 0.51503 0.636 0.000 0.016 0.284 0.064
#> ERR659036 4 0.509 0.58128 0.180 0.000 0.008 0.712 0.100
#> ERR659132 4 0.509 0.58116 0.180 0.000 0.008 0.712 0.100
#> ERR659037 4 0.603 0.39724 0.388 0.004 0.008 0.520 0.080
#> ERR659133 4 0.589 0.39977 0.392 0.000 0.008 0.520 0.080
#> ERR659038 1 0.249 0.60721 0.908 0.000 0.016 0.032 0.044
#> ERR659134 1 0.249 0.60721 0.908 0.000 0.016 0.032 0.044
#> ERR659039 1 0.195 0.62597 0.932 0.000 0.012 0.016 0.040
#> ERR659135 1 0.195 0.62713 0.932 0.000 0.012 0.016 0.040
#> ERR659040 4 0.521 0.49054 0.232 0.000 0.016 0.688 0.064
#> ERR659136 4 0.539 0.49855 0.224 0.000 0.024 0.684 0.068
#> ERR659041 4 0.604 0.42752 0.164 0.008 0.028 0.668 0.132
#> ERR659137 4 0.600 0.42851 0.164 0.008 0.024 0.668 0.136
#> ERR659042 4 0.465 0.54670 0.120 0.000 0.048 0.780 0.052
#> ERR659138 4 0.471 0.54569 0.120 0.000 0.052 0.776 0.052
#> ERR659043 4 0.598 0.44111 0.228 0.000 0.032 0.640 0.100
#> ERR659139 4 0.596 0.42346 0.244 0.000 0.028 0.632 0.096
#> ERR659044 2 0.420 0.82610 0.000 0.812 0.052 0.040 0.096
#> ERR659140 2 0.335 0.86624 0.004 0.856 0.036 0.008 0.096
#> ERR659045 1 0.310 0.63784 0.868 0.000 0.008 0.084 0.040
#> ERR659141 1 0.303 0.63909 0.868 0.000 0.004 0.088 0.040
#> ERR659046 4 0.521 0.24548 0.416 0.000 0.004 0.544 0.036
#> ERR659142 4 0.522 0.20384 0.428 0.000 0.004 0.532 0.036
#> ERR659047 4 0.512 0.25104 0.408 0.004 0.000 0.556 0.032
#> ERR659143 4 0.507 0.24139 0.420 0.004 0.000 0.548 0.028
#> ERR659048 4 0.523 0.36187 0.364 0.000 0.012 0.592 0.032
#> ERR659144 4 0.524 0.35584 0.368 0.000 0.012 0.588 0.032
#> ERR659049 1 0.650 -0.00236 0.512 0.008 0.016 0.364 0.100
#> ERR659145 1 0.643 -0.02974 0.504 0.008 0.012 0.376 0.100
#> ERR659050 1 0.597 0.32630 0.512 0.000 0.000 0.372 0.116
#> ERR659146 1 0.595 0.30783 0.508 0.000 0.000 0.380 0.112
#> ERR659051 3 0.207 -0.17410 0.012 0.032 0.928 0.028 0.000
#> ERR659147 3 0.207 -0.17410 0.012 0.032 0.928 0.028 0.000
#> ERR659052 1 0.368 0.58338 0.848 0.004 0.020 0.064 0.064
#> ERR659148 1 0.367 0.58791 0.844 0.000 0.024 0.064 0.068
#> ERR659053 4 0.490 0.57269 0.192 0.004 0.012 0.732 0.060
#> ERR659149 4 0.481 0.57415 0.196 0.004 0.012 0.736 0.052
#> ERR659054 2 0.339 0.87345 0.004 0.852 0.048 0.004 0.092
#> ERR659150 2 0.262 0.86740 0.000 0.892 0.020 0.008 0.080
#> ERR659055 1 0.370 0.63886 0.832 0.000 0.012 0.104 0.052
#> ERR659151 1 0.406 0.63637 0.808 0.000 0.012 0.112 0.068
#> ERR659056 4 0.635 0.19591 0.040 0.036 0.044 0.632 0.248
#> ERR659152 4 0.635 0.19591 0.040 0.036 0.044 0.632 0.248
#> ERR659057 1 0.453 0.53591 0.672 0.000 0.000 0.300 0.028
#> ERR659153 1 0.454 0.51671 0.656 0.000 0.000 0.320 0.024
#> ERR659058 1 0.257 0.63556 0.888 0.000 0.000 0.084 0.028
#> ERR659154 1 0.271 0.63591 0.880 0.000 0.000 0.088 0.032
#> ERR659059 1 0.552 0.35900 0.552 0.000 0.008 0.388 0.052
#> ERR659155 1 0.547 0.39872 0.572 0.000 0.008 0.368 0.052
#> ERR659060 4 0.498 0.57008 0.160 0.000 0.036 0.744 0.060
#> ERR659156 4 0.490 0.56914 0.160 0.000 0.032 0.748 0.060
#> ERR659061 4 0.625 0.36375 0.384 0.000 0.028 0.512 0.076
#> ERR659157 4 0.626 0.35473 0.388 0.000 0.028 0.508 0.076
#> ERR659062 1 0.408 0.63894 0.800 0.008 0.012 0.152 0.028
#> ERR659158 1 0.396 0.63901 0.804 0.004 0.012 0.152 0.028
#> ERR659063 1 0.548 0.39764 0.572 0.000 0.016 0.372 0.040
#> ERR659159 1 0.549 0.39654 0.568 0.000 0.016 0.376 0.040
#> ERR659064 4 0.605 0.49244 0.308 0.004 0.024 0.592 0.072
#> ERR659160 4 0.581 0.53515 0.268 0.004 0.024 0.636 0.068
#> ERR659065 2 0.301 0.87793 0.000 0.876 0.036 0.012 0.076
#> ERR659161 2 0.318 0.87651 0.000 0.868 0.052 0.012 0.068
#> ERR659066 1 0.472 0.44743 0.764 0.000 0.020 0.132 0.084
#> ERR659162 1 0.457 0.46323 0.776 0.000 0.020 0.124 0.080
#> ERR659067 1 0.191 0.64310 0.928 0.000 0.000 0.044 0.028
#> ERR659163 1 0.182 0.64454 0.932 0.000 0.000 0.044 0.024
#> ERR659068 2 0.361 0.86202 0.004 0.852 0.068 0.020 0.056
#> ERR659164 2 0.474 0.79415 0.004 0.784 0.052 0.056 0.104
#> ERR659069 1 0.368 0.61812 0.840 0.000 0.020 0.052 0.088
#> ERR659165 1 0.379 0.61785 0.832 0.000 0.020 0.052 0.096
#> ERR659070 4 0.475 0.48323 0.100 0.004 0.064 0.784 0.048
#> ERR659166 4 0.493 0.47545 0.100 0.004 0.076 0.772 0.048
#> ERR659071 4 0.636 -0.05656 0.436 0.000 0.040 0.460 0.064
#> ERR659167 1 0.640 0.11714 0.448 0.000 0.036 0.444 0.072
#> ERR659072 1 0.239 0.59743 0.908 0.000 0.024 0.008 0.060
#> ERR659168 1 0.232 0.59818 0.912 0.000 0.024 0.008 0.056
#> ERR659073 1 0.330 0.63539 0.868 0.000 0.032 0.060 0.040
#> ERR659169 1 0.343 0.63594 0.860 0.000 0.036 0.068 0.036
#> ERR659074 2 0.418 0.84128 0.000 0.812 0.072 0.028 0.088
#> ERR659170 2 0.393 0.85939 0.008 0.832 0.044 0.020 0.096
#> ERR659075 5 0.609 1.00000 0.004 0.212 0.128 0.020 0.636
#> ERR659171 5 0.609 1.00000 0.004 0.212 0.128 0.020 0.636
#> ERR659076 2 0.372 0.82316 0.000 0.812 0.040 0.004 0.144
#> ERR659172 2 0.387 0.86577 0.000 0.824 0.040 0.024 0.112
#> ERR659077 1 0.698 0.31826 0.496 0.000 0.060 0.336 0.108
#> ERR659173 1 0.699 0.30591 0.496 0.000 0.056 0.332 0.116
#> ERR659078 1 0.524 0.54041 0.664 0.000 0.008 0.260 0.068
#> ERR659174 1 0.525 0.53113 0.656 0.000 0.008 0.272 0.064
#> ERR659079 1 0.668 0.38181 0.512 0.000 0.036 0.340 0.112
#> ERR659175 1 0.678 0.32770 0.488 0.000 0.040 0.360 0.112
#> ERR659080 4 0.617 0.23714 0.040 0.012 0.104 0.668 0.176
#> ERR659176 4 0.610 0.24542 0.040 0.012 0.104 0.676 0.168
#> ERR659081 4 0.573 0.08251 0.456 0.000 0.016 0.480 0.048
#> ERR659177 4 0.558 0.13995 0.444 0.000 0.012 0.500 0.044
#> ERR659082 4 0.500 0.56458 0.224 0.000 0.004 0.696 0.076
#> ERR659178 4 0.514 0.55892 0.236 0.000 0.004 0.680 0.080
#> ERR659083 2 0.264 0.87582 0.000 0.896 0.036 0.008 0.060
#> ERR659179 2 0.263 0.87441 0.000 0.896 0.024 0.012 0.068
#> ERR659084 2 0.348 0.87155 0.004 0.860 0.040 0.024 0.072
#> ERR659180 2 0.493 0.81418 0.016 0.776 0.056 0.036 0.116
#> ERR659085 1 0.464 0.60638 0.736 0.000 0.008 0.200 0.056
#> ERR659181 1 0.477 0.59529 0.720 0.000 0.008 0.216 0.056
#> ERR659086 1 0.556 0.41562 0.572 0.000 0.012 0.364 0.052
#> ERR659182 1 0.551 0.46404 0.596 0.000 0.016 0.340 0.048
#> ERR659087 1 0.398 0.64083 0.824 0.000 0.028 0.092 0.056
#> ERR659183 1 0.392 0.63966 0.828 0.000 0.028 0.088 0.056
#> ERR659088 4 0.713 0.09503 0.376 0.004 0.016 0.400 0.204
#> ERR659184 4 0.711 0.09263 0.384 0.004 0.016 0.396 0.200
#> ERR659089 4 0.684 0.37230 0.308 0.004 0.064 0.540 0.084
#> ERR659185 4 0.686 0.36749 0.312 0.004 0.068 0.536 0.080
#> ERR659090 1 0.667 0.27295 0.552 0.000 0.116 0.288 0.044
#> ERR659186 1 0.670 0.30473 0.560 0.000 0.120 0.272 0.048
#> ERR659091 1 0.514 0.61263 0.720 0.000 0.016 0.168 0.096
#> ERR659187 1 0.510 0.61388 0.724 0.000 0.016 0.164 0.096
#> ERR659092 1 0.659 0.41981 0.536 0.000 0.024 0.300 0.140
#> ERR659188 1 0.643 0.45638 0.560 0.000 0.020 0.280 0.140
#> ERR659093 4 0.483 0.23378 0.408 0.000 0.000 0.568 0.024
#> ERR659189 4 0.490 0.25128 0.408 0.000 0.000 0.564 0.028
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.781 0.34784 0.292 0.004 0.216 0.364 0.024 0.100
#> ERR467498 4 0.775 0.36648 0.276 0.004 0.212 0.388 0.024 0.096
#> ERR658998 1 0.543 0.18937 0.624 0.000 0.272 0.008 0.032 0.064
#> ERR659094 1 0.539 0.21059 0.632 0.000 0.264 0.008 0.032 0.064
#> ERR658999 3 0.362 0.75028 0.316 0.000 0.680 0.000 0.000 0.004
#> ERR659095 3 0.360 0.75159 0.312 0.000 0.684 0.000 0.000 0.004
#> ERR659000 6 0.769 0.17437 0.264 0.004 0.140 0.080 0.060 0.452
#> ERR659096 6 0.768 0.17250 0.260 0.004 0.140 0.080 0.060 0.456
#> ERR659001 1 0.501 -0.13473 0.584 0.000 0.360 0.008 0.032 0.016
#> ERR659097 1 0.513 -0.09039 0.592 0.000 0.340 0.008 0.044 0.016
#> ERR659002 1 0.606 0.26692 0.528 0.000 0.108 0.012 0.024 0.328
#> ERR659098 1 0.613 0.19123 0.504 0.000 0.100 0.016 0.024 0.356
#> ERR659003 1 0.541 0.11846 0.564 0.000 0.340 0.008 0.008 0.080
#> ERR659099 1 0.549 0.02621 0.532 0.000 0.364 0.004 0.008 0.092
#> ERR659004 3 0.455 0.65244 0.172 0.004 0.732 0.004 0.008 0.080
#> ERR659100 3 0.450 0.65792 0.172 0.004 0.736 0.004 0.008 0.076
#> ERR659005 1 0.553 0.17219 0.632 0.000 0.052 0.048 0.012 0.256
#> ERR659101 1 0.572 0.16079 0.624 0.004 0.056 0.048 0.012 0.256
#> ERR659006 3 0.384 0.71374 0.212 0.000 0.752 0.004 0.004 0.028
#> ERR659102 3 0.384 0.71374 0.212 0.000 0.752 0.004 0.004 0.028
#> ERR659007 1 0.287 0.56107 0.876 0.000 0.060 0.012 0.008 0.044
#> ERR659103 1 0.342 0.53305 0.836 0.000 0.096 0.012 0.008 0.048
#> ERR659008 2 0.334 0.87622 0.008 0.848 0.012 0.024 0.096 0.012
#> ERR659104 2 0.234 0.87955 0.008 0.908 0.020 0.008 0.052 0.004
#> ERR659009 3 0.549 0.57907 0.392 0.004 0.532 0.008 0.032 0.032
#> ERR659105 3 0.555 0.57396 0.392 0.004 0.528 0.008 0.036 0.032
#> ERR659010 3 0.377 0.74853 0.304 0.000 0.684 0.000 0.012 0.000
#> ERR659106 3 0.382 0.74319 0.316 0.000 0.672 0.000 0.012 0.000
#> ERR659011 3 0.370 0.74965 0.304 0.000 0.688 0.000 0.004 0.004
#> ERR659107 3 0.370 0.75017 0.304 0.000 0.688 0.000 0.004 0.004
#> ERR659012 3 0.327 0.74877 0.248 0.000 0.748 0.000 0.004 0.000
#> ERR659108 3 0.327 0.74877 0.248 0.000 0.748 0.000 0.004 0.000
#> ERR659013 1 0.751 0.30409 0.500 0.008 0.164 0.028 0.120 0.180
#> ERR659109 1 0.751 0.30409 0.500 0.008 0.164 0.028 0.120 0.180
#> ERR659014 2 0.321 0.87394 0.000 0.836 0.016 0.020 0.124 0.004
#> ERR659110 2 0.375 0.87024 0.000 0.824 0.032 0.056 0.080 0.008
#> ERR659015 1 0.219 0.55500 0.912 0.004 0.032 0.008 0.000 0.044
#> ERR659111 1 0.240 0.55602 0.900 0.004 0.040 0.008 0.000 0.048
#> ERR659016 6 0.731 0.53851 0.308 0.004 0.084 0.108 0.036 0.460
#> ERR659112 6 0.738 0.53729 0.312 0.004 0.084 0.116 0.036 0.448
#> ERR659017 2 0.446 0.84690 0.012 0.776 0.024 0.056 0.124 0.008
#> ERR659113 2 0.322 0.87736 0.000 0.844 0.024 0.008 0.108 0.016
#> ERR659018 1 0.418 0.42947 0.744 0.000 0.192 0.000 0.016 0.048
#> ERR659114 1 0.421 0.43577 0.740 0.000 0.196 0.000 0.016 0.048
#> ERR659019 3 0.416 0.74260 0.312 0.000 0.664 0.004 0.004 0.016
#> ERR659115 3 0.406 0.73707 0.320 0.000 0.660 0.000 0.004 0.016
#> ERR659020 1 0.455 -0.14165 0.584 0.000 0.384 0.004 0.004 0.024
#> ERR659116 1 0.454 -0.12980 0.588 0.000 0.380 0.004 0.004 0.024
#> ERR659021 1 0.417 0.42527 0.736 0.004 0.052 0.004 0.000 0.204
#> ERR659117 1 0.398 0.41517 0.744 0.004 0.036 0.004 0.000 0.212
#> ERR659022 1 0.502 0.22868 0.660 0.000 0.036 0.028 0.012 0.264
#> ERR659118 1 0.496 0.31246 0.684 0.000 0.044 0.028 0.012 0.232
#> ERR659023 1 0.326 0.56150 0.864 0.000 0.036 0.036 0.024 0.040
#> ERR659119 1 0.320 0.56368 0.868 0.000 0.036 0.032 0.028 0.036
#> ERR659024 1 0.545 0.52770 0.692 0.004 0.108 0.008 0.048 0.140
#> ERR659120 1 0.567 0.54070 0.680 0.004 0.128 0.012 0.056 0.120
#> ERR659025 6 0.580 0.57943 0.328 0.008 0.044 0.028 0.020 0.572
#> ERR659121 6 0.578 0.59107 0.316 0.008 0.036 0.032 0.024 0.584
#> ERR659026 1 0.602 0.33882 0.616 0.000 0.208 0.008 0.072 0.096
#> ERR659122 1 0.607 0.33311 0.608 0.000 0.216 0.008 0.076 0.092
#> ERR659027 6 0.663 0.57440 0.280 0.004 0.080 0.020 0.076 0.540
#> ERR659123 6 0.657 0.57131 0.276 0.000 0.084 0.020 0.080 0.540
#> ERR659028 1 0.523 0.46947 0.716 0.004 0.040 0.012 0.100 0.128
#> ERR659124 1 0.515 0.47601 0.724 0.004 0.040 0.012 0.100 0.120
#> ERR659029 1 0.539 0.37217 0.676 0.000 0.048 0.012 0.068 0.196
#> ERR659125 1 0.522 0.39756 0.692 0.000 0.044 0.008 0.076 0.180
#> ERR659030 1 0.550 0.18752 0.592 0.000 0.108 0.000 0.020 0.280
#> ERR659126 1 0.560 0.12408 0.576 0.000 0.104 0.000 0.024 0.296
#> ERR659031 1 0.544 0.36247 0.636 0.000 0.248 0.040 0.004 0.072
#> ERR659127 1 0.539 0.32250 0.632 0.000 0.264 0.032 0.008 0.064
#> ERR659032 1 0.653 0.43055 0.592 0.000 0.140 0.032 0.060 0.176
#> ERR659128 1 0.655 0.43993 0.588 0.000 0.152 0.028 0.064 0.168
#> ERR659033 1 0.386 0.51652 0.812 0.000 0.100 0.028 0.008 0.052
#> ERR659129 1 0.402 0.49643 0.796 0.000 0.120 0.028 0.008 0.048
#> ERR659034 2 0.245 0.87400 0.000 0.876 0.008 0.004 0.108 0.004
#> ERR659130 2 0.441 0.82477 0.000 0.760 0.040 0.040 0.152 0.008
#> ERR659035 1 0.483 0.49036 0.724 0.000 0.156 0.008 0.024 0.088
#> ERR659131 1 0.488 0.48661 0.720 0.000 0.156 0.008 0.024 0.092
#> ERR659036 6 0.556 0.37551 0.460 0.004 0.044 0.004 0.028 0.460
#> ERR659132 6 0.550 0.37623 0.460 0.004 0.044 0.004 0.024 0.464
#> ERR659037 6 0.615 0.41517 0.288 0.000 0.240 0.004 0.004 0.464
#> ERR659133 6 0.614 0.43725 0.292 0.000 0.212 0.008 0.004 0.484
#> ERR659038 3 0.377 0.75178 0.304 0.000 0.684 0.000 0.000 0.012
#> ERR659134 3 0.363 0.75435 0.296 0.000 0.696 0.000 0.000 0.008
#> ERR659039 3 0.383 0.72414 0.344 0.000 0.648 0.000 0.008 0.000
#> ERR659135 3 0.387 0.71086 0.356 0.000 0.636 0.000 0.008 0.000
#> ERR659040 1 0.532 0.07113 0.584 0.000 0.028 0.012 0.036 0.340
#> ERR659136 1 0.531 0.08519 0.588 0.000 0.028 0.012 0.036 0.336
#> ERR659041 6 0.575 0.53482 0.136 0.004 0.156 0.004 0.048 0.652
#> ERR659137 6 0.585 0.53342 0.140 0.004 0.164 0.004 0.048 0.640
#> ERR659042 6 0.561 0.51274 0.404 0.000 0.040 0.020 0.024 0.512
#> ERR659138 6 0.568 0.51232 0.404 0.000 0.040 0.020 0.028 0.508
#> ERR659043 1 0.600 0.22382 0.592 0.000 0.068 0.024 0.044 0.272
#> ERR659139 1 0.589 0.22313 0.596 0.000 0.064 0.020 0.044 0.276
#> ERR659044 2 0.486 0.84058 0.008 0.756 0.036 0.028 0.128 0.044
#> ERR659140 2 0.435 0.84097 0.000 0.772 0.024 0.020 0.140 0.044
#> ERR659045 1 0.439 -0.40041 0.508 0.000 0.472 0.000 0.004 0.016
#> ERR659141 1 0.439 -0.41404 0.500 0.000 0.480 0.000 0.004 0.016
#> ERR659046 1 0.485 0.34785 0.676 0.000 0.052 0.008 0.016 0.248
#> ERR659142 1 0.484 0.35679 0.684 0.000 0.056 0.008 0.016 0.236
#> ERR659047 1 0.421 0.34637 0.728 0.000 0.028 0.004 0.016 0.224
#> ERR659143 1 0.427 0.34697 0.732 0.000 0.028 0.008 0.016 0.216
#> ERR659048 1 0.432 0.31625 0.716 0.000 0.024 0.008 0.016 0.236
#> ERR659144 1 0.413 0.35419 0.736 0.000 0.024 0.008 0.012 0.220
#> ERR659049 1 0.675 -0.05911 0.344 0.000 0.336 0.008 0.020 0.292
#> ERR659145 1 0.694 -0.04323 0.348 0.004 0.336 0.012 0.020 0.280
#> ERR659050 1 0.423 0.53798 0.796 0.004 0.052 0.004 0.064 0.080
#> ERR659146 1 0.431 0.53030 0.788 0.004 0.048 0.004 0.064 0.092
#> ERR659051 4 0.175 -0.08593 0.008 0.024 0.008 0.940 0.016 0.004
#> ERR659147 4 0.175 -0.08593 0.008 0.024 0.008 0.940 0.016 0.004
#> ERR659052 3 0.375 0.71918 0.204 0.004 0.764 0.000 0.016 0.012
#> ERR659148 3 0.392 0.71970 0.208 0.004 0.752 0.000 0.028 0.008
#> ERR659053 1 0.531 -0.35332 0.492 0.000 0.040 0.024 0.004 0.440
#> ERR659149 1 0.530 -0.38273 0.480 0.000 0.044 0.020 0.004 0.452
#> ERR659054 2 0.352 0.87597 0.000 0.840 0.036 0.016 0.084 0.024
#> ERR659150 2 0.247 0.87648 0.000 0.892 0.008 0.012 0.076 0.012
#> ERR659055 1 0.479 -0.25011 0.564 0.000 0.392 0.000 0.024 0.020
#> ERR659151 1 0.492 -0.24349 0.560 0.000 0.388 0.000 0.028 0.024
#> ERR659056 6 0.621 0.45880 0.124 0.012 0.100 0.016 0.096 0.652
#> ERR659152 6 0.634 0.44748 0.120 0.020 0.096 0.016 0.100 0.648
#> ERR659057 1 0.383 0.48676 0.796 0.004 0.144 0.004 0.012 0.040
#> ERR659153 1 0.350 0.50274 0.820 0.004 0.132 0.004 0.012 0.028
#> ERR659058 3 0.449 0.47810 0.480 0.000 0.496 0.000 0.008 0.016
#> ERR659154 1 0.439 -0.47086 0.492 0.000 0.488 0.000 0.004 0.016
#> ERR659059 1 0.436 0.55924 0.784 0.004 0.072 0.020 0.016 0.104
#> ERR659155 1 0.452 0.55432 0.768 0.004 0.084 0.016 0.016 0.112
#> ERR659060 6 0.553 0.52917 0.356 0.004 0.048 0.020 0.012 0.560
#> ERR659156 6 0.540 0.52103 0.356 0.004 0.044 0.016 0.012 0.568
#> ERR659061 1 0.655 -0.10503 0.460 0.000 0.116 0.048 0.012 0.364
#> ERR659157 1 0.660 -0.08116 0.452 0.000 0.136 0.048 0.008 0.356
#> ERR659062 1 0.543 -0.02447 0.560 0.000 0.348 0.012 0.008 0.072
#> ERR659158 1 0.538 -0.01988 0.564 0.000 0.348 0.012 0.008 0.068
#> ERR659063 1 0.225 0.56499 0.904 0.000 0.052 0.000 0.008 0.036
#> ERR659159 1 0.224 0.56483 0.904 0.000 0.056 0.000 0.008 0.032
#> ERR659064 1 0.498 0.08593 0.620 0.000 0.028 0.012 0.020 0.320
#> ERR659160 1 0.505 0.00252 0.600 0.000 0.028 0.012 0.020 0.340
#> ERR659065 2 0.327 0.87247 0.000 0.848 0.008 0.012 0.084 0.048
#> ERR659161 2 0.298 0.87958 0.008 0.880 0.020 0.012 0.056 0.024
#> ERR659066 3 0.488 0.56681 0.152 0.000 0.708 0.004 0.016 0.120
#> ERR659162 3 0.490 0.58165 0.160 0.000 0.704 0.004 0.016 0.116
#> ERR659067 3 0.440 0.62482 0.412 0.004 0.564 0.000 0.020 0.000
#> ERR659163 3 0.448 0.61816 0.416 0.004 0.556 0.000 0.024 0.000
#> ERR659068 2 0.341 0.86614 0.012 0.860 0.016 0.020 0.044 0.048
#> ERR659164 2 0.492 0.80792 0.016 0.756 0.020 0.040 0.124 0.044
#> ERR659069 3 0.599 0.52032 0.392 0.008 0.480 0.000 0.096 0.024
#> ERR659165 3 0.602 0.52744 0.388 0.008 0.480 0.000 0.100 0.024
#> ERR659070 6 0.589 0.59758 0.348 0.004 0.040 0.052 0.012 0.544
#> ERR659166 6 0.595 0.60599 0.328 0.004 0.044 0.056 0.012 0.556
#> ERR659071 1 0.376 0.51335 0.816 0.000 0.020 0.024 0.024 0.116
#> ERR659167 1 0.380 0.52118 0.808 0.000 0.032 0.008 0.028 0.124
#> ERR659072 3 0.374 0.75347 0.268 0.000 0.716 0.000 0.008 0.008
#> ERR659168 3 0.371 0.75275 0.264 0.000 0.720 0.000 0.008 0.008
#> ERR659073 3 0.554 0.55042 0.400 0.000 0.520 0.020 0.020 0.040
#> ERR659169 3 0.562 0.49206 0.424 0.000 0.492 0.020 0.020 0.044
#> ERR659074 2 0.387 0.86304 0.000 0.804 0.016 0.060 0.112 0.008
#> ERR659170 2 0.367 0.86844 0.004 0.812 0.020 0.008 0.136 0.020
#> ERR659075 5 0.411 1.00000 0.000 0.148 0.012 0.040 0.780 0.020
#> ERR659171 5 0.411 1.00000 0.000 0.148 0.012 0.040 0.780 0.020
#> ERR659076 2 0.398 0.82222 0.000 0.776 0.028 0.008 0.168 0.020
#> ERR659172 2 0.389 0.87467 0.000 0.820 0.024 0.028 0.084 0.044
#> ERR659077 1 0.781 0.06791 0.396 0.000 0.228 0.076 0.052 0.248
#> ERR659173 1 0.775 0.09320 0.404 0.000 0.224 0.076 0.048 0.248
#> ERR659078 1 0.662 0.25768 0.500 0.000 0.276 0.024 0.024 0.176
#> ERR659174 1 0.665 0.27637 0.504 0.000 0.272 0.028 0.024 0.172
#> ERR659079 1 0.652 0.42380 0.584 0.000 0.144 0.040 0.040 0.192
#> ERR659175 1 0.649 0.42589 0.588 0.000 0.144 0.040 0.040 0.188
#> ERR659080 6 0.599 0.41564 0.064 0.004 0.120 0.060 0.072 0.680
#> ERR659176 6 0.586 0.43420 0.072 0.000 0.116 0.056 0.072 0.684
#> ERR659081 1 0.460 0.35473 0.704 0.000 0.036 0.016 0.012 0.232
#> ERR659177 1 0.462 0.36493 0.708 0.000 0.040 0.016 0.012 0.224
#> ERR659082 1 0.489 -0.23641 0.544 0.000 0.028 0.000 0.020 0.408
#> ERR659178 1 0.488 -0.21950 0.548 0.000 0.028 0.000 0.020 0.404
#> ERR659083 2 0.285 0.87794 0.000 0.880 0.016 0.032 0.060 0.012
#> ERR659179 2 0.214 0.87805 0.000 0.916 0.012 0.016 0.048 0.008
#> ERR659084 2 0.344 0.86802 0.004 0.848 0.008 0.036 0.076 0.028
#> ERR659180 2 0.424 0.85326 0.020 0.812 0.028 0.044 0.076 0.020
#> ERR659085 1 0.596 0.09321 0.532 0.000 0.304 0.008 0.012 0.144
#> ERR659181 1 0.582 0.15541 0.544 0.000 0.284 0.004 0.008 0.160
#> ERR659086 1 0.436 0.54143 0.764 0.000 0.108 0.004 0.020 0.104
#> ERR659182 1 0.449 0.52304 0.748 0.000 0.120 0.004 0.016 0.112
#> ERR659087 3 0.569 0.50105 0.436 0.000 0.476 0.016 0.040 0.032
#> ERR659183 3 0.568 0.50784 0.432 0.000 0.480 0.016 0.044 0.028
#> ERR659088 3 0.612 -0.22008 0.080 0.000 0.484 0.004 0.052 0.380
#> ERR659184 3 0.599 -0.18306 0.068 0.000 0.500 0.004 0.052 0.376
#> ERR659089 6 0.702 0.51122 0.184 0.008 0.152 0.064 0.036 0.556
#> ERR659185 6 0.718 0.48905 0.176 0.008 0.160 0.072 0.040 0.544
#> ERR659090 1 0.690 0.41669 0.564 0.000 0.152 0.088 0.036 0.160
#> ERR659186 1 0.694 0.43153 0.568 0.000 0.144 0.084 0.048 0.156
#> ERR659091 1 0.574 0.13115 0.600 0.000 0.276 0.008 0.068 0.048
#> ERR659187 1 0.564 0.11354 0.600 0.000 0.288 0.008 0.056 0.048
#> ERR659092 1 0.683 0.34201 0.564 0.004 0.172 0.024 0.072 0.164
#> ERR659188 1 0.663 0.34944 0.584 0.004 0.176 0.020 0.072 0.144
#> ERR659093 1 0.392 0.40978 0.764 0.004 0.016 0.004 0.016 0.196
#> ERR659189 1 0.375 0.41467 0.764 0.004 0.012 0.000 0.016 0.204
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 1.000 1.000 0.21872 0.782 0.782
#> 3 3 1 1.000 1.000 0.08198 0.982 0.977
#> 4 4 1 0.978 0.992 0.03421 0.999 0.998
#> 5 5 1 0.960 0.987 0.00708 0.999 0.998
#> 6 6 1 0.955 0.985 0.00659 0.999 0.999
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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0 1 1 0 0
#> ERR467498 1 0 1 1 0 0
#> ERR658998 1 0 1 1 0 0
#> ERR659094 1 0 1 1 0 0
#> ERR658999 1 0 1 1 0 0
#> ERR659095 1 0 1 1 0 0
#> ERR659000 1 0 1 1 0 0
#> ERR659096 1 0 1 1 0 0
#> ERR659001 1 0 1 1 0 0
#> ERR659097 1 0 1 1 0 0
#> ERR659002 1 0 1 1 0 0
#> ERR659098 1 0 1 1 0 0
#> ERR659003 1 0 1 1 0 0
#> ERR659099 1 0 1 1 0 0
#> ERR659004 1 0 1 1 0 0
#> ERR659100 1 0 1 1 0 0
#> ERR659005 1 0 1 1 0 0
#> ERR659101 1 0 1 1 0 0
#> ERR659006 1 0 1 1 0 0
#> ERR659102 1 0 1 1 0 0
#> ERR659007 1 0 1 1 0 0
#> ERR659103 1 0 1 1 0 0
#> ERR659008 2 0 1 0 1 0
#> ERR659104 2 0 1 0 1 0
#> ERR659009 1 0 1 1 0 0
#> ERR659105 1 0 1 1 0 0
#> ERR659010 1 0 1 1 0 0
#> ERR659106 1 0 1 1 0 0
#> ERR659011 1 0 1 1 0 0
#> ERR659107 1 0 1 1 0 0
#> ERR659012 1 0 1 1 0 0
#> ERR659108 1 0 1 1 0 0
#> ERR659013 1 0 1 1 0 0
#> ERR659109 1 0 1 1 0 0
#> ERR659014 2 0 1 0 1 0
#> ERR659110 2 0 1 0 1 0
#> ERR659015 1 0 1 1 0 0
#> ERR659111 1 0 1 1 0 0
#> ERR659016 1 0 1 1 0 0
#> ERR659112 1 0 1 1 0 0
#> ERR659017 2 0 1 0 1 0
#> ERR659113 2 0 1 0 1 0
#> ERR659018 1 0 1 1 0 0
#> ERR659114 1 0 1 1 0 0
#> ERR659019 1 0 1 1 0 0
#> ERR659115 1 0 1 1 0 0
#> ERR659020 1 0 1 1 0 0
#> ERR659116 1 0 1 1 0 0
#> ERR659021 1 0 1 1 0 0
#> ERR659117 1 0 1 1 0 0
#> ERR659022 1 0 1 1 0 0
#> ERR659118 1 0 1 1 0 0
#> ERR659023 1 0 1 1 0 0
#> ERR659119 1 0 1 1 0 0
#> ERR659024 1 0 1 1 0 0
#> ERR659120 1 0 1 1 0 0
#> ERR659025 1 0 1 1 0 0
#> ERR659121 1 0 1 1 0 0
#> ERR659026 1 0 1 1 0 0
#> ERR659122 1 0 1 1 0 0
#> ERR659027 1 0 1 1 0 0
#> ERR659123 1 0 1 1 0 0
#> ERR659028 1 0 1 1 0 0
#> ERR659124 1 0 1 1 0 0
#> ERR659029 1 0 1 1 0 0
#> ERR659125 1 0 1 1 0 0
#> ERR659030 1 0 1 1 0 0
#> ERR659126 1 0 1 1 0 0
#> ERR659031 1 0 1 1 0 0
#> ERR659127 1 0 1 1 0 0
#> ERR659032 1 0 1 1 0 0
#> ERR659128 1 0 1 1 0 0
#> ERR659033 1 0 1 1 0 0
#> ERR659129 1 0 1 1 0 0
#> ERR659034 2 0 1 0 1 0
#> ERR659130 2 0 1 0 1 0
#> ERR659035 1 0 1 1 0 0
#> ERR659131 1 0 1 1 0 0
#> ERR659036 1 0 1 1 0 0
#> ERR659132 1 0 1 1 0 0
#> ERR659037 1 0 1 1 0 0
#> ERR659133 1 0 1 1 0 0
#> ERR659038 1 0 1 1 0 0
#> ERR659134 1 0 1 1 0 0
#> ERR659039 1 0 1 1 0 0
#> ERR659135 1 0 1 1 0 0
#> ERR659040 1 0 1 1 0 0
#> ERR659136 1 0 1 1 0 0
#> ERR659041 1 0 1 1 0 0
#> ERR659137 1 0 1 1 0 0
#> ERR659042 1 0 1 1 0 0
#> ERR659138 1 0 1 1 0 0
#> ERR659043 1 0 1 1 0 0
#> ERR659139 1 0 1 1 0 0
#> ERR659044 2 0 1 0 1 0
#> ERR659140 2 0 1 0 1 0
#> ERR659045 1 0 1 1 0 0
#> ERR659141 1 0 1 1 0 0
#> ERR659046 1 0 1 1 0 0
#> ERR659142 1 0 1 1 0 0
#> ERR659047 1 0 1 1 0 0
#> ERR659143 1 0 1 1 0 0
#> ERR659048 1 0 1 1 0 0
#> ERR659144 1 0 1 1 0 0
#> ERR659049 1 0 1 1 0 0
#> ERR659145 1 0 1 1 0 0
#> ERR659050 1 0 1 1 0 0
#> ERR659146 1 0 1 1 0 0
#> ERR659051 1 0 1 1 0 0
#> ERR659147 1 0 1 1 0 0
#> ERR659052 1 0 1 1 0 0
#> ERR659148 1 0 1 1 0 0
#> ERR659053 1 0 1 1 0 0
#> ERR659149 1 0 1 1 0 0
#> ERR659054 2 0 1 0 1 0
#> ERR659150 2 0 1 0 1 0
#> ERR659055 1 0 1 1 0 0
#> ERR659151 1 0 1 1 0 0
#> ERR659056 1 0 1 1 0 0
#> ERR659152 1 0 1 1 0 0
#> ERR659057 1 0 1 1 0 0
#> ERR659153 1 0 1 1 0 0
#> ERR659058 1 0 1 1 0 0
#> ERR659154 1 0 1 1 0 0
#> ERR659059 1 0 1 1 0 0
#> ERR659155 1 0 1 1 0 0
#> ERR659060 1 0 1 1 0 0
#> ERR659156 1 0 1 1 0 0
#> ERR659061 1 0 1 1 0 0
#> ERR659157 1 0 1 1 0 0
#> ERR659062 1 0 1 1 0 0
#> ERR659158 1 0 1 1 0 0
#> ERR659063 1 0 1 1 0 0
#> ERR659159 1 0 1 1 0 0
#> ERR659064 1 0 1 1 0 0
#> ERR659160 1 0 1 1 0 0
#> ERR659065 2 0 1 0 1 0
#> ERR659161 2 0 1 0 1 0
#> ERR659066 1 0 1 1 0 0
#> ERR659162 1 0 1 1 0 0
#> ERR659067 1 0 1 1 0 0
#> ERR659163 1 0 1 1 0 0
#> ERR659068 2 0 1 0 1 0
#> ERR659164 2 0 1 0 1 0
#> ERR659069 1 0 1 1 0 0
#> ERR659165 1 0 1 1 0 0
#> ERR659070 1 0 1 1 0 0
#> ERR659166 1 0 1 1 0 0
#> ERR659071 1 0 1 1 0 0
#> ERR659167 1 0 1 1 0 0
#> ERR659072 1 0 1 1 0 0
#> ERR659168 1 0 1 1 0 0
#> ERR659073 1 0 1 1 0 0
#> ERR659169 1 0 1 1 0 0
#> ERR659074 2 0 1 0 1 0
#> ERR659170 2 0 1 0 1 0
#> ERR659075 3 0 1 0 0 1
#> ERR659171 3 0 1 0 0 1
#> ERR659076 2 0 1 0 1 0
#> ERR659172 2 0 1 0 1 0
#> ERR659077 1 0 1 1 0 0
#> ERR659173 1 0 1 1 0 0
#> ERR659078 1 0 1 1 0 0
#> ERR659174 1 0 1 1 0 0
#> ERR659079 1 0 1 1 0 0
#> ERR659175 1 0 1 1 0 0
#> ERR659080 1 0 1 1 0 0
#> ERR659176 1 0 1 1 0 0
#> ERR659081 1 0 1 1 0 0
#> ERR659177 1 0 1 1 0 0
#> ERR659082 1 0 1 1 0 0
#> ERR659178 1 0 1 1 0 0
#> ERR659083 2 0 1 0 1 0
#> ERR659179 2 0 1 0 1 0
#> ERR659084 2 0 1 0 1 0
#> ERR659180 2 0 1 0 1 0
#> ERR659085 1 0 1 1 0 0
#> ERR659181 1 0 1 1 0 0
#> ERR659086 1 0 1 1 0 0
#> ERR659182 1 0 1 1 0 0
#> ERR659087 1 0 1 1 0 0
#> ERR659183 1 0 1 1 0 0
#> ERR659088 1 0 1 1 0 0
#> ERR659184 1 0 1 1 0 0
#> ERR659089 1 0 1 1 0 0
#> ERR659185 1 0 1 1 0 0
#> ERR659090 1 0 1 1 0 0
#> ERR659186 1 0 1 1 0 0
#> ERR659091 1 0 1 1 0 0
#> ERR659187 1 0 1 1 0 0
#> ERR659092 1 0 1 1 0 0
#> ERR659188 1 0 1 1 0 0
#> ERR659093 1 0 1 1 0 0
#> ERR659189 1 0 1 1 0 0
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 1 0.3610 0.758 0.800 0.000 0 0.200
#> ERR467498 1 0.3610 0.758 0.800 0.000 0 0.200
#> ERR658998 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659094 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR658999 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659095 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659000 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659096 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659001 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659097 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659002 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659098 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659003 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659099 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659004 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659100 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659005 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659101 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659006 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659102 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659007 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659103 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659008 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659104 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659009 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659105 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659010 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659106 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659011 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659107 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659012 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659108 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659013 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659109 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659014 2 0.0188 0.963 0.000 0.996 0 0.004
#> ERR659110 2 0.0188 0.963 0.000 0.996 0 0.004
#> ERR659015 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659111 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659016 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659112 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659017 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659113 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659018 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659114 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659019 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659115 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659020 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659116 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659021 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659117 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659022 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659118 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659023 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659119 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659024 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659120 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659025 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659121 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659026 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659122 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659027 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659123 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659028 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659124 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659029 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659125 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659030 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659126 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659031 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659127 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659032 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659128 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659033 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659129 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659034 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659130 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659035 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659131 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659036 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659132 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659037 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659133 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659038 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659134 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659039 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659135 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659040 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659136 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659041 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659137 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659042 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659138 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659043 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659139 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659044 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659140 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659045 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659141 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659046 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659142 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659047 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659143 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659048 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659144 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659049 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659145 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659050 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659146 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659051 1 0.3444 0.781 0.816 0.000 0 0.184
#> ERR659147 1 0.3444 0.781 0.816 0.000 0 0.184
#> ERR659052 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659148 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659053 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659149 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659054 2 0.3649 0.623 0.000 0.796 0 0.204
#> ERR659150 4 0.4585 0.000 0.000 0.332 0 0.668
#> ERR659055 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659151 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659056 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659152 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659057 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659153 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659058 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659154 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659059 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659155 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659060 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659156 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659061 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659157 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659062 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659158 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659063 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659159 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659064 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659160 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659065 2 0.3356 0.666 0.000 0.824 0 0.176
#> ERR659161 2 0.1118 0.933 0.000 0.964 0 0.036
#> ERR659066 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659162 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659067 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659163 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659068 2 0.0469 0.957 0.000 0.988 0 0.012
#> ERR659164 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659069 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659165 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659070 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659166 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659071 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659167 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659072 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659168 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659073 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659169 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659074 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659170 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659075 3 0.0000 1.000 0.000 0.000 1 0.000
#> ERR659171 3 0.0000 1.000 0.000 0.000 1 0.000
#> ERR659076 2 0.1302 0.919 0.000 0.956 0 0.044
#> ERR659172 2 0.1022 0.936 0.000 0.968 0 0.032
#> ERR659077 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659173 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659078 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659174 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659079 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659175 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659080 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659176 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659081 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659177 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659082 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659178 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659083 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659179 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659084 2 0.0336 0.961 0.000 0.992 0 0.008
#> ERR659180 2 0.0000 0.965 0.000 1.000 0 0.000
#> ERR659085 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659181 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659086 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659182 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659087 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659183 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659088 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659184 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659089 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659185 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659090 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659186 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659091 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659187 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659092 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659188 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659093 1 0.0000 0.995 1.000 0.000 0 0.000
#> ERR659189 1 0.0000 0.995 1.000 0.000 0 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 1 0.3527 0.747 0.792 0.000 0.192 0.016 0
#> ERR467498 1 0.3527 0.747 0.792 0.000 0.192 0.016 0
#> ERR658998 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659094 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR658999 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659095 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659000 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659096 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659001 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659097 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659002 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659098 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659003 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659099 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659004 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659100 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659005 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659101 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659006 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659102 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659007 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659103 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659008 2 0.0000 0.914 0.000 1.000 0.000 0.000 0
#> ERR659104 2 0.0000 0.914 0.000 1.000 0.000 0.000 0
#> ERR659009 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659105 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659010 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659106 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659011 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659107 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659012 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659108 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659013 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659109 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659014 2 0.0162 0.913 0.000 0.996 0.000 0.004 0
#> ERR659110 2 0.0609 0.902 0.000 0.980 0.000 0.020 0
#> ERR659015 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659111 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659016 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659112 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659017 2 0.0162 0.913 0.000 0.996 0.000 0.004 0
#> ERR659113 2 0.0162 0.913 0.000 0.996 0.000 0.004 0
#> ERR659018 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659114 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659019 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659115 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659020 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659116 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659021 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659117 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659022 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659118 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659023 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659119 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659024 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659120 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659025 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659121 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659026 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659122 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659027 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659123 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659028 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659124 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659029 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659125 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659030 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659126 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659031 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659127 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659032 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659128 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659033 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659129 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659034 2 0.0290 0.912 0.000 0.992 0.000 0.008 0
#> ERR659130 2 0.0290 0.912 0.000 0.992 0.000 0.008 0
#> ERR659035 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659131 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659036 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659132 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659037 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659133 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659038 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659134 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659039 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659135 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659040 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659136 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659041 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659137 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659042 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659138 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659043 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659139 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659044 2 0.0000 0.914 0.000 1.000 0.000 0.000 0
#> ERR659140 2 0.0000 0.914 0.000 1.000 0.000 0.000 0
#> ERR659045 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659141 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659046 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659142 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659047 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659143 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659048 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659144 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659049 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659145 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659050 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659146 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659051 1 0.3794 0.759 0.800 0.000 0.048 0.152 0
#> ERR659147 1 0.3794 0.759 0.800 0.000 0.048 0.152 0
#> ERR659052 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659148 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659053 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659149 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659054 4 0.4627 0.000 0.000 0.444 0.012 0.544 0
#> ERR659150 3 0.3430 0.000 0.000 0.220 0.776 0.004 0
#> ERR659055 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659151 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659056 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659152 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659057 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659153 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659058 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659154 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659059 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659155 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659060 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659156 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659061 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659157 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659062 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659158 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659063 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659159 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659064 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659160 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659065 2 0.5570 -0.232 0.000 0.608 0.104 0.288 0
#> ERR659161 2 0.2909 0.678 0.000 0.848 0.012 0.140 0
#> ERR659066 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659162 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659067 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659163 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659068 2 0.0898 0.895 0.000 0.972 0.008 0.020 0
#> ERR659164 2 0.0162 0.913 0.000 0.996 0.000 0.004 0
#> ERR659069 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659165 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659070 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659166 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659071 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659167 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659072 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659168 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659073 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659169 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659074 2 0.0000 0.914 0.000 1.000 0.000 0.000 0
#> ERR659170 2 0.0000 0.914 0.000 1.000 0.000 0.000 0
#> ERR659075 5 0.0000 1.000 0.000 0.000 0.000 0.000 1
#> ERR659171 5 0.0000 1.000 0.000 0.000 0.000 0.000 1
#> ERR659076 2 0.3123 0.605 0.000 0.828 0.012 0.160 0
#> ERR659172 2 0.3011 0.650 0.000 0.844 0.016 0.140 0
#> ERR659077 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659173 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659078 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659174 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659079 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659175 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659080 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659176 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659081 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659177 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659082 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659178 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659083 2 0.0324 0.913 0.000 0.992 0.004 0.004 0
#> ERR659179 2 0.0324 0.913 0.000 0.992 0.004 0.004 0
#> ERR659084 2 0.0880 0.891 0.000 0.968 0.000 0.032 0
#> ERR659180 2 0.0771 0.897 0.000 0.976 0.004 0.020 0
#> ERR659085 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659181 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659086 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659182 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659087 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659183 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659088 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659184 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659089 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659185 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659090 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659186 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659091 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659187 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659092 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659188 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659093 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
#> ERR659189 1 0.0000 0.995 1.000 0.000 0.000 0.000 0
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 1 0.3546 0.721 0.776 0.000 0.012 0.016 0 0.196
#> ERR467498 1 0.3546 0.721 0.776 0.000 0.012 0.016 0 0.196
#> ERR658998 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659094 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR658999 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659095 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659000 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659096 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659001 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659097 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659002 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659098 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659003 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659099 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659004 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659100 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659005 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659101 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659006 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659102 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659007 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659103 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659008 2 0.0146 0.909 0.000 0.996 0.000 0.004 0 0.000
#> ERR659104 2 0.0000 0.909 0.000 1.000 0.000 0.000 0 0.000
#> ERR659009 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659105 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659010 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659106 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659011 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659107 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659012 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659108 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659013 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659109 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659014 2 0.0146 0.908 0.000 0.996 0.004 0.000 0 0.000
#> ERR659110 2 0.1642 0.862 0.000 0.936 0.028 0.032 0 0.004
#> ERR659015 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659111 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659016 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659112 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659017 2 0.0291 0.908 0.000 0.992 0.004 0.004 0 0.000
#> ERR659113 2 0.0725 0.900 0.000 0.976 0.012 0.012 0 0.000
#> ERR659018 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659114 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659019 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659115 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659020 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659116 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659021 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659117 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659022 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659118 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659023 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659119 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659024 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659120 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659025 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659121 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659026 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659122 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659027 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659123 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659028 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659124 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659029 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659125 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659030 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659126 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659031 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659127 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659032 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659128 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659033 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659129 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659034 2 0.0363 0.908 0.000 0.988 0.000 0.012 0 0.000
#> ERR659130 2 0.0405 0.908 0.000 0.988 0.004 0.008 0 0.000
#> ERR659035 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659131 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659036 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659132 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659037 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659133 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659038 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659134 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659039 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659135 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659040 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659136 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659041 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659137 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659042 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659138 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659043 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659139 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659044 2 0.0000 0.909 0.000 1.000 0.000 0.000 0 0.000
#> ERR659140 2 0.0146 0.909 0.000 0.996 0.000 0.004 0 0.000
#> ERR659045 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659141 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659046 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659142 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659047 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659143 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659048 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659144 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659049 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659145 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659050 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659146 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659051 1 0.2793 0.758 0.800 0.000 0.200 0.000 0 0.000
#> ERR659147 1 0.2793 0.758 0.800 0.000 0.200 0.000 0 0.000
#> ERR659052 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659148 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659053 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659149 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659054 4 0.2219 0.000 0.000 0.136 0.000 0.864 0 0.000
#> ERR659150 6 0.3411 0.000 0.000 0.160 0.012 0.024 0 0.804
#> ERR659055 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659151 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659056 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659152 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659057 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659153 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659058 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659154 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659059 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659155 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659060 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659156 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659061 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659157 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659062 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659158 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659063 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659159 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659064 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659160 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659065 3 0.4455 0.000 0.000 0.352 0.616 0.016 0 0.016
#> ERR659161 2 0.4693 0.331 0.000 0.684 0.176 0.140 0 0.000
#> ERR659066 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659162 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659067 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659163 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659068 2 0.1116 0.886 0.000 0.960 0.004 0.028 0 0.008
#> ERR659164 2 0.0260 0.909 0.000 0.992 0.000 0.008 0 0.000
#> ERR659069 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659165 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659070 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659166 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659071 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659167 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659072 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659168 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659073 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659169 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659074 2 0.0000 0.909 0.000 1.000 0.000 0.000 0 0.000
#> ERR659170 2 0.0000 0.909 0.000 1.000 0.000 0.000 0 0.000
#> ERR659075 5 0.0000 1.000 0.000 0.000 0.000 0.000 1 0.000
#> ERR659171 5 0.0000 1.000 0.000 0.000 0.000 0.000 1 0.000
#> ERR659076 2 0.4360 0.316 0.000 0.680 0.060 0.260 0 0.000
#> ERR659172 2 0.4737 0.347 0.000 0.680 0.160 0.160 0 0.000
#> ERR659077 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659173 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659078 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659174 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659079 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659175 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659080 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659176 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659081 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659177 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659082 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659178 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659083 2 0.0291 0.909 0.000 0.992 0.004 0.004 0 0.000
#> ERR659179 2 0.0405 0.908 0.000 0.988 0.008 0.004 0 0.000
#> ERR659084 2 0.1225 0.880 0.000 0.952 0.012 0.036 0 0.000
#> ERR659180 2 0.1391 0.869 0.000 0.944 0.016 0.040 0 0.000
#> ERR659085 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659181 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659086 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659182 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659087 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659183 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659088 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659184 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659089 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659185 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659090 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659186 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659091 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659187 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659092 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659188 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659093 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 0.000
#> ERR659189 1 0.0000 0.995 1.000 0.000 0.000 0.000 0 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", "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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 1.000 1.000 1.000 0.219 0.782 0.782
#> 3 3 0.963 0.977 0.987 0.427 0.899 0.871
#> 4 4 0.695 0.906 0.915 0.270 1.000 1.000
#> 5 5 0.361 0.831 0.850 0.170 0.998 0.997
#> 6 6 0.352 0.705 0.813 0.072 0.982 0.973
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
#> 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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 3 0.1411 0.758 0.036 0.000 0.964
#> ERR467498 3 0.1411 0.758 0.036 0.000 0.964
#> ERR658998 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659094 1 0.0000 0.995 1.000 0.000 0.000
#> ERR658999 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659095 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659000 1 0.0592 0.982 0.988 0.000 0.012
#> ERR659096 1 0.0592 0.982 0.988 0.000 0.012
#> ERR659001 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659097 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659002 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659098 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659003 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659099 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659004 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659100 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659005 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659101 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659006 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659102 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659007 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659103 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659008 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659104 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659009 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659105 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659010 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659106 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659011 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659107 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659012 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659108 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659013 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659109 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659014 2 0.0237 0.995 0.000 0.996 0.004
#> ERR659110 2 0.0237 0.995 0.000 0.996 0.004
#> ERR659015 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659111 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659016 1 0.0237 0.991 0.996 0.000 0.004
#> ERR659112 1 0.0237 0.991 0.996 0.000 0.004
#> ERR659017 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659113 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659018 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659114 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659019 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659115 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659020 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659116 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659021 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659117 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659022 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659118 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659023 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659119 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659024 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659120 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659025 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659121 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659026 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659122 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659027 1 0.4346 0.734 0.816 0.000 0.184
#> ERR659123 1 0.4346 0.734 0.816 0.000 0.184
#> ERR659028 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659124 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659029 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659125 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659030 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659126 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659031 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659127 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659032 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659128 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659033 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659129 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659034 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659130 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659035 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659131 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659036 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659132 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659037 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659133 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659038 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659134 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659039 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659135 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659040 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659136 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659041 1 0.3192 0.853 0.888 0.000 0.112
#> ERR659137 1 0.3192 0.853 0.888 0.000 0.112
#> ERR659042 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659138 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659043 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659139 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659044 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659140 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659045 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659141 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659046 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659142 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659047 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659143 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659048 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659144 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659049 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659145 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659050 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659146 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659051 3 0.4399 0.815 0.188 0.000 0.812
#> ERR659147 3 0.4399 0.815 0.188 0.000 0.812
#> ERR659052 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659148 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659053 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659149 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659054 2 0.0747 0.990 0.000 0.984 0.016
#> ERR659150 2 0.1163 0.983 0.000 0.972 0.028
#> ERR659055 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659151 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659056 3 0.2796 0.807 0.092 0.000 0.908
#> ERR659152 3 0.2796 0.807 0.092 0.000 0.908
#> ERR659057 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659153 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659058 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659154 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659059 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659155 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659060 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659156 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659061 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659157 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659062 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659158 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659063 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659159 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659064 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659160 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659065 2 0.1163 0.983 0.000 0.972 0.028
#> ERR659161 2 0.0892 0.988 0.000 0.980 0.020
#> ERR659066 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659162 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659067 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659163 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659068 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659164 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659069 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659165 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659070 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659166 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659071 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659167 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659072 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659168 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659073 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659169 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659074 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659170 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659075 3 0.1289 0.751 0.032 0.000 0.968
#> ERR659171 3 0.1289 0.751 0.032 0.000 0.968
#> ERR659076 2 0.0592 0.992 0.000 0.988 0.012
#> ERR659172 2 0.0424 0.994 0.000 0.992 0.008
#> ERR659077 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659173 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659078 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659174 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659079 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659175 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659080 3 0.4654 0.803 0.208 0.000 0.792
#> ERR659176 3 0.4654 0.803 0.208 0.000 0.792
#> ERR659081 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659177 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659082 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659178 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659083 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659179 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659084 2 0.0424 0.994 0.000 0.992 0.008
#> ERR659180 2 0.0000 0.996 0.000 1.000 0.000
#> ERR659085 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659181 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659086 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659182 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659087 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659183 1 0.0237 0.992 0.996 0.000 0.004
#> ERR659088 3 0.5138 0.748 0.252 0.000 0.748
#> ERR659184 3 0.5138 0.748 0.252 0.000 0.748
#> ERR659089 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659185 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659090 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659186 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659091 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659187 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659092 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659188 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659093 1 0.0000 0.995 1.000 0.000 0.000
#> ERR659189 1 0.0000 0.995 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.4456 0.743 0.004 0.000 0.716 NA
#> ERR467498 3 0.4456 0.743 0.004 0.000 0.716 NA
#> ERR658998 1 0.2589 0.905 0.884 0.000 0.000 NA
#> ERR659094 1 0.2589 0.905 0.884 0.000 0.000 NA
#> ERR658999 1 0.1557 0.930 0.944 0.000 0.000 NA
#> ERR659095 1 0.1557 0.930 0.944 0.000 0.000 NA
#> ERR659000 1 0.5810 0.656 0.660 0.000 0.064 NA
#> ERR659096 1 0.5810 0.656 0.660 0.000 0.064 NA
#> ERR659001 1 0.0707 0.936 0.980 0.000 0.000 NA
#> ERR659097 1 0.0707 0.936 0.980 0.000 0.000 NA
#> ERR659002 1 0.1022 0.935 0.968 0.000 0.000 NA
#> ERR659098 1 0.1022 0.935 0.968 0.000 0.000 NA
#> ERR659003 1 0.0921 0.939 0.972 0.000 0.000 NA
#> ERR659099 1 0.0921 0.939 0.972 0.000 0.000 NA
#> ERR659004 1 0.3428 0.881 0.844 0.000 0.012 NA
#> ERR659100 1 0.3428 0.881 0.844 0.000 0.012 NA
#> ERR659005 1 0.0921 0.938 0.972 0.000 0.000 NA
#> ERR659101 1 0.0921 0.938 0.972 0.000 0.000 NA
#> ERR659006 1 0.1940 0.933 0.924 0.000 0.000 NA
#> ERR659102 1 0.1940 0.933 0.924 0.000 0.000 NA
#> ERR659007 1 0.0469 0.936 0.988 0.000 0.000 NA
#> ERR659103 1 0.0469 0.936 0.988 0.000 0.000 NA
#> ERR659008 2 0.0188 0.984 0.000 0.996 0.000 NA
#> ERR659104 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659009 1 0.3123 0.886 0.844 0.000 0.000 NA
#> ERR659105 1 0.3123 0.886 0.844 0.000 0.000 NA
#> ERR659010 1 0.1474 0.931 0.948 0.000 0.000 NA
#> ERR659106 1 0.1474 0.931 0.948 0.000 0.000 NA
#> ERR659011 1 0.1716 0.930 0.936 0.000 0.000 NA
#> ERR659107 1 0.1716 0.930 0.936 0.000 0.000 NA
#> ERR659012 1 0.2334 0.929 0.908 0.000 0.004 NA
#> ERR659108 1 0.2334 0.929 0.908 0.000 0.004 NA
#> ERR659013 1 0.3725 0.857 0.812 0.000 0.008 NA
#> ERR659109 1 0.3725 0.857 0.812 0.000 0.008 NA
#> ERR659014 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659110 2 0.0817 0.977 0.000 0.976 0.000 NA
#> ERR659015 1 0.0707 0.937 0.980 0.000 0.000 NA
#> ERR659111 1 0.0707 0.937 0.980 0.000 0.000 NA
#> ERR659016 1 0.4877 0.773 0.752 0.000 0.044 NA
#> ERR659112 1 0.4877 0.773 0.752 0.000 0.044 NA
#> ERR659017 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659113 2 0.0188 0.983 0.000 0.996 0.000 NA
#> ERR659018 1 0.0336 0.936 0.992 0.000 0.000 NA
#> ERR659114 1 0.0336 0.936 0.992 0.000 0.000 NA
#> ERR659019 1 0.1022 0.939 0.968 0.000 0.000 NA
#> ERR659115 1 0.1022 0.939 0.968 0.000 0.000 NA
#> ERR659020 1 0.0336 0.936 0.992 0.000 0.000 NA
#> ERR659116 1 0.0336 0.936 0.992 0.000 0.000 NA
#> ERR659021 1 0.0707 0.937 0.980 0.000 0.000 NA
#> ERR659117 1 0.0707 0.937 0.980 0.000 0.000 NA
#> ERR659022 1 0.1792 0.933 0.932 0.000 0.000 NA
#> ERR659118 1 0.1792 0.933 0.932 0.000 0.000 NA
#> ERR659023 1 0.1474 0.936 0.948 0.000 0.000 NA
#> ERR659119 1 0.1474 0.936 0.948 0.000 0.000 NA
#> ERR659024 1 0.0921 0.938 0.972 0.000 0.000 NA
#> ERR659120 1 0.0921 0.938 0.972 0.000 0.000 NA
#> ERR659025 1 0.2647 0.913 0.880 0.000 0.000 NA
#> ERR659121 1 0.2647 0.913 0.880 0.000 0.000 NA
#> ERR659026 1 0.2408 0.923 0.896 0.000 0.000 NA
#> ERR659122 1 0.2408 0.923 0.896 0.000 0.000 NA
#> ERR659027 1 0.7164 0.352 0.556 0.000 0.204 NA
#> ERR659123 1 0.7164 0.352 0.556 0.000 0.204 NA
#> ERR659028 1 0.2149 0.930 0.912 0.000 0.000 NA
#> ERR659124 1 0.2149 0.930 0.912 0.000 0.000 NA
#> ERR659029 1 0.1211 0.935 0.960 0.000 0.000 NA
#> ERR659125 1 0.1211 0.935 0.960 0.000 0.000 NA
#> ERR659030 1 0.1118 0.937 0.964 0.000 0.000 NA
#> ERR659126 1 0.1118 0.937 0.964 0.000 0.000 NA
#> ERR659031 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659127 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659032 1 0.1557 0.936 0.944 0.000 0.000 NA
#> ERR659128 1 0.1557 0.936 0.944 0.000 0.000 NA
#> ERR659033 1 0.1389 0.938 0.952 0.000 0.000 NA
#> ERR659129 1 0.1389 0.938 0.952 0.000 0.000 NA
#> ERR659034 2 0.0188 0.984 0.000 0.996 0.000 NA
#> ERR659130 2 0.0188 0.984 0.000 0.996 0.000 NA
#> ERR659035 1 0.1637 0.938 0.940 0.000 0.000 NA
#> ERR659131 1 0.1637 0.938 0.940 0.000 0.000 NA
#> ERR659036 1 0.5361 0.717 0.716 0.000 0.060 NA
#> ERR659132 1 0.5361 0.717 0.716 0.000 0.060 NA
#> ERR659037 1 0.0921 0.938 0.972 0.000 0.000 NA
#> ERR659133 1 0.0921 0.938 0.972 0.000 0.000 NA
#> ERR659038 1 0.2011 0.933 0.920 0.000 0.000 NA
#> ERR659134 1 0.2011 0.933 0.920 0.000 0.000 NA
#> ERR659039 1 0.0817 0.937 0.976 0.000 0.000 NA
#> ERR659135 1 0.0817 0.937 0.976 0.000 0.000 NA
#> ERR659040 1 0.1867 0.931 0.928 0.000 0.000 NA
#> ERR659136 1 0.1867 0.931 0.928 0.000 0.000 NA
#> ERR659041 1 0.7336 0.279 0.520 0.000 0.196 NA
#> ERR659137 1 0.7336 0.279 0.520 0.000 0.196 NA
#> ERR659042 1 0.2918 0.905 0.876 0.000 0.008 NA
#> ERR659138 1 0.2918 0.905 0.876 0.000 0.008 NA
#> ERR659043 1 0.2345 0.928 0.900 0.000 0.000 NA
#> ERR659139 1 0.2345 0.928 0.900 0.000 0.000 NA
#> ERR659044 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659140 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659045 1 0.1302 0.939 0.956 0.000 0.000 NA
#> ERR659141 1 0.1302 0.939 0.956 0.000 0.000 NA
#> ERR659046 1 0.1211 0.937 0.960 0.000 0.000 NA
#> ERR659142 1 0.1211 0.937 0.960 0.000 0.000 NA
#> ERR659047 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659143 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659048 1 0.1716 0.933 0.936 0.000 0.000 NA
#> ERR659144 1 0.1716 0.933 0.936 0.000 0.000 NA
#> ERR659049 1 0.2345 0.931 0.900 0.000 0.000 NA
#> ERR659145 1 0.2345 0.931 0.900 0.000 0.000 NA
#> ERR659050 1 0.1716 0.937 0.936 0.000 0.000 NA
#> ERR659146 1 0.1716 0.937 0.936 0.000 0.000 NA
#> ERR659051 3 0.5767 0.792 0.060 0.000 0.660 NA
#> ERR659147 3 0.5767 0.792 0.060 0.000 0.660 NA
#> ERR659052 1 0.1867 0.938 0.928 0.000 0.000 NA
#> ERR659148 1 0.1867 0.938 0.928 0.000 0.000 NA
#> ERR659053 1 0.1389 0.934 0.952 0.000 0.000 NA
#> ERR659149 1 0.1389 0.934 0.952 0.000 0.000 NA
#> ERR659054 2 0.1867 0.953 0.000 0.928 0.000 NA
#> ERR659150 2 0.1867 0.955 0.000 0.928 0.000 NA
#> ERR659055 1 0.0469 0.936 0.988 0.000 0.000 NA
#> ERR659151 1 0.0469 0.936 0.988 0.000 0.000 NA
#> ERR659056 3 0.1824 0.812 0.060 0.000 0.936 NA
#> ERR659152 3 0.1824 0.812 0.060 0.000 0.936 NA
#> ERR659057 1 0.1118 0.939 0.964 0.000 0.000 NA
#> ERR659153 1 0.1118 0.939 0.964 0.000 0.000 NA
#> ERR659058 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659154 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659059 1 0.1792 0.939 0.932 0.000 0.000 NA
#> ERR659155 1 0.1792 0.939 0.932 0.000 0.000 NA
#> ERR659060 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659156 1 0.1867 0.937 0.928 0.000 0.000 NA
#> ERR659061 1 0.2011 0.932 0.920 0.000 0.000 NA
#> ERR659157 1 0.2011 0.932 0.920 0.000 0.000 NA
#> ERR659062 1 0.2281 0.930 0.904 0.000 0.000 NA
#> ERR659158 1 0.2281 0.930 0.904 0.000 0.000 NA
#> ERR659063 1 0.2011 0.936 0.920 0.000 0.000 NA
#> ERR659159 1 0.2011 0.936 0.920 0.000 0.000 NA
#> ERR659064 1 0.1867 0.931 0.928 0.000 0.000 NA
#> ERR659160 1 0.1867 0.931 0.928 0.000 0.000 NA
#> ERR659065 2 0.2081 0.947 0.000 0.916 0.000 NA
#> ERR659161 2 0.1716 0.958 0.000 0.936 0.000 NA
#> ERR659066 1 0.1557 0.938 0.944 0.000 0.000 NA
#> ERR659162 1 0.1557 0.938 0.944 0.000 0.000 NA
#> ERR659067 1 0.1118 0.936 0.964 0.000 0.000 NA
#> ERR659163 1 0.1118 0.936 0.964 0.000 0.000 NA
#> ERR659068 2 0.0188 0.984 0.000 0.996 0.000 NA
#> ERR659164 2 0.0188 0.984 0.000 0.996 0.000 NA
#> ERR659069 1 0.1211 0.939 0.960 0.000 0.000 NA
#> ERR659165 1 0.1211 0.939 0.960 0.000 0.000 NA
#> ERR659070 1 0.2868 0.907 0.864 0.000 0.000 NA
#> ERR659166 1 0.2868 0.907 0.864 0.000 0.000 NA
#> ERR659071 1 0.1792 0.933 0.932 0.000 0.000 NA
#> ERR659167 1 0.1792 0.933 0.932 0.000 0.000 NA
#> ERR659072 1 0.2345 0.923 0.900 0.000 0.000 NA
#> ERR659168 1 0.2345 0.923 0.900 0.000 0.000 NA
#> ERR659073 1 0.2530 0.910 0.888 0.000 0.000 NA
#> ERR659169 1 0.2530 0.910 0.888 0.000 0.000 NA
#> ERR659074 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659170 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659075 3 0.4008 0.739 0.000 0.000 0.756 NA
#> ERR659171 3 0.4008 0.739 0.000 0.000 0.756 NA
#> ERR659076 2 0.1557 0.963 0.000 0.944 0.000 NA
#> ERR659172 2 0.1118 0.972 0.000 0.964 0.000 NA
#> ERR659077 1 0.2469 0.915 0.892 0.000 0.000 NA
#> ERR659173 1 0.2469 0.915 0.892 0.000 0.000 NA
#> ERR659078 1 0.2149 0.928 0.912 0.000 0.000 NA
#> ERR659174 1 0.2149 0.928 0.912 0.000 0.000 NA
#> ERR659079 1 0.2530 0.913 0.888 0.000 0.000 NA
#> ERR659175 1 0.2530 0.913 0.888 0.000 0.000 NA
#> ERR659080 3 0.4898 0.789 0.116 0.000 0.780 NA
#> ERR659176 3 0.4898 0.789 0.116 0.000 0.780 NA
#> ERR659081 1 0.0469 0.936 0.988 0.000 0.000 NA
#> ERR659177 1 0.0469 0.936 0.988 0.000 0.000 NA
#> ERR659082 1 0.2011 0.924 0.920 0.000 0.000 NA
#> ERR659178 1 0.2011 0.924 0.920 0.000 0.000 NA
#> ERR659083 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659179 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659084 2 0.0921 0.976 0.000 0.972 0.000 NA
#> ERR659180 2 0.0000 0.984 0.000 1.000 0.000 NA
#> ERR659085 1 0.0817 0.935 0.976 0.000 0.000 NA
#> ERR659181 1 0.0817 0.935 0.976 0.000 0.000 NA
#> ERR659086 1 0.1637 0.936 0.940 0.000 0.000 NA
#> ERR659182 1 0.1637 0.936 0.940 0.000 0.000 NA
#> ERR659087 1 0.2011 0.925 0.920 0.000 0.000 NA
#> ERR659183 1 0.2011 0.925 0.920 0.000 0.000 NA
#> ERR659088 3 0.5512 0.726 0.172 0.000 0.728 NA
#> ERR659184 3 0.5512 0.726 0.172 0.000 0.728 NA
#> ERR659089 1 0.1716 0.932 0.936 0.000 0.000 NA
#> ERR659185 1 0.1716 0.932 0.936 0.000 0.000 NA
#> ERR659090 1 0.1302 0.936 0.956 0.000 0.000 NA
#> ERR659186 1 0.1302 0.936 0.956 0.000 0.000 NA
#> ERR659091 1 0.0707 0.937 0.980 0.000 0.000 NA
#> ERR659187 1 0.0707 0.937 0.980 0.000 0.000 NA
#> ERR659092 1 0.1637 0.934 0.940 0.000 0.000 NA
#> ERR659188 1 0.1637 0.934 0.940 0.000 0.000 NA
#> ERR659093 1 0.0817 0.935 0.976 0.000 0.000 NA
#> ERR659189 1 0.0817 0.935 0.976 0.000 0.000 NA
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.4390 0.6444 0.000 0.000 0.760 0.156 NA
#> ERR467498 3 0.4390 0.6444 0.000 0.000 0.760 0.156 NA
#> ERR658998 1 0.3527 0.8438 0.792 0.000 0.000 0.016 NA
#> ERR659094 1 0.3527 0.8438 0.792 0.000 0.000 0.016 NA
#> ERR658999 1 0.2753 0.8787 0.856 0.000 0.000 0.008 NA
#> ERR659095 1 0.2753 0.8787 0.856 0.000 0.000 0.008 NA
#> ERR659000 1 0.6346 0.4249 0.548 0.000 0.004 0.236 NA
#> ERR659096 1 0.6346 0.4249 0.548 0.000 0.004 0.236 NA
#> ERR659001 1 0.1608 0.8872 0.928 0.000 0.000 0.000 NA
#> ERR659097 1 0.1608 0.8872 0.928 0.000 0.000 0.000 NA
#> ERR659002 1 0.1768 0.8944 0.924 0.000 0.000 0.004 NA
#> ERR659098 1 0.1768 0.8944 0.924 0.000 0.000 0.004 NA
#> ERR659003 1 0.1792 0.8886 0.916 0.000 0.000 0.000 NA
#> ERR659099 1 0.1792 0.8886 0.916 0.000 0.000 0.000 NA
#> ERR659004 1 0.4666 0.7461 0.704 0.000 0.000 0.056 NA
#> ERR659100 1 0.4666 0.7461 0.704 0.000 0.000 0.056 NA
#> ERR659005 1 0.2130 0.8890 0.908 0.000 0.000 0.012 NA
#> ERR659101 1 0.2130 0.8890 0.908 0.000 0.000 0.012 NA
#> ERR659006 1 0.3675 0.8394 0.788 0.000 0.000 0.024 NA
#> ERR659102 1 0.3675 0.8394 0.788 0.000 0.000 0.024 NA
#> ERR659007 1 0.1341 0.8858 0.944 0.000 0.000 0.000 NA
#> ERR659103 1 0.1341 0.8858 0.944 0.000 0.000 0.000 NA
#> ERR659008 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659104 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659009 1 0.4229 0.7731 0.704 0.000 0.000 0.020 NA
#> ERR659105 1 0.4229 0.7731 0.704 0.000 0.000 0.020 NA
#> ERR659010 1 0.2516 0.8820 0.860 0.000 0.000 0.000 NA
#> ERR659106 1 0.2516 0.8820 0.860 0.000 0.000 0.000 NA
#> ERR659011 1 0.2890 0.8696 0.836 0.000 0.000 0.004 NA
#> ERR659107 1 0.2890 0.8696 0.836 0.000 0.000 0.004 NA
#> ERR659012 1 0.3368 0.8701 0.820 0.000 0.000 0.024 NA
#> ERR659108 1 0.3368 0.8701 0.820 0.000 0.000 0.024 NA
#> ERR659013 1 0.4734 0.7661 0.724 0.000 0.000 0.088 NA
#> ERR659109 1 0.4734 0.7661 0.724 0.000 0.000 0.088 NA
#> ERR659014 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659110 2 0.1106 0.9680 0.000 0.964 0.000 0.024 NA
#> ERR659015 1 0.1544 0.8884 0.932 0.000 0.000 0.000 NA
#> ERR659111 1 0.1544 0.8884 0.932 0.000 0.000 0.000 NA
#> ERR659016 1 0.5763 0.5810 0.620 0.000 0.000 0.188 NA
#> ERR659112 1 0.5763 0.5810 0.620 0.000 0.000 0.188 NA
#> ERR659017 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659113 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659018 1 0.1478 0.8900 0.936 0.000 0.000 0.000 NA
#> ERR659114 1 0.1478 0.8900 0.936 0.000 0.000 0.000 NA
#> ERR659019 1 0.2286 0.8852 0.888 0.000 0.000 0.004 NA
#> ERR659115 1 0.2286 0.8852 0.888 0.000 0.000 0.004 NA
#> ERR659020 1 0.1270 0.8895 0.948 0.000 0.000 0.000 NA
#> ERR659116 1 0.1270 0.8895 0.948 0.000 0.000 0.000 NA
#> ERR659021 1 0.1478 0.8936 0.936 0.000 0.000 0.000 NA
#> ERR659117 1 0.1478 0.8936 0.936 0.000 0.000 0.000 NA
#> ERR659022 1 0.1764 0.8935 0.928 0.000 0.000 0.008 NA
#> ERR659118 1 0.1764 0.8935 0.928 0.000 0.000 0.008 NA
#> ERR659023 1 0.1877 0.8905 0.924 0.000 0.000 0.012 NA
#> ERR659119 1 0.1877 0.8905 0.924 0.000 0.000 0.012 NA
#> ERR659024 1 0.1478 0.8884 0.936 0.000 0.000 0.000 NA
#> ERR659120 1 0.1478 0.8884 0.936 0.000 0.000 0.000 NA
#> ERR659025 1 0.3099 0.8691 0.848 0.000 0.000 0.028 NA
#> ERR659121 1 0.3099 0.8691 0.848 0.000 0.000 0.028 NA
#> ERR659026 1 0.3789 0.8346 0.768 0.000 0.000 0.020 NA
#> ERR659122 1 0.3789 0.8346 0.768 0.000 0.000 0.020 NA
#> ERR659027 1 0.7457 -0.0282 0.440 0.000 0.072 0.340 NA
#> ERR659123 1 0.7457 -0.0282 0.440 0.000 0.072 0.340 NA
#> ERR659028 1 0.2462 0.8819 0.880 0.000 0.000 0.008 NA
#> ERR659124 1 0.2462 0.8819 0.880 0.000 0.000 0.008 NA
#> ERR659029 1 0.1830 0.8905 0.924 0.000 0.000 0.008 NA
#> ERR659125 1 0.1830 0.8905 0.924 0.000 0.000 0.008 NA
#> ERR659030 1 0.1638 0.8884 0.932 0.000 0.000 0.004 NA
#> ERR659126 1 0.1638 0.8884 0.932 0.000 0.000 0.004 NA
#> ERR659031 1 0.2189 0.8938 0.904 0.000 0.000 0.012 NA
#> ERR659127 1 0.2189 0.8938 0.904 0.000 0.000 0.012 NA
#> ERR659032 1 0.1894 0.8876 0.920 0.000 0.000 0.008 NA
#> ERR659128 1 0.1894 0.8876 0.920 0.000 0.000 0.008 NA
#> ERR659033 1 0.2464 0.8921 0.888 0.000 0.000 0.016 NA
#> ERR659129 1 0.2464 0.8921 0.888 0.000 0.000 0.016 NA
#> ERR659034 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659130 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659035 1 0.2921 0.8785 0.856 0.000 0.000 0.020 NA
#> ERR659131 1 0.2921 0.8785 0.856 0.000 0.000 0.020 NA
#> ERR659036 1 0.5975 0.5180 0.588 0.000 0.000 0.188 NA
#> ERR659132 1 0.5975 0.5180 0.588 0.000 0.000 0.188 NA
#> ERR659037 1 0.1768 0.8950 0.924 0.000 0.000 0.004 NA
#> ERR659133 1 0.1768 0.8950 0.924 0.000 0.000 0.004 NA
#> ERR659038 1 0.3093 0.8692 0.824 0.000 0.000 0.008 NA
#> ERR659134 1 0.3093 0.8692 0.824 0.000 0.000 0.008 NA
#> ERR659039 1 0.1544 0.8920 0.932 0.000 0.000 0.000 NA
#> ERR659135 1 0.1544 0.8920 0.932 0.000 0.000 0.000 NA
#> ERR659040 1 0.2522 0.8855 0.880 0.000 0.000 0.012 NA
#> ERR659136 1 0.2522 0.8855 0.880 0.000 0.000 0.012 NA
#> ERR659041 1 0.7389 -0.1639 0.392 0.000 0.044 0.372 NA
#> ERR659137 1 0.7389 -0.1639 0.392 0.000 0.044 0.372 NA
#> ERR659042 1 0.4252 0.8170 0.764 0.000 0.000 0.064 NA
#> ERR659138 1 0.4252 0.8170 0.764 0.000 0.000 0.064 NA
#> ERR659043 1 0.2470 0.8928 0.884 0.000 0.000 0.012 NA
#> ERR659139 1 0.2470 0.8928 0.884 0.000 0.000 0.012 NA
#> ERR659044 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659140 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659045 1 0.1732 0.8910 0.920 0.000 0.000 0.000 NA
#> ERR659141 1 0.1732 0.8910 0.920 0.000 0.000 0.000 NA
#> ERR659046 1 0.1952 0.8852 0.912 0.000 0.000 0.004 NA
#> ERR659142 1 0.1952 0.8852 0.912 0.000 0.000 0.004 NA
#> ERR659047 1 0.2411 0.8876 0.884 0.000 0.000 0.008 NA
#> ERR659143 1 0.2411 0.8876 0.884 0.000 0.000 0.008 NA
#> ERR659048 1 0.2249 0.8838 0.896 0.000 0.000 0.008 NA
#> ERR659144 1 0.2249 0.8838 0.896 0.000 0.000 0.008 NA
#> ERR659049 1 0.3958 0.8447 0.780 0.000 0.000 0.044 NA
#> ERR659145 1 0.3958 0.8447 0.780 0.000 0.000 0.044 NA
#> ERR659050 1 0.2248 0.8941 0.900 0.000 0.000 0.012 NA
#> ERR659146 1 0.2248 0.8941 0.900 0.000 0.000 0.012 NA
#> ERR659051 4 0.6096 0.1026 0.008 0.000 0.312 0.560 NA
#> ERR659147 4 0.6096 0.1026 0.008 0.000 0.312 0.560 NA
#> ERR659052 1 0.2660 0.8778 0.864 0.000 0.000 0.008 NA
#> ERR659148 1 0.2660 0.8778 0.864 0.000 0.000 0.008 NA
#> ERR659053 1 0.1831 0.8894 0.920 0.000 0.000 0.004 NA
#> ERR659149 1 0.1831 0.8894 0.920 0.000 0.000 0.004 NA
#> ERR659054 2 0.2139 0.9408 0.000 0.916 0.000 0.052 NA
#> ERR659150 2 0.2522 0.9257 0.000 0.896 0.000 0.052 NA
#> ERR659055 1 0.1270 0.8894 0.948 0.000 0.000 0.000 NA
#> ERR659151 1 0.1270 0.8894 0.948 0.000 0.000 0.000 NA
#> ERR659056 3 0.4442 0.3517 0.016 0.000 0.676 0.304 NA
#> ERR659152 3 0.4442 0.3517 0.016 0.000 0.676 0.304 NA
#> ERR659057 1 0.1952 0.8941 0.912 0.000 0.000 0.004 NA
#> ERR659153 1 0.1952 0.8941 0.912 0.000 0.000 0.004 NA
#> ERR659058 1 0.2843 0.8776 0.848 0.000 0.000 0.008 NA
#> ERR659154 1 0.2843 0.8776 0.848 0.000 0.000 0.008 NA
#> ERR659059 1 0.2488 0.8873 0.872 0.000 0.000 0.004 NA
#> ERR659155 1 0.2488 0.8873 0.872 0.000 0.000 0.004 NA
#> ERR659060 1 0.2674 0.8877 0.868 0.000 0.000 0.012 NA
#> ERR659156 1 0.2674 0.8877 0.868 0.000 0.000 0.012 NA
#> ERR659061 1 0.3163 0.8682 0.824 0.000 0.000 0.012 NA
#> ERR659157 1 0.3163 0.8682 0.824 0.000 0.000 0.012 NA
#> ERR659062 1 0.3264 0.8652 0.820 0.000 0.000 0.016 NA
#> ERR659158 1 0.3264 0.8652 0.820 0.000 0.000 0.016 NA
#> ERR659063 1 0.3053 0.8761 0.828 0.000 0.000 0.008 NA
#> ERR659159 1 0.3053 0.8761 0.828 0.000 0.000 0.008 NA
#> ERR659064 1 0.2249 0.8806 0.896 0.000 0.000 0.008 NA
#> ERR659160 1 0.2249 0.8806 0.896 0.000 0.000 0.008 NA
#> ERR659065 2 0.2304 0.9353 0.000 0.908 0.000 0.044 NA
#> ERR659161 2 0.1750 0.9537 0.000 0.936 0.000 0.028 NA
#> ERR659066 1 0.2624 0.8804 0.872 0.000 0.000 0.012 NA
#> ERR659162 1 0.2624 0.8804 0.872 0.000 0.000 0.012 NA
#> ERR659067 1 0.1544 0.8869 0.932 0.000 0.000 0.000 NA
#> ERR659163 1 0.1544 0.8869 0.932 0.000 0.000 0.000 NA
#> ERR659068 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659164 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659069 1 0.2011 0.8942 0.908 0.000 0.000 0.004 NA
#> ERR659165 1 0.2011 0.8942 0.908 0.000 0.000 0.004 NA
#> ERR659070 1 0.3061 0.8681 0.844 0.000 0.000 0.020 NA
#> ERR659166 1 0.3061 0.8681 0.844 0.000 0.000 0.020 NA
#> ERR659071 1 0.2719 0.8758 0.852 0.000 0.000 0.004 NA
#> ERR659167 1 0.2719 0.8758 0.852 0.000 0.000 0.004 NA
#> ERR659072 1 0.3003 0.8596 0.812 0.000 0.000 0.000 NA
#> ERR659168 1 0.3003 0.8596 0.812 0.000 0.000 0.000 NA
#> ERR659073 1 0.3970 0.8127 0.744 0.000 0.000 0.020 NA
#> ERR659169 1 0.3970 0.8127 0.744 0.000 0.000 0.020 NA
#> ERR659074 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659170 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659075 3 0.0807 0.6796 0.000 0.000 0.976 0.012 NA
#> ERR659171 3 0.0807 0.6796 0.000 0.000 0.976 0.012 NA
#> ERR659076 2 0.1741 0.9540 0.000 0.936 0.000 0.040 NA
#> ERR659172 2 0.0807 0.9728 0.000 0.976 0.000 0.012 NA
#> ERR659077 1 0.3391 0.8512 0.800 0.000 0.000 0.012 NA
#> ERR659173 1 0.3391 0.8512 0.800 0.000 0.000 0.012 NA
#> ERR659078 1 0.2997 0.8755 0.840 0.000 0.000 0.012 NA
#> ERR659174 1 0.2997 0.8755 0.840 0.000 0.000 0.012 NA
#> ERR659079 1 0.3209 0.8560 0.812 0.000 0.000 0.008 NA
#> ERR659175 1 0.3209 0.8560 0.812 0.000 0.000 0.008 NA
#> ERR659080 4 0.6141 0.5910 0.084 0.000 0.360 0.536 NA
#> ERR659176 4 0.6141 0.5910 0.084 0.000 0.360 0.536 NA
#> ERR659081 1 0.1544 0.8844 0.932 0.000 0.000 0.000 NA
#> ERR659177 1 0.1544 0.8844 0.932 0.000 0.000 0.000 NA
#> ERR659082 1 0.2777 0.8682 0.864 0.000 0.000 0.016 NA
#> ERR659178 1 0.2777 0.8682 0.864 0.000 0.000 0.016 NA
#> ERR659083 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659179 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659084 2 0.1281 0.9644 0.000 0.956 0.000 0.032 NA
#> ERR659180 2 0.0000 0.9814 0.000 1.000 0.000 0.000 NA
#> ERR659085 1 0.2233 0.8927 0.892 0.000 0.000 0.004 NA
#> ERR659181 1 0.2233 0.8927 0.892 0.000 0.000 0.004 NA
#> ERR659086 1 0.2462 0.8899 0.880 0.000 0.000 0.008 NA
#> ERR659182 1 0.2462 0.8899 0.880 0.000 0.000 0.008 NA
#> ERR659087 1 0.2806 0.8815 0.844 0.000 0.000 0.004 NA
#> ERR659183 1 0.2806 0.8815 0.844 0.000 0.000 0.004 NA
#> ERR659088 4 0.6674 0.5841 0.116 0.000 0.352 0.500 NA
#> ERR659184 4 0.6674 0.5841 0.116 0.000 0.352 0.500 NA
#> ERR659089 1 0.3098 0.8654 0.836 0.000 0.000 0.016 NA
#> ERR659185 1 0.3098 0.8654 0.836 0.000 0.000 0.016 NA
#> ERR659090 1 0.2563 0.8735 0.872 0.000 0.000 0.008 NA
#> ERR659186 1 0.2563 0.8735 0.872 0.000 0.000 0.008 NA
#> ERR659091 1 0.1478 0.8874 0.936 0.000 0.000 0.000 NA
#> ERR659187 1 0.1478 0.8874 0.936 0.000 0.000 0.000 NA
#> ERR659092 1 0.1732 0.8918 0.920 0.000 0.000 0.000 NA
#> ERR659188 1 0.1732 0.8918 0.920 0.000 0.000 0.000 NA
#> ERR659093 1 0.1894 0.8927 0.920 0.000 0.000 0.008 NA
#> ERR659189 1 0.1894 0.8927 0.920 0.000 0.000 0.008 NA
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0.5890 0.0807 0.000 0.000 0.004 0.448 0.176 NA
#> ERR467498 4 0.5890 0.0807 0.000 0.000 0.004 0.448 0.176 NA
#> ERR658998 1 0.4271 0.6252 0.712 0.000 0.232 0.000 0.008 NA
#> ERR659094 1 0.4271 0.6252 0.712 0.000 0.232 0.000 0.008 NA
#> ERR658999 1 0.2809 0.7809 0.848 0.000 0.128 0.000 0.004 NA
#> ERR659095 1 0.2809 0.7809 0.848 0.000 0.128 0.000 0.004 NA
#> ERR659000 1 0.7331 -0.5646 0.440 0.000 0.324 0.064 0.116 NA
#> ERR659096 1 0.7331 -0.5646 0.440 0.000 0.324 0.064 0.116 NA
#> ERR659001 1 0.1461 0.7985 0.940 0.000 0.044 0.000 0.000 NA
#> ERR659097 1 0.1461 0.7985 0.940 0.000 0.044 0.000 0.000 NA
#> ERR659002 1 0.1888 0.8082 0.916 0.000 0.068 0.000 0.004 NA
#> ERR659098 1 0.1888 0.8082 0.916 0.000 0.068 0.000 0.004 NA
#> ERR659003 1 0.2288 0.7957 0.896 0.000 0.072 0.000 0.004 NA
#> ERR659099 1 0.2288 0.7957 0.896 0.000 0.072 0.000 0.004 NA
#> ERR659004 1 0.4936 0.4534 0.668 0.000 0.248 0.004 0.060 NA
#> ERR659100 1 0.4936 0.4534 0.668 0.000 0.248 0.004 0.060 NA
#> ERR659005 1 0.2401 0.7960 0.892 0.000 0.060 0.000 0.004 NA
#> ERR659101 1 0.2401 0.7960 0.892 0.000 0.060 0.000 0.004 NA
#> ERR659006 1 0.3415 0.7443 0.808 0.000 0.152 0.000 0.012 NA
#> ERR659102 1 0.3415 0.7443 0.808 0.000 0.152 0.000 0.012 NA
#> ERR659007 1 0.1408 0.7926 0.944 0.000 0.036 0.000 0.000 NA
#> ERR659103 1 0.1408 0.7926 0.944 0.000 0.036 0.000 0.000 NA
#> ERR659008 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659104 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659009 1 0.4923 0.3781 0.608 0.000 0.324 0.000 0.012 NA
#> ERR659105 1 0.4923 0.3781 0.608 0.000 0.324 0.000 0.012 NA
#> ERR659010 1 0.3252 0.7717 0.828 0.000 0.128 0.000 0.012 NA
#> ERR659106 1 0.3252 0.7717 0.828 0.000 0.128 0.000 0.012 NA
#> ERR659011 1 0.2658 0.7922 0.864 0.000 0.112 0.000 0.008 NA
#> ERR659107 1 0.2658 0.7922 0.864 0.000 0.112 0.000 0.008 NA
#> ERR659012 1 0.3208 0.7685 0.832 0.000 0.120 0.000 0.008 NA
#> ERR659108 1 0.3208 0.7685 0.832 0.000 0.120 0.000 0.008 NA
#> ERR659013 1 0.5192 0.4830 0.660 0.000 0.248 0.012 0.036 NA
#> ERR659109 1 0.5192 0.4830 0.660 0.000 0.248 0.012 0.036 NA
#> ERR659014 2 0.0146 0.9638 0.000 0.996 0.000 0.000 0.004 NA
#> ERR659110 2 0.1552 0.9431 0.000 0.940 0.004 0.000 0.020 NA
#> ERR659015 1 0.2088 0.7989 0.904 0.000 0.068 0.000 0.000 NA
#> ERR659111 1 0.2088 0.7989 0.904 0.000 0.068 0.000 0.000 NA
#> ERR659016 1 0.6830 -0.2272 0.540 0.000 0.252 0.064 0.100 NA
#> ERR659112 1 0.6830 -0.2272 0.540 0.000 0.252 0.064 0.100 NA
#> ERR659017 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659113 2 0.0146 0.9639 0.000 0.996 0.000 0.000 0.004 NA
#> ERR659018 1 0.1769 0.8002 0.924 0.000 0.060 0.000 0.004 NA
#> ERR659114 1 0.1769 0.8002 0.924 0.000 0.060 0.000 0.004 NA
#> ERR659019 1 0.1970 0.8016 0.900 0.000 0.092 0.000 0.000 NA
#> ERR659115 1 0.1970 0.8016 0.900 0.000 0.092 0.000 0.000 NA
#> ERR659020 1 0.1320 0.7998 0.948 0.000 0.036 0.000 0.000 NA
#> ERR659116 1 0.1320 0.7998 0.948 0.000 0.036 0.000 0.000 NA
#> ERR659021 1 0.1882 0.8043 0.920 0.000 0.060 0.000 0.008 NA
#> ERR659117 1 0.1882 0.8043 0.920 0.000 0.060 0.000 0.008 NA
#> ERR659022 1 0.1958 0.8006 0.896 0.000 0.100 0.000 0.004 NA
#> ERR659118 1 0.1958 0.8006 0.896 0.000 0.100 0.000 0.004 NA
#> ERR659023 1 0.2588 0.7962 0.876 0.000 0.092 0.000 0.008 NA
#> ERR659119 1 0.2588 0.7962 0.876 0.000 0.092 0.000 0.008 NA
#> ERR659024 1 0.2056 0.7989 0.904 0.000 0.080 0.000 0.004 NA
#> ERR659120 1 0.2056 0.7989 0.904 0.000 0.080 0.000 0.004 NA
#> ERR659025 1 0.3529 0.7463 0.788 0.000 0.176 0.000 0.028 NA
#> ERR659121 1 0.3529 0.7463 0.788 0.000 0.176 0.000 0.028 NA
#> ERR659026 1 0.4322 0.5448 0.680 0.000 0.280 0.000 0.016 NA
#> ERR659122 1 0.4322 0.5448 0.680 0.000 0.280 0.000 0.016 NA
#> ERR659027 1 0.7848 -0.8146 0.372 0.000 0.256 0.232 0.108 NA
#> ERR659123 1 0.7848 -0.8146 0.372 0.000 0.256 0.232 0.108 NA
#> ERR659028 1 0.2714 0.7823 0.848 0.000 0.136 0.000 0.004 NA
#> ERR659124 1 0.2714 0.7823 0.848 0.000 0.136 0.000 0.004 NA
#> ERR659029 1 0.2174 0.7972 0.896 0.000 0.088 0.000 0.008 NA
#> ERR659125 1 0.2174 0.7972 0.896 0.000 0.088 0.000 0.008 NA
#> ERR659030 1 0.1866 0.8017 0.908 0.000 0.084 0.000 0.008 NA
#> ERR659126 1 0.1866 0.8017 0.908 0.000 0.084 0.000 0.008 NA
#> ERR659031 1 0.2373 0.8065 0.888 0.000 0.084 0.000 0.004 NA
#> ERR659127 1 0.2373 0.8065 0.888 0.000 0.084 0.000 0.004 NA
#> ERR659032 1 0.2383 0.7954 0.880 0.000 0.096 0.000 0.000 NA
#> ERR659128 1 0.2383 0.7954 0.880 0.000 0.096 0.000 0.000 NA
#> ERR659033 1 0.2237 0.8068 0.896 0.000 0.080 0.000 0.004 NA
#> ERR659129 1 0.2237 0.8068 0.896 0.000 0.080 0.000 0.004 NA
#> ERR659034 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659130 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659035 1 0.2872 0.7842 0.832 0.000 0.152 0.000 0.012 NA
#> ERR659131 1 0.2872 0.7842 0.832 0.000 0.152 0.000 0.012 NA
#> ERR659036 1 0.6869 -0.2531 0.536 0.000 0.260 0.068 0.080 NA
#> ERR659132 1 0.6869 -0.2531 0.536 0.000 0.260 0.068 0.080 NA
#> ERR659037 1 0.2113 0.8072 0.896 0.000 0.092 0.000 0.008 NA
#> ERR659133 1 0.2113 0.8072 0.896 0.000 0.092 0.000 0.008 NA
#> ERR659038 1 0.3452 0.7446 0.792 0.000 0.176 0.000 0.008 NA
#> ERR659134 1 0.3452 0.7446 0.792 0.000 0.176 0.000 0.008 NA
#> ERR659039 1 0.1888 0.8005 0.916 0.000 0.068 0.000 0.004 NA
#> ERR659135 1 0.1888 0.8005 0.916 0.000 0.068 0.000 0.004 NA
#> ERR659040 1 0.3275 0.7756 0.820 0.000 0.140 0.000 0.008 NA
#> ERR659136 1 0.3275 0.7756 0.820 0.000 0.140 0.000 0.008 NA
#> ERR659041 3 0.7930 1.0000 0.324 0.000 0.340 0.176 0.120 NA
#> ERR659137 3 0.7930 1.0000 0.324 0.000 0.340 0.176 0.120 NA
#> ERR659042 1 0.4025 0.6931 0.760 0.000 0.188 0.004 0.032 NA
#> ERR659138 1 0.4025 0.6931 0.760 0.000 0.188 0.004 0.032 NA
#> ERR659043 1 0.2988 0.7851 0.824 0.000 0.152 0.000 0.000 NA
#> ERR659139 1 0.2988 0.7851 0.824 0.000 0.152 0.000 0.000 NA
#> ERR659044 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659140 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659045 1 0.1882 0.8054 0.920 0.000 0.060 0.000 0.008 NA
#> ERR659141 1 0.1882 0.8054 0.920 0.000 0.060 0.000 0.008 NA
#> ERR659046 1 0.2051 0.7884 0.896 0.000 0.096 0.000 0.004 NA
#> ERR659142 1 0.2051 0.7884 0.896 0.000 0.096 0.000 0.004 NA
#> ERR659047 1 0.2662 0.7760 0.840 0.000 0.152 0.000 0.004 NA
#> ERR659143 1 0.2662 0.7760 0.840 0.000 0.152 0.000 0.004 NA
#> ERR659048 1 0.2611 0.7841 0.864 0.000 0.116 0.000 0.012 NA
#> ERR659144 1 0.2611 0.7841 0.864 0.000 0.116 0.000 0.012 NA
#> ERR659049 1 0.4362 0.6100 0.688 0.000 0.264 0.000 0.012 NA
#> ERR659145 1 0.4362 0.6100 0.688 0.000 0.264 0.000 0.012 NA
#> ERR659050 1 0.2604 0.8088 0.872 0.000 0.096 0.000 0.004 NA
#> ERR659146 1 0.2604 0.8088 0.872 0.000 0.096 0.000 0.004 NA
#> ERR659051 5 0.3885 1.0000 0.004 0.000 0.012 0.300 0.684 NA
#> ERR659147 5 0.3885 1.0000 0.004 0.000 0.012 0.300 0.684 NA
#> ERR659052 1 0.3219 0.7697 0.828 0.000 0.132 0.000 0.012 NA
#> ERR659148 1 0.3219 0.7697 0.828 0.000 0.132 0.000 0.012 NA
#> ERR659053 1 0.1908 0.7949 0.900 0.000 0.096 0.000 0.004 NA
#> ERR659149 1 0.1908 0.7949 0.900 0.000 0.096 0.000 0.004 NA
#> ERR659054 2 0.3216 0.8864 0.000 0.848 0.020 0.000 0.060 NA
#> ERR659150 2 0.3425 0.8764 0.000 0.836 0.032 0.000 0.084 NA
#> ERR659055 1 0.1429 0.8006 0.940 0.000 0.052 0.000 0.004 NA
#> ERR659151 1 0.1429 0.8006 0.940 0.000 0.052 0.000 0.004 NA
#> ERR659056 4 0.1408 0.3407 0.008 0.000 0.008 0.952 0.008 NA
#> ERR659152 4 0.1408 0.3407 0.008 0.000 0.008 0.952 0.008 NA
#> ERR659057 1 0.2113 0.8086 0.908 0.000 0.060 0.000 0.004 NA
#> ERR659153 1 0.2113 0.8086 0.908 0.000 0.060 0.000 0.004 NA
#> ERR659058 1 0.3809 0.7065 0.756 0.000 0.208 0.000 0.016 NA
#> ERR659154 1 0.3809 0.7065 0.756 0.000 0.208 0.000 0.016 NA
#> ERR659059 1 0.2593 0.7820 0.844 0.000 0.148 0.000 0.000 NA
#> ERR659155 1 0.2593 0.7820 0.844 0.000 0.148 0.000 0.000 NA
#> ERR659060 1 0.2768 0.7933 0.832 0.000 0.156 0.000 0.012 NA
#> ERR659156 1 0.2768 0.7933 0.832 0.000 0.156 0.000 0.012 NA
#> ERR659061 1 0.3229 0.7661 0.804 0.000 0.172 0.000 0.004 NA
#> ERR659157 1 0.3229 0.7661 0.804 0.000 0.172 0.000 0.004 NA
#> ERR659062 1 0.3761 0.7045 0.744 0.000 0.228 0.000 0.008 NA
#> ERR659158 1 0.3761 0.7045 0.744 0.000 0.228 0.000 0.008 NA
#> ERR659063 1 0.2882 0.7743 0.812 0.000 0.180 0.000 0.000 NA
#> ERR659159 1 0.2882 0.7743 0.812 0.000 0.180 0.000 0.000 NA
#> ERR659064 1 0.2165 0.7900 0.884 0.000 0.108 0.000 0.000 NA
#> ERR659160 1 0.2165 0.7900 0.884 0.000 0.108 0.000 0.000 NA
#> ERR659065 2 0.3408 0.8735 0.000 0.832 0.016 0.000 0.080 NA
#> ERR659161 2 0.2711 0.9090 0.000 0.880 0.016 0.000 0.056 NA
#> ERR659066 1 0.2613 0.7785 0.848 0.000 0.140 0.000 0.012 NA
#> ERR659162 1 0.2613 0.7785 0.848 0.000 0.140 0.000 0.012 NA
#> ERR659067 1 0.2070 0.7997 0.896 0.000 0.092 0.000 0.000 NA
#> ERR659163 1 0.2070 0.7997 0.896 0.000 0.092 0.000 0.000 NA
#> ERR659068 2 0.0146 0.9638 0.000 0.996 0.000 0.000 0.004 NA
#> ERR659164 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659069 1 0.2290 0.8048 0.892 0.000 0.084 0.000 0.004 NA
#> ERR659165 1 0.2290 0.8048 0.892 0.000 0.084 0.000 0.004 NA
#> ERR659070 1 0.3698 0.6929 0.756 0.000 0.212 0.000 0.028 NA
#> ERR659166 1 0.3698 0.6929 0.756 0.000 0.212 0.000 0.028 NA
#> ERR659071 1 0.3023 0.7595 0.808 0.000 0.180 0.000 0.004 NA
#> ERR659167 1 0.3023 0.7595 0.808 0.000 0.180 0.000 0.004 NA
#> ERR659072 1 0.3613 0.7127 0.772 0.000 0.196 0.000 0.008 NA
#> ERR659168 1 0.3613 0.7127 0.772 0.000 0.196 0.000 0.008 NA
#> ERR659073 1 0.4351 0.5940 0.692 0.000 0.256 0.000 0.008 NA
#> ERR659169 1 0.4351 0.5940 0.692 0.000 0.256 0.000 0.008 NA
#> ERR659074 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659170 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659075 4 0.4750 0.2630 0.000 0.000 0.012 0.608 0.040 NA
#> ERR659171 4 0.4750 0.2630 0.000 0.000 0.012 0.608 0.040 NA
#> ERR659076 2 0.2744 0.9077 0.000 0.876 0.012 0.000 0.052 NA
#> ERR659172 2 0.1922 0.9344 0.000 0.924 0.012 0.000 0.040 NA
#> ERR659077 1 0.4003 0.6520 0.716 0.000 0.248 0.000 0.004 NA
#> ERR659173 1 0.4003 0.6520 0.716 0.000 0.248 0.000 0.004 NA
#> ERR659078 1 0.3826 0.6913 0.736 0.000 0.236 0.000 0.016 NA
#> ERR659174 1 0.3826 0.6913 0.736 0.000 0.236 0.000 0.016 NA
#> ERR659079 1 0.4250 0.6210 0.708 0.000 0.244 0.000 0.012 NA
#> ERR659175 1 0.4250 0.6210 0.708 0.000 0.244 0.000 0.012 NA
#> ERR659080 4 0.5971 0.2974 0.052 0.000 0.104 0.664 0.136 NA
#> ERR659176 4 0.5971 0.2974 0.052 0.000 0.104 0.664 0.136 NA
#> ERR659081 1 0.1829 0.7951 0.920 0.000 0.056 0.000 0.000 NA
#> ERR659177 1 0.1829 0.7951 0.920 0.000 0.056 0.000 0.000 NA
#> ERR659082 1 0.2967 0.7472 0.840 0.000 0.136 0.008 0.012 NA
#> ERR659178 1 0.2967 0.7472 0.840 0.000 0.136 0.008 0.012 NA
#> ERR659083 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659179 2 0.0000 0.9647 0.000 1.000 0.000 0.000 0.000 NA
#> ERR659084 2 0.1408 0.9452 0.000 0.944 0.000 0.000 0.020 NA
#> ERR659180 2 0.0146 0.9639 0.000 0.996 0.000 0.000 0.000 NA
#> ERR659085 1 0.2462 0.8010 0.876 0.000 0.096 0.000 0.000 NA
#> ERR659181 1 0.2462 0.8010 0.876 0.000 0.096 0.000 0.000 NA
#> ERR659086 1 0.3073 0.7700 0.824 0.000 0.152 0.000 0.008 NA
#> ERR659182 1 0.3073 0.7700 0.824 0.000 0.152 0.000 0.008 NA
#> ERR659087 1 0.3141 0.7770 0.828 0.000 0.140 0.000 0.012 NA
#> ERR659183 1 0.3141 0.7770 0.828 0.000 0.140 0.000 0.012 NA
#> ERR659088 4 0.6028 0.3087 0.068 0.000 0.092 0.668 0.120 NA
#> ERR659184 4 0.6028 0.3087 0.068 0.000 0.092 0.668 0.120 NA
#> ERR659089 1 0.3455 0.7393 0.816 0.000 0.132 0.000 0.016 NA
#> ERR659185 1 0.3455 0.7393 0.816 0.000 0.132 0.000 0.016 NA
#> ERR659090 1 0.2776 0.7804 0.860 0.000 0.104 0.000 0.004 NA
#> ERR659186 1 0.2776 0.7804 0.860 0.000 0.104 0.000 0.004 NA
#> ERR659091 1 0.2036 0.7963 0.916 0.000 0.048 0.000 0.008 NA
#> ERR659187 1 0.2036 0.7963 0.916 0.000 0.048 0.000 0.008 NA
#> ERR659092 1 0.2563 0.7919 0.880 0.000 0.076 0.000 0.004 NA
#> ERR659188 1 0.2563 0.7919 0.880 0.000 0.076 0.000 0.004 NA
#> ERR659093 1 0.2162 0.8036 0.896 0.000 0.088 0.000 0.004 NA
#> ERR659189 1 0.2162 0.8036 0.896 0.000 0.088 0.000 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["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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 0.999 1.000 0.3047 0.696 0.696
#> 3 3 0.567 0.851 0.904 0.4495 0.916 0.880
#> 4 4 0.376 0.588 0.783 0.3085 0.943 0.908
#> 5 5 0.383 0.450 0.684 0.1353 0.897 0.818
#> 6 6 0.405 0.443 0.657 0.0785 0.907 0.812
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
#> ERR467487 2 0.0000 1.000 0.000 1.000
#> ERR467498 2 0.0000 1.000 0.000 1.000
#> ERR658998 1 0.0000 1.000 1.000 0.000
#> ERR659094 1 0.0000 1.000 1.000 0.000
#> ERR658999 1 0.0000 1.000 1.000 0.000
#> ERR659095 1 0.0000 1.000 1.000 0.000
#> ERR659000 1 0.0000 1.000 1.000 0.000
#> ERR659096 1 0.0000 1.000 1.000 0.000
#> ERR659001 1 0.0000 1.000 1.000 0.000
#> ERR659097 1 0.0000 1.000 1.000 0.000
#> ERR659002 1 0.0000 1.000 1.000 0.000
#> ERR659098 1 0.0000 1.000 1.000 0.000
#> ERR659003 1 0.0000 1.000 1.000 0.000
#> ERR659099 1 0.0000 1.000 1.000 0.000
#> ERR659004 1 0.0000 1.000 1.000 0.000
#> ERR659100 1 0.0000 1.000 1.000 0.000
#> ERR659005 1 0.0000 1.000 1.000 0.000
#> ERR659101 1 0.0000 1.000 1.000 0.000
#> ERR659006 1 0.0000 1.000 1.000 0.000
#> ERR659102 1 0.0000 1.000 1.000 0.000
#> ERR659007 1 0.0000 1.000 1.000 0.000
#> ERR659103 1 0.0000 1.000 1.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1.000
#> ERR659104 2 0.0000 1.000 0.000 1.000
#> ERR659009 1 0.0000 1.000 1.000 0.000
#> ERR659105 1 0.0000 1.000 1.000 0.000
#> ERR659010 1 0.0000 1.000 1.000 0.000
#> ERR659106 1 0.0000 1.000 1.000 0.000
#> ERR659011 1 0.0000 1.000 1.000 0.000
#> ERR659107 1 0.0000 1.000 1.000 0.000
#> ERR659012 1 0.0000 1.000 1.000 0.000
#> ERR659108 1 0.0000 1.000 1.000 0.000
#> ERR659013 1 0.0000 1.000 1.000 0.000
#> ERR659109 1 0.0000 1.000 1.000 0.000
#> ERR659014 2 0.0000 1.000 0.000 1.000
#> ERR659110 2 0.0000 1.000 0.000 1.000
#> ERR659015 1 0.0000 1.000 1.000 0.000
#> ERR659111 1 0.0000 1.000 1.000 0.000
#> ERR659016 1 0.0000 1.000 1.000 0.000
#> ERR659112 1 0.0000 1.000 1.000 0.000
#> ERR659017 2 0.0000 1.000 0.000 1.000
#> ERR659113 2 0.0000 1.000 0.000 1.000
#> ERR659018 1 0.0000 1.000 1.000 0.000
#> ERR659114 1 0.0000 1.000 1.000 0.000
#> ERR659019 1 0.0000 1.000 1.000 0.000
#> ERR659115 1 0.0000 1.000 1.000 0.000
#> ERR659020 1 0.0000 1.000 1.000 0.000
#> ERR659116 1 0.0000 1.000 1.000 0.000
#> ERR659021 1 0.0000 1.000 1.000 0.000
#> ERR659117 1 0.0000 1.000 1.000 0.000
#> ERR659022 1 0.0000 1.000 1.000 0.000
#> ERR659118 1 0.0000 1.000 1.000 0.000
#> ERR659023 1 0.0000 1.000 1.000 0.000
#> ERR659119 1 0.0000 1.000 1.000 0.000
#> ERR659024 1 0.0000 1.000 1.000 0.000
#> ERR659120 1 0.0000 1.000 1.000 0.000
#> ERR659025 1 0.0000 1.000 1.000 0.000
#> ERR659121 1 0.0000 1.000 1.000 0.000
#> ERR659026 1 0.0000 1.000 1.000 0.000
#> ERR659122 1 0.0000 1.000 1.000 0.000
#> ERR659027 1 0.1633 0.976 0.976 0.024
#> ERR659123 1 0.1633 0.976 0.976 0.024
#> ERR659028 1 0.0000 1.000 1.000 0.000
#> ERR659124 1 0.0000 1.000 1.000 0.000
#> ERR659029 1 0.0000 1.000 1.000 0.000
#> ERR659125 1 0.0000 1.000 1.000 0.000
#> ERR659030 1 0.0000 1.000 1.000 0.000
#> ERR659126 1 0.0000 1.000 1.000 0.000
#> ERR659031 1 0.0000 1.000 1.000 0.000
#> ERR659127 1 0.0000 1.000 1.000 0.000
#> ERR659032 1 0.0000 1.000 1.000 0.000
#> ERR659128 1 0.0000 1.000 1.000 0.000
#> ERR659033 1 0.0000 1.000 1.000 0.000
#> ERR659129 1 0.0000 1.000 1.000 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.000
#> ERR659130 2 0.0000 1.000 0.000 1.000
#> ERR659035 1 0.0000 1.000 1.000 0.000
#> ERR659131 1 0.0000 1.000 1.000 0.000
#> ERR659036 1 0.0000 1.000 1.000 0.000
#> ERR659132 1 0.0000 1.000 1.000 0.000
#> ERR659037 1 0.0000 1.000 1.000 0.000
#> ERR659133 1 0.0000 1.000 1.000 0.000
#> ERR659038 1 0.0000 1.000 1.000 0.000
#> ERR659134 1 0.0000 1.000 1.000 0.000
#> ERR659039 1 0.0000 1.000 1.000 0.000
#> ERR659135 1 0.0000 1.000 1.000 0.000
#> ERR659040 1 0.0000 1.000 1.000 0.000
#> ERR659136 1 0.0000 1.000 1.000 0.000
#> ERR659041 1 0.0000 1.000 1.000 0.000
#> ERR659137 1 0.0000 1.000 1.000 0.000
#> ERR659042 1 0.0000 1.000 1.000 0.000
#> ERR659138 1 0.0000 1.000 1.000 0.000
#> ERR659043 1 0.0000 1.000 1.000 0.000
#> ERR659139 1 0.0000 1.000 1.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.000
#> ERR659140 2 0.0000 1.000 0.000 1.000
#> ERR659045 1 0.0000 1.000 1.000 0.000
#> ERR659141 1 0.0000 1.000 1.000 0.000
#> ERR659046 1 0.0000 1.000 1.000 0.000
#> ERR659142 1 0.0000 1.000 1.000 0.000
#> ERR659047 1 0.0000 1.000 1.000 0.000
#> ERR659143 1 0.0000 1.000 1.000 0.000
#> ERR659048 1 0.0000 1.000 1.000 0.000
#> ERR659144 1 0.0000 1.000 1.000 0.000
#> ERR659049 1 0.0000 1.000 1.000 0.000
#> ERR659145 1 0.0000 1.000 1.000 0.000
#> ERR659050 1 0.0000 1.000 1.000 0.000
#> ERR659146 1 0.0000 1.000 1.000 0.000
#> ERR659051 2 0.0672 0.992 0.008 0.992
#> ERR659147 2 0.0672 0.992 0.008 0.992
#> ERR659052 1 0.0000 1.000 1.000 0.000
#> ERR659148 1 0.0000 1.000 1.000 0.000
#> ERR659053 1 0.0000 1.000 1.000 0.000
#> ERR659149 1 0.0000 1.000 1.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000
#> ERR659150 2 0.0000 1.000 0.000 1.000
#> ERR659055 1 0.0000 1.000 1.000 0.000
#> ERR659151 1 0.0000 1.000 1.000 0.000
#> ERR659056 2 0.0000 1.000 0.000 1.000
#> ERR659152 2 0.0000 1.000 0.000 1.000
#> ERR659057 1 0.0000 1.000 1.000 0.000
#> ERR659153 1 0.0000 1.000 1.000 0.000
#> ERR659058 1 0.0000 1.000 1.000 0.000
#> ERR659154 1 0.0000 1.000 1.000 0.000
#> ERR659059 1 0.0000 1.000 1.000 0.000
#> ERR659155 1 0.0000 1.000 1.000 0.000
#> ERR659060 1 0.0000 1.000 1.000 0.000
#> ERR659156 1 0.0000 1.000 1.000 0.000
#> ERR659061 1 0.0000 1.000 1.000 0.000
#> ERR659157 1 0.0000 1.000 1.000 0.000
#> ERR659062 1 0.0000 1.000 1.000 0.000
#> ERR659158 1 0.0000 1.000 1.000 0.000
#> ERR659063 1 0.0000 1.000 1.000 0.000
#> ERR659159 1 0.0000 1.000 1.000 0.000
#> ERR659064 1 0.0000 1.000 1.000 0.000
#> ERR659160 1 0.0000 1.000 1.000 0.000
#> ERR659065 2 0.0000 1.000 0.000 1.000
#> ERR659161 2 0.0000 1.000 0.000 1.000
#> ERR659066 1 0.0000 1.000 1.000 0.000
#> ERR659162 1 0.0000 1.000 1.000 0.000
#> ERR659067 1 0.0000 1.000 1.000 0.000
#> ERR659163 1 0.0000 1.000 1.000 0.000
#> ERR659068 2 0.0000 1.000 0.000 1.000
#> ERR659164 2 0.0000 1.000 0.000 1.000
#> ERR659069 1 0.0000 1.000 1.000 0.000
#> ERR659165 1 0.0000 1.000 1.000 0.000
#> ERR659070 1 0.0000 1.000 1.000 0.000
#> ERR659166 1 0.0000 1.000 1.000 0.000
#> ERR659071 1 0.0000 1.000 1.000 0.000
#> ERR659167 1 0.0000 1.000 1.000 0.000
#> ERR659072 1 0.0000 1.000 1.000 0.000
#> ERR659168 1 0.0000 1.000 1.000 0.000
#> ERR659073 1 0.0000 1.000 1.000 0.000
#> ERR659169 1 0.0000 1.000 1.000 0.000
#> ERR659074 2 0.0000 1.000 0.000 1.000
#> ERR659170 2 0.0000 1.000 0.000 1.000
#> ERR659075 2 0.0000 1.000 0.000 1.000
#> ERR659171 2 0.0000 1.000 0.000 1.000
#> ERR659076 2 0.0000 1.000 0.000 1.000
#> ERR659172 2 0.0000 1.000 0.000 1.000
#> ERR659077 1 0.0000 1.000 1.000 0.000
#> ERR659173 1 0.0000 1.000 1.000 0.000
#> ERR659078 1 0.0000 1.000 1.000 0.000
#> ERR659174 1 0.0000 1.000 1.000 0.000
#> ERR659079 1 0.0000 1.000 1.000 0.000
#> ERR659175 1 0.0000 1.000 1.000 0.000
#> ERR659080 2 0.0000 1.000 0.000 1.000
#> ERR659176 2 0.0000 1.000 0.000 1.000
#> ERR659081 1 0.0000 1.000 1.000 0.000
#> ERR659177 1 0.0000 1.000 1.000 0.000
#> ERR659082 1 0.0000 1.000 1.000 0.000
#> ERR659178 1 0.0000 1.000 1.000 0.000
#> ERR659083 2 0.0000 1.000 0.000 1.000
#> ERR659179 2 0.0000 1.000 0.000 1.000
#> ERR659084 2 0.0000 1.000 0.000 1.000
#> ERR659180 2 0.0000 1.000 0.000 1.000
#> ERR659085 1 0.0000 1.000 1.000 0.000
#> ERR659181 1 0.0000 1.000 1.000 0.000
#> ERR659086 1 0.0000 1.000 1.000 0.000
#> ERR659182 1 0.0000 1.000 1.000 0.000
#> ERR659087 1 0.0000 1.000 1.000 0.000
#> ERR659183 1 0.0000 1.000 1.000 0.000
#> ERR659088 2 0.0000 1.000 0.000 1.000
#> ERR659184 2 0.0000 1.000 0.000 1.000
#> ERR659089 1 0.0000 1.000 1.000 0.000
#> ERR659185 1 0.0000 1.000 1.000 0.000
#> ERR659090 1 0.0000 1.000 1.000 0.000
#> ERR659186 1 0.0000 1.000 1.000 0.000
#> ERR659091 1 0.0000 1.000 1.000 0.000
#> ERR659187 1 0.0000 1.000 1.000 0.000
#> ERR659092 1 0.0000 1.000 1.000 0.000
#> ERR659188 1 0.0000 1.000 1.000 0.000
#> ERR659093 1 0.0000 1.000 1.000 0.000
#> ERR659189 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
#> ERR467487 2 0.0000 0.952 0.000 1.000 0.000
#> ERR467498 2 0.0000 0.952 0.000 1.000 0.000
#> ERR658998 1 0.3267 0.876 0.884 0.000 0.116
#> ERR659094 1 0.3267 0.876 0.884 0.000 0.116
#> ERR658999 1 0.2625 0.892 0.916 0.000 0.084
#> ERR659095 1 0.2625 0.892 0.916 0.000 0.084
#> ERR659000 3 0.5465 0.719 0.288 0.000 0.712
#> ERR659096 3 0.5465 0.719 0.288 0.000 0.712
#> ERR659001 1 0.0237 0.907 0.996 0.000 0.004
#> ERR659097 1 0.0237 0.907 0.996 0.000 0.004
#> ERR659002 1 0.1163 0.909 0.972 0.000 0.028
#> ERR659098 1 0.1163 0.909 0.972 0.000 0.028
#> ERR659003 1 0.1031 0.906 0.976 0.000 0.024
#> ERR659099 1 0.1031 0.906 0.976 0.000 0.024
#> ERR659004 1 0.5785 0.495 0.668 0.000 0.332
#> ERR659100 1 0.5760 0.506 0.672 0.000 0.328
#> ERR659005 1 0.1031 0.904 0.976 0.000 0.024
#> ERR659101 1 0.1031 0.904 0.976 0.000 0.024
#> ERR659006 1 0.3192 0.882 0.888 0.000 0.112
#> ERR659102 1 0.3192 0.882 0.888 0.000 0.112
#> ERR659007 1 0.0892 0.903 0.980 0.000 0.020
#> ERR659103 1 0.0892 0.903 0.980 0.000 0.020
#> ERR659008 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659104 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659009 1 0.3941 0.850 0.844 0.000 0.156
#> ERR659105 1 0.3941 0.850 0.844 0.000 0.156
#> ERR659010 1 0.2711 0.893 0.912 0.000 0.088
#> ERR659106 1 0.2711 0.893 0.912 0.000 0.088
#> ERR659011 1 0.2356 0.898 0.928 0.000 0.072
#> ERR659107 1 0.2356 0.898 0.928 0.000 0.072
#> ERR659012 1 0.3482 0.870 0.872 0.000 0.128
#> ERR659108 1 0.3482 0.870 0.872 0.000 0.128
#> ERR659013 1 0.5178 0.656 0.744 0.000 0.256
#> ERR659109 1 0.5216 0.647 0.740 0.000 0.260
#> ERR659014 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659110 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659015 1 0.0592 0.905 0.988 0.000 0.012
#> ERR659111 1 0.0592 0.905 0.988 0.000 0.012
#> ERR659016 3 0.6192 0.554 0.420 0.000 0.580
#> ERR659112 3 0.6192 0.554 0.420 0.000 0.580
#> ERR659017 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659113 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659018 1 0.1163 0.907 0.972 0.000 0.028
#> ERR659114 1 0.1163 0.907 0.972 0.000 0.028
#> ERR659019 1 0.1860 0.906 0.948 0.000 0.052
#> ERR659115 1 0.1860 0.906 0.948 0.000 0.052
#> ERR659020 1 0.0592 0.905 0.988 0.000 0.012
#> ERR659116 1 0.0592 0.905 0.988 0.000 0.012
#> ERR659021 1 0.0424 0.905 0.992 0.000 0.008
#> ERR659117 1 0.0424 0.905 0.992 0.000 0.008
#> ERR659022 1 0.2537 0.891 0.920 0.000 0.080
#> ERR659118 1 0.2537 0.891 0.920 0.000 0.080
#> ERR659023 1 0.1964 0.898 0.944 0.000 0.056
#> ERR659119 1 0.1964 0.898 0.944 0.000 0.056
#> ERR659024 1 0.1411 0.903 0.964 0.000 0.036
#> ERR659120 1 0.1411 0.903 0.964 0.000 0.036
#> ERR659025 1 0.5733 0.493 0.676 0.000 0.324
#> ERR659121 1 0.5733 0.493 0.676 0.000 0.324
#> ERR659026 1 0.4346 0.838 0.816 0.000 0.184
#> ERR659122 1 0.4346 0.838 0.816 0.000 0.184
#> ERR659027 3 0.4178 0.679 0.172 0.000 0.828
#> ERR659123 3 0.4178 0.679 0.172 0.000 0.828
#> ERR659028 1 0.3038 0.893 0.896 0.000 0.104
#> ERR659124 1 0.3038 0.893 0.896 0.000 0.104
#> ERR659029 1 0.2066 0.896 0.940 0.000 0.060
#> ERR659125 1 0.2066 0.896 0.940 0.000 0.060
#> ERR659030 1 0.2066 0.900 0.940 0.000 0.060
#> ERR659126 1 0.2066 0.900 0.940 0.000 0.060
#> ERR659031 1 0.2066 0.901 0.940 0.000 0.060
#> ERR659127 1 0.2066 0.901 0.940 0.000 0.060
#> ERR659032 1 0.2356 0.895 0.928 0.000 0.072
#> ERR659128 1 0.2356 0.895 0.928 0.000 0.072
#> ERR659033 1 0.1643 0.902 0.956 0.000 0.044
#> ERR659129 1 0.1643 0.902 0.956 0.000 0.044
#> ERR659034 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659130 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659035 1 0.2959 0.897 0.900 0.000 0.100
#> ERR659131 1 0.2959 0.897 0.900 0.000 0.100
#> ERR659036 3 0.5835 0.663 0.340 0.000 0.660
#> ERR659132 3 0.5835 0.663 0.340 0.000 0.660
#> ERR659037 1 0.1411 0.910 0.964 0.000 0.036
#> ERR659133 1 0.1411 0.910 0.964 0.000 0.036
#> ERR659038 1 0.2878 0.895 0.904 0.000 0.096
#> ERR659134 1 0.2878 0.895 0.904 0.000 0.096
#> ERR659039 1 0.1411 0.908 0.964 0.000 0.036
#> ERR659135 1 0.1411 0.908 0.964 0.000 0.036
#> ERR659040 1 0.3192 0.878 0.888 0.000 0.112
#> ERR659136 1 0.3192 0.878 0.888 0.000 0.112
#> ERR659041 3 0.3482 0.664 0.128 0.000 0.872
#> ERR659137 3 0.3482 0.664 0.128 0.000 0.872
#> ERR659042 1 0.5882 0.366 0.652 0.000 0.348
#> ERR659138 1 0.5882 0.366 0.652 0.000 0.348
#> ERR659043 1 0.3340 0.859 0.880 0.000 0.120
#> ERR659139 1 0.3340 0.859 0.880 0.000 0.120
#> ERR659044 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659140 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659045 1 0.1753 0.908 0.952 0.000 0.048
#> ERR659141 1 0.1753 0.908 0.952 0.000 0.048
#> ERR659046 1 0.2448 0.897 0.924 0.000 0.076
#> ERR659142 1 0.2448 0.897 0.924 0.000 0.076
#> ERR659047 1 0.3038 0.890 0.896 0.000 0.104
#> ERR659143 1 0.3038 0.890 0.896 0.000 0.104
#> ERR659048 1 0.2878 0.892 0.904 0.000 0.096
#> ERR659144 1 0.2878 0.892 0.904 0.000 0.096
#> ERR659049 1 0.5905 0.509 0.648 0.000 0.352
#> ERR659145 1 0.5905 0.509 0.648 0.000 0.352
#> ERR659050 1 0.2066 0.907 0.940 0.000 0.060
#> ERR659146 1 0.2066 0.907 0.940 0.000 0.060
#> ERR659051 2 0.5882 0.611 0.000 0.652 0.348
#> ERR659147 2 0.5882 0.611 0.000 0.652 0.348
#> ERR659052 1 0.3116 0.895 0.892 0.000 0.108
#> ERR659148 1 0.3116 0.895 0.892 0.000 0.108
#> ERR659053 1 0.2261 0.894 0.932 0.000 0.068
#> ERR659149 1 0.2261 0.894 0.932 0.000 0.068
#> ERR659054 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659150 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659055 1 0.0892 0.909 0.980 0.000 0.020
#> ERR659151 1 0.0892 0.909 0.980 0.000 0.020
#> ERR659056 2 0.2625 0.892 0.000 0.916 0.084
#> ERR659152 2 0.2625 0.892 0.000 0.916 0.084
#> ERR659057 1 0.0892 0.908 0.980 0.000 0.020
#> ERR659153 1 0.0892 0.908 0.980 0.000 0.020
#> ERR659058 1 0.3686 0.879 0.860 0.000 0.140
#> ERR659154 1 0.3686 0.879 0.860 0.000 0.140
#> ERR659059 1 0.2878 0.898 0.904 0.000 0.096
#> ERR659155 1 0.2878 0.898 0.904 0.000 0.096
#> ERR659060 1 0.3267 0.887 0.884 0.000 0.116
#> ERR659156 1 0.3267 0.887 0.884 0.000 0.116
#> ERR659061 1 0.2711 0.893 0.912 0.000 0.088
#> ERR659157 1 0.2711 0.893 0.912 0.000 0.088
#> ERR659062 1 0.3482 0.879 0.872 0.000 0.128
#> ERR659158 1 0.3482 0.879 0.872 0.000 0.128
#> ERR659063 1 0.3192 0.893 0.888 0.000 0.112
#> ERR659159 1 0.3192 0.893 0.888 0.000 0.112
#> ERR659064 1 0.1964 0.900 0.944 0.000 0.056
#> ERR659160 1 0.1964 0.900 0.944 0.000 0.056
#> ERR659065 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659161 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659066 1 0.3038 0.885 0.896 0.000 0.104
#> ERR659162 1 0.3038 0.885 0.896 0.000 0.104
#> ERR659067 1 0.2066 0.903 0.940 0.000 0.060
#> ERR659163 1 0.2066 0.903 0.940 0.000 0.060
#> ERR659068 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659164 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659069 1 0.1529 0.907 0.960 0.000 0.040
#> ERR659165 1 0.1529 0.907 0.960 0.000 0.040
#> ERR659070 1 0.3941 0.850 0.844 0.000 0.156
#> ERR659166 1 0.3941 0.850 0.844 0.000 0.156
#> ERR659071 1 0.2537 0.897 0.920 0.000 0.080
#> ERR659167 1 0.2537 0.897 0.920 0.000 0.080
#> ERR659072 1 0.3619 0.865 0.864 0.000 0.136
#> ERR659168 1 0.3619 0.865 0.864 0.000 0.136
#> ERR659073 1 0.3412 0.872 0.876 0.000 0.124
#> ERR659169 1 0.3412 0.872 0.876 0.000 0.124
#> ERR659074 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659170 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659075 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659171 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659076 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659172 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659077 1 0.3267 0.876 0.884 0.000 0.116
#> ERR659173 1 0.3267 0.876 0.884 0.000 0.116
#> ERR659078 1 0.3038 0.886 0.896 0.000 0.104
#> ERR659174 1 0.3038 0.886 0.896 0.000 0.104
#> ERR659079 1 0.3340 0.876 0.880 0.000 0.120
#> ERR659175 1 0.3340 0.876 0.880 0.000 0.120
#> ERR659080 2 0.6192 0.483 0.000 0.580 0.420
#> ERR659176 2 0.6192 0.483 0.000 0.580 0.420
#> ERR659081 1 0.0892 0.903 0.980 0.000 0.020
#> ERR659177 1 0.0892 0.903 0.980 0.000 0.020
#> ERR659082 1 0.2537 0.883 0.920 0.000 0.080
#> ERR659178 1 0.2537 0.883 0.920 0.000 0.080
#> ERR659083 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659179 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659084 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659180 2 0.0000 0.952 0.000 1.000 0.000
#> ERR659085 1 0.1753 0.905 0.952 0.000 0.048
#> ERR659181 1 0.1753 0.905 0.952 0.000 0.048
#> ERR659086 1 0.2356 0.903 0.928 0.000 0.072
#> ERR659182 1 0.2356 0.903 0.928 0.000 0.072
#> ERR659087 1 0.2625 0.898 0.916 0.000 0.084
#> ERR659183 1 0.2625 0.898 0.916 0.000 0.084
#> ERR659088 3 0.6252 -0.224 0.000 0.444 0.556
#> ERR659184 3 0.6252 -0.224 0.000 0.444 0.556
#> ERR659089 1 0.2625 0.877 0.916 0.000 0.084
#> ERR659185 1 0.2625 0.877 0.916 0.000 0.084
#> ERR659090 1 0.1643 0.901 0.956 0.000 0.044
#> ERR659186 1 0.1643 0.901 0.956 0.000 0.044
#> ERR659091 1 0.0592 0.905 0.988 0.000 0.012
#> ERR659187 1 0.0592 0.905 0.988 0.000 0.012
#> ERR659092 1 0.1163 0.908 0.972 0.000 0.028
#> ERR659188 1 0.1163 0.908 0.972 0.000 0.028
#> ERR659093 1 0.1163 0.907 0.972 0.000 0.028
#> ERR659189 1 0.1163 0.907 0.972 0.000 0.028
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR467498 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR658998 1 0.488 0.2770 0.592 0.000 0.000 0.408
#> ERR659094 1 0.488 0.2770 0.592 0.000 0.000 0.408
#> ERR658999 1 0.361 0.6358 0.800 0.000 0.000 0.200
#> ERR659095 1 0.361 0.6358 0.800 0.000 0.000 0.200
#> ERR659000 3 0.725 0.1883 0.160 0.000 0.504 0.336
#> ERR659096 3 0.725 0.1883 0.160 0.000 0.504 0.336
#> ERR659001 1 0.121 0.6925 0.960 0.000 0.000 0.040
#> ERR659097 1 0.121 0.6925 0.960 0.000 0.000 0.040
#> ERR659002 1 0.292 0.6934 0.876 0.000 0.008 0.116
#> ERR659098 1 0.292 0.6934 0.876 0.000 0.008 0.116
#> ERR659003 1 0.309 0.6917 0.864 0.000 0.008 0.128
#> ERR659099 1 0.309 0.6917 0.864 0.000 0.008 0.128
#> ERR659004 1 0.756 -0.4207 0.424 0.000 0.192 0.384
#> ERR659100 1 0.756 -0.4207 0.424 0.000 0.192 0.384
#> ERR659005 1 0.240 0.6937 0.904 0.000 0.004 0.092
#> ERR659101 1 0.240 0.6937 0.904 0.000 0.004 0.092
#> ERR659006 1 0.531 0.3851 0.648 0.000 0.024 0.328
#> ERR659102 1 0.529 0.3921 0.652 0.000 0.024 0.324
#> ERR659007 1 0.140 0.6880 0.956 0.000 0.004 0.040
#> ERR659103 1 0.140 0.6880 0.956 0.000 0.004 0.040
#> ERR659008 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659104 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659009 4 0.485 0.3203 0.400 0.000 0.000 0.600
#> ERR659105 4 0.485 0.3203 0.400 0.000 0.000 0.600
#> ERR659010 1 0.376 0.6211 0.784 0.000 0.000 0.216
#> ERR659106 1 0.376 0.6211 0.784 0.000 0.000 0.216
#> ERR659011 1 0.322 0.6647 0.836 0.000 0.000 0.164
#> ERR659107 1 0.322 0.6647 0.836 0.000 0.000 0.164
#> ERR659012 1 0.547 0.3527 0.644 0.000 0.032 0.324
#> ERR659108 1 0.547 0.3527 0.644 0.000 0.032 0.324
#> ERR659013 4 0.684 0.3586 0.448 0.000 0.100 0.452
#> ERR659109 4 0.684 0.3586 0.448 0.000 0.100 0.452
#> ERR659014 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659110 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659015 1 0.255 0.6935 0.900 0.000 0.008 0.092
#> ERR659111 1 0.248 0.6940 0.904 0.000 0.008 0.088
#> ERR659016 4 0.768 0.1598 0.220 0.000 0.360 0.420
#> ERR659112 4 0.768 0.1598 0.220 0.000 0.360 0.420
#> ERR659017 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659113 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659018 1 0.190 0.6941 0.932 0.000 0.004 0.064
#> ERR659114 1 0.190 0.6941 0.932 0.000 0.004 0.064
#> ERR659019 1 0.331 0.6748 0.840 0.000 0.004 0.156
#> ERR659115 1 0.331 0.6748 0.840 0.000 0.004 0.156
#> ERR659020 1 0.156 0.6950 0.944 0.000 0.000 0.056
#> ERR659116 1 0.156 0.6950 0.944 0.000 0.000 0.056
#> ERR659021 1 0.261 0.6985 0.900 0.000 0.012 0.088
#> ERR659117 1 0.261 0.6985 0.900 0.000 0.012 0.088
#> ERR659022 1 0.411 0.6685 0.812 0.000 0.032 0.156
#> ERR659118 1 0.411 0.6685 0.812 0.000 0.032 0.156
#> ERR659023 1 0.344 0.6741 0.848 0.000 0.016 0.136
#> ERR659119 1 0.344 0.6741 0.848 0.000 0.016 0.136
#> ERR659024 1 0.293 0.6859 0.880 0.000 0.012 0.108
#> ERR659120 1 0.293 0.6859 0.880 0.000 0.012 0.108
#> ERR659025 1 0.713 0.0127 0.520 0.000 0.148 0.332
#> ERR659121 1 0.713 0.0127 0.520 0.000 0.148 0.332
#> ERR659026 1 0.551 -0.0353 0.512 0.000 0.016 0.472
#> ERR659122 1 0.551 -0.0353 0.512 0.000 0.016 0.472
#> ERR659027 3 0.478 0.6136 0.060 0.000 0.776 0.164
#> ERR659123 3 0.478 0.6136 0.060 0.000 0.776 0.164
#> ERR659028 1 0.466 0.6020 0.760 0.000 0.032 0.208
#> ERR659124 1 0.466 0.6020 0.760 0.000 0.032 0.208
#> ERR659029 1 0.386 0.6648 0.828 0.000 0.028 0.144
#> ERR659125 1 0.386 0.6648 0.828 0.000 0.028 0.144
#> ERR659030 1 0.303 0.6823 0.868 0.000 0.008 0.124
#> ERR659126 1 0.303 0.6823 0.868 0.000 0.008 0.124
#> ERR659031 1 0.358 0.6744 0.816 0.000 0.004 0.180
#> ERR659127 1 0.358 0.6744 0.816 0.000 0.004 0.180
#> ERR659032 1 0.374 0.6497 0.824 0.000 0.016 0.160
#> ERR659128 1 0.374 0.6497 0.824 0.000 0.016 0.160
#> ERR659033 1 0.228 0.6929 0.904 0.000 0.000 0.096
#> ERR659129 1 0.228 0.6929 0.904 0.000 0.000 0.096
#> ERR659034 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659130 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659035 1 0.528 0.4988 0.668 0.000 0.028 0.304
#> ERR659131 1 0.528 0.4988 0.668 0.000 0.028 0.304
#> ERR659036 4 0.783 0.3845 0.276 0.000 0.320 0.404
#> ERR659132 4 0.783 0.3845 0.276 0.000 0.320 0.404
#> ERR659037 1 0.376 0.6812 0.816 0.000 0.012 0.172
#> ERR659133 1 0.376 0.6812 0.816 0.000 0.012 0.172
#> ERR659038 1 0.439 0.5902 0.740 0.000 0.008 0.252
#> ERR659134 1 0.439 0.5902 0.740 0.000 0.008 0.252
#> ERR659039 1 0.270 0.6807 0.876 0.000 0.000 0.124
#> ERR659135 1 0.270 0.6807 0.876 0.000 0.000 0.124
#> ERR659040 1 0.455 0.6218 0.776 0.000 0.036 0.188
#> ERR659136 1 0.455 0.6218 0.776 0.000 0.036 0.188
#> ERR659041 3 0.450 0.5998 0.072 0.000 0.804 0.124
#> ERR659137 3 0.450 0.5998 0.072 0.000 0.804 0.124
#> ERR659042 1 0.707 0.0525 0.560 0.000 0.172 0.268
#> ERR659138 1 0.707 0.0525 0.560 0.000 0.172 0.268
#> ERR659043 1 0.531 0.5244 0.692 0.000 0.040 0.268
#> ERR659139 1 0.531 0.5244 0.692 0.000 0.040 0.268
#> ERR659044 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659140 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659045 1 0.283 0.6914 0.876 0.000 0.004 0.120
#> ERR659141 1 0.283 0.6914 0.876 0.000 0.004 0.120
#> ERR659046 1 0.376 0.6758 0.828 0.000 0.020 0.152
#> ERR659142 1 0.376 0.6758 0.828 0.000 0.020 0.152
#> ERR659047 1 0.464 0.5982 0.740 0.000 0.020 0.240
#> ERR659143 1 0.464 0.5982 0.740 0.000 0.020 0.240
#> ERR659048 1 0.432 0.6283 0.776 0.000 0.020 0.204
#> ERR659144 1 0.432 0.6283 0.776 0.000 0.020 0.204
#> ERR659049 4 0.652 0.5081 0.332 0.000 0.092 0.576
#> ERR659145 4 0.652 0.5081 0.332 0.000 0.092 0.576
#> ERR659050 1 0.428 0.6355 0.764 0.000 0.012 0.224
#> ERR659146 1 0.428 0.6355 0.764 0.000 0.012 0.224
#> ERR659051 3 0.576 0.2258 0.000 0.444 0.528 0.028
#> ERR659147 3 0.576 0.2258 0.000 0.444 0.528 0.028
#> ERR659052 1 0.463 0.5641 0.720 0.000 0.012 0.268
#> ERR659148 1 0.463 0.5641 0.720 0.000 0.012 0.268
#> ERR659053 1 0.339 0.6633 0.852 0.000 0.016 0.132
#> ERR659149 1 0.339 0.6633 0.852 0.000 0.016 0.132
#> ERR659054 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659150 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659055 1 0.156 0.6923 0.944 0.000 0.000 0.056
#> ERR659151 1 0.156 0.6923 0.944 0.000 0.000 0.056
#> ERR659056 2 0.404 0.6283 0.000 0.752 0.248 0.000
#> ERR659152 2 0.404 0.6283 0.000 0.752 0.248 0.000
#> ERR659057 1 0.164 0.6997 0.940 0.000 0.000 0.060
#> ERR659153 1 0.164 0.6997 0.940 0.000 0.000 0.060
#> ERR659058 1 0.517 0.2933 0.588 0.000 0.008 0.404
#> ERR659154 1 0.517 0.2933 0.588 0.000 0.008 0.404
#> ERR659059 1 0.429 0.6313 0.772 0.000 0.016 0.212
#> ERR659155 1 0.429 0.6313 0.772 0.000 0.016 0.212
#> ERR659060 1 0.471 0.6233 0.732 0.000 0.020 0.248
#> ERR659156 1 0.471 0.6233 0.732 0.000 0.020 0.248
#> ERR659061 1 0.478 0.4769 0.660 0.000 0.004 0.336
#> ERR659157 1 0.478 0.4769 0.660 0.000 0.004 0.336
#> ERR659062 1 0.498 0.1206 0.540 0.000 0.000 0.460
#> ERR659158 1 0.498 0.1206 0.540 0.000 0.000 0.460
#> ERR659063 1 0.520 0.2811 0.576 0.000 0.008 0.416
#> ERR659159 1 0.520 0.2811 0.576 0.000 0.008 0.416
#> ERR659064 1 0.350 0.6680 0.852 0.000 0.024 0.124
#> ERR659160 1 0.350 0.6680 0.852 0.000 0.024 0.124
#> ERR659065 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659161 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659066 1 0.487 0.5747 0.736 0.000 0.032 0.232
#> ERR659162 1 0.487 0.5747 0.736 0.000 0.032 0.232
#> ERR659067 1 0.281 0.6804 0.868 0.000 0.000 0.132
#> ERR659163 1 0.281 0.6804 0.868 0.000 0.000 0.132
#> ERR659068 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659164 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659069 1 0.363 0.6598 0.812 0.000 0.004 0.184
#> ERR659165 1 0.363 0.6598 0.812 0.000 0.004 0.184
#> ERR659070 1 0.578 0.1401 0.560 0.000 0.032 0.408
#> ERR659166 1 0.578 0.1401 0.560 0.000 0.032 0.408
#> ERR659071 1 0.463 0.4922 0.688 0.000 0.004 0.308
#> ERR659167 1 0.461 0.4923 0.692 0.000 0.004 0.304
#> ERR659072 1 0.484 0.3018 0.604 0.000 0.000 0.396
#> ERR659168 1 0.484 0.3018 0.604 0.000 0.000 0.396
#> ERR659073 1 0.499 0.0685 0.528 0.000 0.000 0.472
#> ERR659169 1 0.499 0.0685 0.528 0.000 0.000 0.472
#> ERR659074 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659170 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659075 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659171 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659076 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659172 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659077 1 0.512 0.1482 0.556 0.000 0.004 0.440
#> ERR659173 1 0.512 0.1482 0.556 0.000 0.004 0.440
#> ERR659078 1 0.480 0.4111 0.656 0.000 0.004 0.340
#> ERR659174 1 0.480 0.4111 0.656 0.000 0.004 0.340
#> ERR659079 1 0.497 0.1052 0.544 0.000 0.000 0.456
#> ERR659175 1 0.497 0.1052 0.544 0.000 0.000 0.456
#> ERR659080 3 0.401 0.6106 0.000 0.244 0.756 0.000
#> ERR659176 3 0.401 0.6106 0.000 0.244 0.756 0.000
#> ERR659081 1 0.213 0.6863 0.920 0.000 0.004 0.076
#> ERR659177 1 0.213 0.6863 0.920 0.000 0.004 0.076
#> ERR659082 1 0.415 0.6007 0.812 0.000 0.036 0.152
#> ERR659178 1 0.415 0.6007 0.812 0.000 0.036 0.152
#> ERR659083 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659179 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659084 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659180 2 0.000 0.9800 0.000 1.000 0.000 0.000
#> ERR659085 1 0.297 0.6797 0.856 0.000 0.000 0.144
#> ERR659181 1 0.297 0.6797 0.856 0.000 0.000 0.144
#> ERR659086 1 0.409 0.6019 0.764 0.000 0.004 0.232
#> ERR659182 1 0.405 0.6016 0.768 0.000 0.004 0.228
#> ERR659087 1 0.431 0.5769 0.736 0.000 0.004 0.260
#> ERR659183 1 0.431 0.5769 0.736 0.000 0.004 0.260
#> ERR659088 3 0.372 0.6671 0.000 0.180 0.812 0.008
#> ERR659184 3 0.372 0.6671 0.000 0.180 0.812 0.008
#> ERR659089 1 0.492 0.5561 0.736 0.000 0.036 0.228
#> ERR659185 1 0.492 0.5561 0.736 0.000 0.036 0.228
#> ERR659090 1 0.335 0.6549 0.844 0.000 0.008 0.148
#> ERR659186 1 0.335 0.6549 0.844 0.000 0.008 0.148
#> ERR659091 1 0.189 0.6912 0.936 0.000 0.008 0.056
#> ERR659187 1 0.189 0.6912 0.936 0.000 0.008 0.056
#> ERR659092 1 0.330 0.6839 0.848 0.000 0.008 0.144
#> ERR659188 1 0.330 0.6839 0.848 0.000 0.008 0.144
#> ERR659093 1 0.234 0.6933 0.900 0.000 0.000 0.100
#> ERR659189 1 0.234 0.6933 0.900 0.000 0.000 0.100
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 2 0.0162 0.9614 0.000 0.996 0.000 0.004 0.000
#> ERR467498 2 0.0162 0.9614 0.000 0.996 0.000 0.004 0.000
#> ERR658998 1 0.4965 -0.4078 0.520 0.000 0.452 0.000 0.028
#> ERR659094 1 0.4965 -0.4078 0.520 0.000 0.452 0.000 0.028
#> ERR658999 1 0.4629 0.4042 0.704 0.000 0.244 0.000 0.052
#> ERR659095 1 0.4629 0.4042 0.704 0.000 0.244 0.000 0.052
#> ERR659000 5 0.7711 -0.0334 0.060 0.000 0.228 0.348 0.364
#> ERR659096 5 0.7711 -0.0334 0.060 0.000 0.228 0.348 0.364
#> ERR659001 1 0.1469 0.5669 0.948 0.000 0.036 0.000 0.016
#> ERR659097 1 0.1469 0.5669 0.948 0.000 0.036 0.000 0.016
#> ERR659002 1 0.4277 0.5095 0.768 0.000 0.156 0.000 0.076
#> ERR659098 1 0.4277 0.5095 0.768 0.000 0.156 0.000 0.076
#> ERR659003 1 0.2863 0.5586 0.876 0.000 0.064 0.000 0.060
#> ERR659099 1 0.2863 0.5586 0.876 0.000 0.064 0.000 0.060
#> ERR659004 3 0.7892 0.1725 0.324 0.000 0.372 0.080 0.224
#> ERR659100 3 0.7892 0.1725 0.324 0.000 0.372 0.080 0.224
#> ERR659005 1 0.2676 0.5734 0.884 0.000 0.036 0.000 0.080
#> ERR659101 1 0.2676 0.5734 0.884 0.000 0.036 0.000 0.080
#> ERR659006 1 0.6415 0.1030 0.524 0.000 0.284 0.004 0.188
#> ERR659102 1 0.6415 0.1030 0.524 0.000 0.284 0.004 0.188
#> ERR659007 1 0.1211 0.5669 0.960 0.000 0.016 0.000 0.024
#> ERR659103 1 0.1211 0.5669 0.960 0.000 0.016 0.000 0.024
#> ERR659008 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659009 3 0.4430 0.4860 0.244 0.000 0.720 0.004 0.032
#> ERR659105 3 0.4430 0.4860 0.244 0.000 0.720 0.004 0.032
#> ERR659010 1 0.5088 0.3789 0.668 0.000 0.252 0.000 0.080
#> ERR659106 1 0.5088 0.3789 0.668 0.000 0.252 0.000 0.080
#> ERR659011 1 0.5329 0.4025 0.656 0.000 0.236 0.000 0.108
#> ERR659107 1 0.5354 0.3946 0.652 0.000 0.240 0.000 0.108
#> ERR659012 1 0.6683 -0.1038 0.480 0.000 0.348 0.016 0.156
#> ERR659108 1 0.6683 -0.1038 0.480 0.000 0.348 0.016 0.156
#> ERR659013 5 0.8026 0.2344 0.284 0.000 0.292 0.084 0.340
#> ERR659109 5 0.8026 0.2344 0.284 0.000 0.292 0.084 0.340
#> ERR659014 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.2378 0.5671 0.904 0.000 0.048 0.000 0.048
#> ERR659111 1 0.2378 0.5671 0.904 0.000 0.048 0.000 0.048
#> ERR659016 5 0.8206 0.3636 0.160 0.000 0.224 0.208 0.408
#> ERR659112 5 0.8206 0.3636 0.160 0.000 0.224 0.208 0.408
#> ERR659017 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.2922 0.5796 0.872 0.000 0.056 0.000 0.072
#> ERR659114 1 0.2922 0.5796 0.872 0.000 0.056 0.000 0.072
#> ERR659019 1 0.4926 0.4917 0.716 0.000 0.152 0.000 0.132
#> ERR659115 1 0.4926 0.4917 0.716 0.000 0.152 0.000 0.132
#> ERR659020 1 0.2344 0.5763 0.904 0.000 0.032 0.000 0.064
#> ERR659116 1 0.2344 0.5763 0.904 0.000 0.032 0.000 0.064
#> ERR659021 1 0.2209 0.5734 0.912 0.000 0.032 0.000 0.056
#> ERR659117 1 0.2209 0.5734 0.912 0.000 0.032 0.000 0.056
#> ERR659022 1 0.5032 0.4811 0.688 0.000 0.092 0.000 0.220
#> ERR659118 1 0.4982 0.4802 0.692 0.000 0.088 0.000 0.220
#> ERR659023 1 0.3712 0.5649 0.820 0.000 0.040 0.008 0.132
#> ERR659119 1 0.3712 0.5649 0.820 0.000 0.040 0.008 0.132
#> ERR659024 1 0.2848 0.5814 0.868 0.000 0.028 0.000 0.104
#> ERR659120 1 0.2848 0.5814 0.868 0.000 0.028 0.000 0.104
#> ERR659025 1 0.7233 -0.2132 0.420 0.000 0.152 0.048 0.380
#> ERR659121 1 0.7233 -0.2132 0.420 0.000 0.152 0.048 0.380
#> ERR659026 3 0.6667 0.4158 0.356 0.000 0.456 0.008 0.180
#> ERR659122 3 0.6667 0.4158 0.356 0.000 0.456 0.008 0.180
#> ERR659027 4 0.6090 0.4813 0.020 0.000 0.100 0.588 0.292
#> ERR659123 4 0.6090 0.4813 0.020 0.000 0.100 0.588 0.292
#> ERR659028 1 0.6315 0.2854 0.560 0.000 0.172 0.008 0.260
#> ERR659124 1 0.6315 0.2854 0.560 0.000 0.172 0.008 0.260
#> ERR659029 1 0.4735 0.5374 0.728 0.000 0.072 0.004 0.196
#> ERR659125 1 0.4735 0.5374 0.728 0.000 0.072 0.004 0.196
#> ERR659030 1 0.4466 0.5479 0.748 0.000 0.076 0.000 0.176
#> ERR659126 1 0.4466 0.5479 0.748 0.000 0.076 0.000 0.176
#> ERR659031 1 0.4751 0.5355 0.732 0.000 0.116 0.000 0.152
#> ERR659127 1 0.4751 0.5355 0.732 0.000 0.116 0.000 0.152
#> ERR659032 1 0.4077 0.5461 0.780 0.000 0.044 0.004 0.172
#> ERR659128 1 0.4077 0.5461 0.780 0.000 0.044 0.004 0.172
#> ERR659033 1 0.3375 0.5782 0.840 0.000 0.056 0.000 0.104
#> ERR659129 1 0.3375 0.5782 0.840 0.000 0.056 0.000 0.104
#> ERR659034 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659035 1 0.6573 0.0659 0.500 0.000 0.224 0.004 0.272
#> ERR659131 1 0.6553 0.0791 0.504 0.000 0.220 0.004 0.272
#> ERR659036 5 0.7874 0.3261 0.104 0.000 0.240 0.212 0.444
#> ERR659132 5 0.7874 0.3261 0.104 0.000 0.240 0.212 0.444
#> ERR659037 1 0.4111 0.5432 0.788 0.000 0.120 0.000 0.092
#> ERR659133 1 0.4111 0.5432 0.788 0.000 0.120 0.000 0.092
#> ERR659038 1 0.6187 0.2497 0.556 0.000 0.284 0.004 0.156
#> ERR659134 1 0.6187 0.2497 0.556 0.000 0.284 0.004 0.156
#> ERR659039 1 0.4808 0.5219 0.724 0.000 0.168 0.000 0.108
#> ERR659135 1 0.4808 0.5219 0.724 0.000 0.168 0.000 0.108
#> ERR659040 1 0.5886 0.3265 0.588 0.000 0.120 0.004 0.288
#> ERR659136 1 0.5886 0.3265 0.588 0.000 0.120 0.004 0.288
#> ERR659041 4 0.6251 0.4113 0.012 0.000 0.112 0.520 0.356
#> ERR659137 4 0.6251 0.4113 0.012 0.000 0.112 0.520 0.356
#> ERR659042 5 0.7228 0.1635 0.332 0.000 0.120 0.072 0.476
#> ERR659138 5 0.7228 0.1635 0.332 0.000 0.120 0.072 0.476
#> ERR659043 1 0.6220 0.2211 0.588 0.000 0.160 0.012 0.240
#> ERR659139 1 0.6220 0.2211 0.588 0.000 0.160 0.012 0.240
#> ERR659044 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659045 1 0.4617 0.5356 0.744 0.000 0.148 0.000 0.108
#> ERR659141 1 0.4617 0.5356 0.744 0.000 0.148 0.000 0.108
#> ERR659046 1 0.4879 0.4907 0.716 0.000 0.108 0.000 0.176
#> ERR659142 1 0.4879 0.4907 0.716 0.000 0.108 0.000 0.176
#> ERR659047 1 0.5806 0.3993 0.636 0.000 0.144 0.008 0.212
#> ERR659143 1 0.5806 0.3993 0.636 0.000 0.144 0.008 0.212
#> ERR659048 1 0.5288 0.4263 0.656 0.000 0.100 0.000 0.244
#> ERR659144 1 0.5288 0.4263 0.656 0.000 0.100 0.000 0.244
#> ERR659049 3 0.7096 0.3747 0.280 0.000 0.484 0.032 0.204
#> ERR659145 3 0.7096 0.3747 0.280 0.000 0.484 0.032 0.204
#> ERR659050 1 0.5668 0.3027 0.656 0.000 0.188 0.008 0.148
#> ERR659146 1 0.5668 0.3027 0.656 0.000 0.188 0.008 0.148
#> ERR659051 4 0.5940 0.6068 0.000 0.272 0.024 0.616 0.088
#> ERR659147 4 0.5940 0.6068 0.000 0.272 0.024 0.616 0.088
#> ERR659052 1 0.6692 0.1850 0.496 0.000 0.232 0.008 0.264
#> ERR659148 1 0.6692 0.1850 0.496 0.000 0.232 0.008 0.264
#> ERR659053 1 0.3863 0.5504 0.772 0.000 0.028 0.000 0.200
#> ERR659149 1 0.3863 0.5504 0.772 0.000 0.028 0.000 0.200
#> ERR659054 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659055 1 0.3056 0.5785 0.864 0.000 0.068 0.000 0.068
#> ERR659151 1 0.2992 0.5775 0.868 0.000 0.064 0.000 0.068
#> ERR659056 2 0.4637 0.1432 0.000 0.568 0.004 0.420 0.008
#> ERR659152 2 0.4637 0.1432 0.000 0.568 0.004 0.420 0.008
#> ERR659057 1 0.2813 0.5738 0.876 0.000 0.084 0.000 0.040
#> ERR659153 1 0.2813 0.5738 0.876 0.000 0.084 0.000 0.040
#> ERR659058 1 0.6810 -0.2174 0.412 0.000 0.376 0.008 0.204
#> ERR659154 1 0.6810 -0.2174 0.412 0.000 0.376 0.008 0.204
#> ERR659059 1 0.4844 0.4518 0.720 0.000 0.172 0.000 0.108
#> ERR659155 1 0.4797 0.4545 0.724 0.000 0.172 0.000 0.104
#> ERR659060 1 0.5912 0.3242 0.616 0.000 0.184 0.004 0.196
#> ERR659156 1 0.5912 0.3242 0.616 0.000 0.184 0.004 0.196
#> ERR659061 1 0.5568 -0.1459 0.540 0.000 0.384 0.000 0.076
#> ERR659157 1 0.5568 -0.1459 0.540 0.000 0.384 0.000 0.076
#> ERR659062 3 0.6177 0.4714 0.428 0.000 0.452 0.004 0.116
#> ERR659158 3 0.6177 0.4714 0.428 0.000 0.452 0.004 0.116
#> ERR659063 1 0.6032 -0.4031 0.460 0.000 0.424 0.000 0.116
#> ERR659159 1 0.6032 -0.4031 0.460 0.000 0.424 0.000 0.116
#> ERR659064 1 0.4776 0.5273 0.744 0.000 0.076 0.012 0.168
#> ERR659160 1 0.4776 0.5273 0.744 0.000 0.076 0.012 0.168
#> ERR659065 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659066 1 0.5814 0.3636 0.612 0.000 0.180 0.000 0.208
#> ERR659162 1 0.5814 0.3636 0.612 0.000 0.180 0.000 0.208
#> ERR659067 1 0.3930 0.5380 0.792 0.000 0.152 0.000 0.056
#> ERR659163 1 0.3930 0.5380 0.792 0.000 0.152 0.000 0.056
#> ERR659068 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659069 1 0.5435 0.4599 0.672 0.000 0.188 0.004 0.136
#> ERR659165 1 0.5435 0.4599 0.672 0.000 0.188 0.004 0.136
#> ERR659070 1 0.6801 -0.1507 0.480 0.000 0.296 0.012 0.212
#> ERR659166 1 0.6809 -0.1522 0.480 0.000 0.292 0.012 0.216
#> ERR659071 1 0.4873 0.1237 0.644 0.000 0.312 0.000 0.044
#> ERR659167 1 0.4891 0.1068 0.640 0.000 0.316 0.000 0.044
#> ERR659072 1 0.5350 -0.2719 0.488 0.000 0.460 0.000 0.052
#> ERR659168 1 0.5350 -0.2719 0.488 0.000 0.460 0.000 0.052
#> ERR659073 3 0.5092 0.5256 0.440 0.000 0.524 0.000 0.036
#> ERR659169 3 0.5092 0.5256 0.440 0.000 0.524 0.000 0.036
#> ERR659074 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659075 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659171 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659076 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659077 3 0.5044 0.5236 0.464 0.000 0.504 0.000 0.032
#> ERR659173 3 0.5044 0.5236 0.464 0.000 0.504 0.000 0.032
#> ERR659078 1 0.5378 -0.2491 0.548 0.000 0.392 0.000 0.060
#> ERR659174 1 0.5378 -0.2491 0.548 0.000 0.392 0.000 0.060
#> ERR659079 3 0.5111 0.4999 0.464 0.000 0.500 0.000 0.036
#> ERR659175 3 0.5111 0.4999 0.464 0.000 0.500 0.000 0.036
#> ERR659080 4 0.3328 0.6804 0.000 0.176 0.004 0.812 0.008
#> ERR659176 4 0.3328 0.6804 0.000 0.176 0.004 0.812 0.008
#> ERR659081 1 0.2054 0.5677 0.920 0.000 0.028 0.000 0.052
#> ERR659177 1 0.2054 0.5677 0.920 0.000 0.028 0.000 0.052
#> ERR659082 1 0.4761 0.4713 0.752 0.000 0.076 0.016 0.156
#> ERR659178 1 0.4761 0.4713 0.752 0.000 0.076 0.016 0.156
#> ERR659083 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.9652 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.3752 0.5182 0.804 0.000 0.148 0.000 0.048
#> ERR659181 1 0.3752 0.5182 0.804 0.000 0.148 0.000 0.048
#> ERR659086 1 0.4960 0.2993 0.668 0.000 0.268 0.000 0.064
#> ERR659182 1 0.4960 0.2993 0.668 0.000 0.268 0.000 0.064
#> ERR659087 1 0.5505 0.2353 0.604 0.000 0.304 0.000 0.092
#> ERR659183 1 0.5505 0.2353 0.604 0.000 0.304 0.000 0.092
#> ERR659088 4 0.3107 0.6789 0.000 0.124 0.008 0.852 0.016
#> ERR659184 4 0.3107 0.6789 0.000 0.124 0.008 0.852 0.016
#> ERR659089 1 0.5904 0.3316 0.636 0.000 0.156 0.012 0.196
#> ERR659185 1 0.5904 0.3316 0.636 0.000 0.156 0.012 0.196
#> ERR659090 1 0.4703 0.4630 0.744 0.000 0.096 0.004 0.156
#> ERR659186 1 0.4703 0.4630 0.744 0.000 0.096 0.004 0.156
#> ERR659091 1 0.2054 0.5654 0.920 0.000 0.028 0.000 0.052
#> ERR659187 1 0.2054 0.5654 0.920 0.000 0.028 0.000 0.052
#> ERR659092 1 0.3966 0.5023 0.796 0.000 0.132 0.000 0.072
#> ERR659188 1 0.3966 0.5023 0.796 0.000 0.132 0.000 0.072
#> ERR659093 1 0.2645 0.5706 0.888 0.000 0.068 0.000 0.044
#> ERR659189 1 0.2645 0.5706 0.888 0.000 0.068 0.000 0.044
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR467498 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR658998 3 0.4338 0.5209 0.420 0.000 0.560 0.000 0.016 0.004
#> ERR659094 3 0.4338 0.5209 0.420 0.000 0.560 0.000 0.016 0.004
#> ERR658999 1 0.5046 0.2419 0.608 0.000 0.280 0.000 0.112 0.000
#> ERR659095 1 0.5046 0.2419 0.608 0.000 0.280 0.000 0.112 0.000
#> ERR659000 6 0.7689 0.3801 0.096 0.000 0.116 0.160 0.128 0.500
#> ERR659096 6 0.7689 0.3801 0.096 0.000 0.116 0.160 0.128 0.500
#> ERR659001 1 0.2009 0.5272 0.908 0.000 0.068 0.000 0.024 0.000
#> ERR659097 1 0.2009 0.5272 0.908 0.000 0.068 0.000 0.024 0.000
#> ERR659002 1 0.5081 0.4571 0.676 0.000 0.180 0.000 0.124 0.020
#> ERR659098 1 0.5081 0.4571 0.676 0.000 0.180 0.000 0.124 0.020
#> ERR659003 1 0.3759 0.5318 0.796 0.000 0.084 0.000 0.112 0.008
#> ERR659099 1 0.3759 0.5318 0.796 0.000 0.084 0.000 0.112 0.008
#> ERR659004 5 0.8574 0.4789 0.172 0.000 0.252 0.084 0.300 0.192
#> ERR659100 5 0.8574 0.4789 0.172 0.000 0.252 0.084 0.300 0.192
#> ERR659005 1 0.3411 0.5424 0.824 0.000 0.068 0.000 0.100 0.008
#> ERR659101 1 0.3411 0.5424 0.824 0.000 0.068 0.000 0.100 0.008
#> ERR659006 1 0.7191 -0.1606 0.376 0.000 0.264 0.004 0.284 0.072
#> ERR659102 1 0.7191 -0.1606 0.376 0.000 0.264 0.004 0.284 0.072
#> ERR659007 1 0.1807 0.5417 0.920 0.000 0.020 0.000 0.060 0.000
#> ERR659103 1 0.1807 0.5417 0.920 0.000 0.020 0.000 0.060 0.000
#> ERR659008 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 3 0.4478 0.3867 0.168 0.000 0.732 0.000 0.084 0.016
#> ERR659105 3 0.4478 0.3867 0.168 0.000 0.732 0.000 0.084 0.016
#> ERR659010 1 0.5701 0.1578 0.536 0.000 0.280 0.000 0.180 0.004
#> ERR659106 1 0.5701 0.1578 0.536 0.000 0.280 0.000 0.180 0.004
#> ERR659011 1 0.5624 0.2671 0.576 0.000 0.228 0.000 0.188 0.008
#> ERR659107 1 0.5624 0.2671 0.576 0.000 0.228 0.000 0.188 0.008
#> ERR659012 1 0.7284 -0.1252 0.364 0.000 0.244 0.012 0.316 0.064
#> ERR659108 1 0.7284 -0.1252 0.364 0.000 0.244 0.012 0.316 0.064
#> ERR659013 5 0.8266 0.4678 0.248 0.000 0.184 0.036 0.276 0.256
#> ERR659109 5 0.8266 0.4678 0.248 0.000 0.184 0.036 0.276 0.256
#> ERR659014 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.3090 0.5411 0.848 0.000 0.056 0.000 0.088 0.008
#> ERR659111 1 0.3090 0.5411 0.848 0.000 0.056 0.000 0.088 0.008
#> ERR659016 6 0.7943 0.3083 0.092 0.000 0.112 0.140 0.204 0.452
#> ERR659112 6 0.7943 0.3083 0.092 0.000 0.112 0.140 0.204 0.452
#> ERR659017 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.2985 0.5212 0.844 0.000 0.100 0.000 0.056 0.000
#> ERR659114 1 0.2985 0.5212 0.844 0.000 0.100 0.000 0.056 0.000
#> ERR659019 1 0.5401 0.4143 0.628 0.000 0.148 0.000 0.208 0.016
#> ERR659115 1 0.5401 0.4143 0.628 0.000 0.148 0.000 0.208 0.016
#> ERR659020 1 0.2000 0.5429 0.916 0.000 0.032 0.000 0.048 0.004
#> ERR659116 1 0.2000 0.5429 0.916 0.000 0.032 0.000 0.048 0.004
#> ERR659021 1 0.3237 0.5329 0.836 0.000 0.100 0.000 0.056 0.008
#> ERR659117 1 0.3237 0.5329 0.836 0.000 0.100 0.000 0.056 0.008
#> ERR659022 1 0.5753 0.4584 0.648 0.000 0.104 0.004 0.172 0.072
#> ERR659118 1 0.5753 0.4584 0.648 0.000 0.104 0.004 0.172 0.072
#> ERR659023 1 0.3468 0.5388 0.808 0.000 0.028 0.000 0.148 0.016
#> ERR659119 1 0.3468 0.5388 0.808 0.000 0.028 0.000 0.148 0.016
#> ERR659024 1 0.3381 0.5487 0.808 0.000 0.040 0.000 0.148 0.004
#> ERR659120 1 0.3381 0.5487 0.808 0.000 0.040 0.000 0.148 0.004
#> ERR659025 1 0.7781 -0.2918 0.336 0.000 0.108 0.024 0.224 0.308
#> ERR659121 1 0.7781 -0.2918 0.336 0.000 0.108 0.024 0.224 0.308
#> ERR659026 3 0.7066 0.1109 0.208 0.000 0.468 0.000 0.192 0.132
#> ERR659122 3 0.7066 0.1109 0.208 0.000 0.468 0.000 0.192 0.132
#> ERR659027 6 0.5760 0.3231 0.016 0.000 0.024 0.416 0.056 0.488
#> ERR659123 6 0.5760 0.3231 0.016 0.000 0.024 0.416 0.056 0.488
#> ERR659028 1 0.7119 0.1104 0.456 0.000 0.160 0.008 0.276 0.100
#> ERR659124 1 0.7119 0.1104 0.456 0.000 0.160 0.008 0.276 0.100
#> ERR659029 1 0.4957 0.4959 0.668 0.000 0.048 0.000 0.244 0.040
#> ERR659125 1 0.4934 0.4990 0.672 0.000 0.048 0.000 0.240 0.040
#> ERR659030 1 0.4335 0.5245 0.756 0.000 0.060 0.000 0.152 0.032
#> ERR659126 1 0.4335 0.5245 0.756 0.000 0.060 0.000 0.152 0.032
#> ERR659031 1 0.4940 0.5079 0.712 0.000 0.092 0.000 0.152 0.044
#> ERR659127 1 0.4940 0.5079 0.712 0.000 0.092 0.000 0.152 0.044
#> ERR659032 1 0.4835 0.5119 0.712 0.000 0.028 0.008 0.192 0.060
#> ERR659128 1 0.4835 0.5119 0.712 0.000 0.028 0.008 0.192 0.060
#> ERR659033 1 0.3603 0.5450 0.804 0.000 0.040 0.000 0.140 0.016
#> ERR659129 1 0.3603 0.5450 0.804 0.000 0.040 0.000 0.140 0.016
#> ERR659034 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 1 0.7243 0.0551 0.448 0.000 0.164 0.004 0.244 0.140
#> ERR659131 1 0.7243 0.0551 0.448 0.000 0.164 0.004 0.244 0.140
#> ERR659036 6 0.7442 0.3584 0.060 0.000 0.096 0.116 0.236 0.492
#> ERR659132 6 0.7442 0.3584 0.060 0.000 0.096 0.116 0.236 0.492
#> ERR659037 1 0.5355 0.4490 0.688 0.000 0.152 0.004 0.096 0.060
#> ERR659133 1 0.5355 0.4490 0.688 0.000 0.152 0.004 0.096 0.060
#> ERR659038 1 0.6548 -0.0527 0.436 0.000 0.228 0.004 0.308 0.024
#> ERR659134 1 0.6548 -0.0527 0.436 0.000 0.228 0.004 0.308 0.024
#> ERR659039 1 0.4374 0.4870 0.712 0.000 0.096 0.000 0.192 0.000
#> ERR659135 1 0.4374 0.4870 0.712 0.000 0.096 0.000 0.192 0.000
#> ERR659040 1 0.6608 0.2784 0.544 0.000 0.132 0.004 0.220 0.100
#> ERR659136 1 0.6608 0.2784 0.544 0.000 0.132 0.004 0.220 0.100
#> ERR659041 6 0.6820 0.4091 0.024 0.000 0.052 0.344 0.120 0.460
#> ERR659137 6 0.6820 0.4091 0.024 0.000 0.052 0.344 0.120 0.460
#> ERR659042 1 0.7608 -0.3060 0.308 0.000 0.072 0.024 0.292 0.304
#> ERR659138 1 0.7608 -0.3060 0.308 0.000 0.072 0.024 0.292 0.304
#> ERR659043 1 0.7196 0.2180 0.512 0.000 0.148 0.020 0.148 0.172
#> ERR659139 1 0.7196 0.2180 0.512 0.000 0.148 0.020 0.148 0.172
#> ERR659044 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.4719 0.4672 0.700 0.000 0.120 0.000 0.172 0.008
#> ERR659141 1 0.4719 0.4672 0.700 0.000 0.120 0.000 0.172 0.008
#> ERR659046 1 0.4589 0.4834 0.744 0.000 0.092 0.000 0.128 0.036
#> ERR659142 1 0.4589 0.4834 0.744 0.000 0.092 0.000 0.128 0.036
#> ERR659047 1 0.6511 0.2502 0.556 0.000 0.184 0.008 0.188 0.064
#> ERR659143 1 0.6511 0.2502 0.556 0.000 0.184 0.008 0.188 0.064
#> ERR659048 1 0.6057 0.3525 0.596 0.000 0.128 0.000 0.204 0.072
#> ERR659144 1 0.6057 0.3525 0.596 0.000 0.128 0.000 0.204 0.072
#> ERR659049 3 0.7281 0.0908 0.152 0.000 0.488 0.020 0.124 0.216
#> ERR659145 3 0.7281 0.0908 0.152 0.000 0.488 0.020 0.124 0.216
#> ERR659050 1 0.6388 0.3090 0.580 0.000 0.188 0.008 0.152 0.072
#> ERR659146 1 0.6388 0.3090 0.580 0.000 0.188 0.008 0.152 0.072
#> ERR659051 4 0.6875 0.5045 0.000 0.260 0.036 0.524 0.060 0.120
#> ERR659147 4 0.6875 0.5045 0.000 0.260 0.036 0.524 0.060 0.120
#> ERR659052 1 0.6979 0.0796 0.416 0.000 0.140 0.012 0.360 0.072
#> ERR659148 1 0.6979 0.0796 0.416 0.000 0.140 0.012 0.360 0.072
#> ERR659053 1 0.3572 0.5337 0.792 0.000 0.024 0.000 0.168 0.016
#> ERR659149 1 0.3572 0.5337 0.792 0.000 0.024 0.000 0.168 0.016
#> ERR659054 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.3221 0.5264 0.828 0.000 0.076 0.000 0.096 0.000
#> ERR659151 1 0.3221 0.5264 0.828 0.000 0.076 0.000 0.096 0.000
#> ERR659056 4 0.4122 0.4063 0.000 0.472 0.004 0.520 0.000 0.004
#> ERR659152 4 0.4122 0.4063 0.000 0.472 0.004 0.520 0.000 0.004
#> ERR659057 1 0.3536 0.5133 0.804 0.000 0.132 0.000 0.060 0.004
#> ERR659153 1 0.3576 0.5112 0.800 0.000 0.136 0.000 0.060 0.004
#> ERR659058 3 0.7095 0.3137 0.348 0.000 0.348 0.008 0.244 0.052
#> ERR659154 3 0.7095 0.3137 0.348 0.000 0.348 0.008 0.244 0.052
#> ERR659059 1 0.4861 0.3443 0.676 0.000 0.236 0.000 0.064 0.024
#> ERR659155 1 0.4861 0.3443 0.676 0.000 0.236 0.000 0.064 0.024
#> ERR659060 1 0.6641 0.2728 0.544 0.000 0.200 0.004 0.156 0.096
#> ERR659156 1 0.6641 0.2728 0.544 0.000 0.200 0.004 0.156 0.096
#> ERR659061 1 0.5824 -0.3626 0.456 0.000 0.432 0.000 0.056 0.056
#> ERR659157 1 0.5824 -0.3626 0.456 0.000 0.432 0.000 0.056 0.056
#> ERR659062 3 0.6254 0.5231 0.376 0.000 0.468 0.000 0.084 0.072
#> ERR659158 3 0.6254 0.5231 0.376 0.000 0.468 0.000 0.084 0.072
#> ERR659063 3 0.6466 0.3995 0.392 0.000 0.424 0.000 0.124 0.060
#> ERR659159 3 0.6466 0.3995 0.392 0.000 0.424 0.000 0.124 0.060
#> ERR659064 1 0.4895 0.4925 0.692 0.000 0.064 0.000 0.208 0.036
#> ERR659160 1 0.4895 0.4925 0.692 0.000 0.064 0.000 0.208 0.036
#> ERR659065 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 1 0.6796 0.1637 0.488 0.000 0.192 0.004 0.248 0.068
#> ERR659162 1 0.6796 0.1637 0.488 0.000 0.192 0.004 0.248 0.068
#> ERR659067 1 0.4253 0.4329 0.728 0.000 0.196 0.000 0.072 0.004
#> ERR659163 1 0.4253 0.4329 0.728 0.000 0.196 0.000 0.072 0.004
#> ERR659068 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 1 0.5674 0.3380 0.588 0.000 0.116 0.004 0.272 0.020
#> ERR659165 1 0.5674 0.3380 0.588 0.000 0.116 0.004 0.272 0.020
#> ERR659070 1 0.7681 -0.1813 0.352 0.000 0.288 0.008 0.176 0.176
#> ERR659166 1 0.7681 -0.1813 0.352 0.000 0.288 0.008 0.176 0.176
#> ERR659071 1 0.5183 -0.1416 0.540 0.000 0.396 0.004 0.040 0.020
#> ERR659167 1 0.5183 -0.1416 0.540 0.000 0.396 0.004 0.040 0.020
#> ERR659072 3 0.5321 0.5351 0.348 0.000 0.552 0.000 0.092 0.008
#> ERR659168 3 0.5321 0.5351 0.348 0.000 0.552 0.000 0.092 0.008
#> ERR659073 3 0.4696 0.6074 0.332 0.000 0.620 0.000 0.024 0.024
#> ERR659169 3 0.4696 0.6074 0.332 0.000 0.620 0.000 0.024 0.024
#> ERR659074 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 2 0.0146 0.9949 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR659171 2 0.0146 0.9949 0.000 0.996 0.000 0.004 0.000 0.000
#> ERR659076 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 3 0.4917 0.5565 0.300 0.000 0.628 0.000 0.056 0.016
#> ERR659173 3 0.4933 0.5606 0.304 0.000 0.624 0.000 0.056 0.016
#> ERR659078 3 0.5706 0.4786 0.404 0.000 0.492 0.000 0.056 0.048
#> ERR659174 3 0.5706 0.4786 0.404 0.000 0.492 0.000 0.056 0.048
#> ERR659079 3 0.4582 0.5808 0.296 0.000 0.652 0.000 0.040 0.012
#> ERR659175 3 0.4582 0.5808 0.296 0.000 0.652 0.000 0.040 0.012
#> ERR659080 4 0.2822 0.5112 0.000 0.096 0.008 0.868 0.012 0.016
#> ERR659176 4 0.2822 0.5112 0.000 0.096 0.008 0.868 0.012 0.016
#> ERR659081 1 0.3355 0.5373 0.816 0.000 0.048 0.000 0.132 0.004
#> ERR659177 1 0.3355 0.5373 0.816 0.000 0.048 0.000 0.132 0.004
#> ERR659082 1 0.5405 0.4176 0.648 0.000 0.044 0.008 0.240 0.060
#> ERR659178 1 0.5405 0.4176 0.648 0.000 0.044 0.008 0.240 0.060
#> ERR659083 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 0.9996 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.4067 0.4284 0.728 0.000 0.212 0.000 0.060 0.000
#> ERR659181 1 0.4067 0.4284 0.728 0.000 0.212 0.000 0.060 0.000
#> ERR659086 1 0.5530 0.0699 0.564 0.000 0.320 0.000 0.096 0.020
#> ERR659182 1 0.5530 0.0699 0.564 0.000 0.320 0.000 0.096 0.020
#> ERR659087 1 0.6193 0.1642 0.512 0.000 0.276 0.000 0.184 0.028
#> ERR659183 1 0.6193 0.1642 0.512 0.000 0.276 0.000 0.184 0.028
#> ERR659088 4 0.1780 0.4135 0.000 0.048 0.000 0.924 0.000 0.028
#> ERR659184 4 0.1780 0.4135 0.000 0.048 0.000 0.924 0.000 0.028
#> ERR659089 1 0.6596 0.3085 0.556 0.000 0.108 0.012 0.228 0.096
#> ERR659185 1 0.6616 0.3041 0.552 0.000 0.108 0.012 0.232 0.096
#> ERR659090 1 0.5260 0.4505 0.660 0.000 0.072 0.004 0.228 0.036
#> ERR659186 1 0.5260 0.4505 0.660 0.000 0.072 0.004 0.228 0.036
#> ERR659091 1 0.3055 0.5353 0.840 0.000 0.064 0.000 0.096 0.000
#> ERR659187 1 0.3055 0.5353 0.840 0.000 0.064 0.000 0.096 0.000
#> ERR659092 1 0.4218 0.4832 0.736 0.000 0.156 0.000 0.108 0.000
#> ERR659188 1 0.4218 0.4832 0.736 0.000 0.156 0.000 0.108 0.000
#> ERR659093 1 0.3394 0.4824 0.804 0.000 0.144 0.000 0.052 0.000
#> ERR659189 1 0.3394 0.4824 0.804 0.000 0.144 0.000 0.052 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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 1.000 1.000 0.2187 0.782 0.782
#> 3 3 1.000 1.000 1.000 0.0820 0.982 0.977
#> 4 4 1.000 1.000 1.000 0.0749 0.982 0.977
#> 5 5 0.982 0.996 0.997 0.0688 0.982 0.977
#> 6 6 1.000 1.000 1.000 0.0636 0.983 0.976
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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0 1 1 0 0
#> ERR467498 1 0 1 1 0 0
#> ERR658998 1 0 1 1 0 0
#> ERR659094 1 0 1 1 0 0
#> ERR658999 1 0 1 1 0 0
#> ERR659095 1 0 1 1 0 0
#> ERR659000 1 0 1 1 0 0
#> ERR659096 1 0 1 1 0 0
#> ERR659001 1 0 1 1 0 0
#> ERR659097 1 0 1 1 0 0
#> ERR659002 1 0 1 1 0 0
#> ERR659098 1 0 1 1 0 0
#> ERR659003 1 0 1 1 0 0
#> ERR659099 1 0 1 1 0 0
#> ERR659004 1 0 1 1 0 0
#> ERR659100 1 0 1 1 0 0
#> ERR659005 1 0 1 1 0 0
#> ERR659101 1 0 1 1 0 0
#> ERR659006 1 0 1 1 0 0
#> ERR659102 1 0 1 1 0 0
#> ERR659007 1 0 1 1 0 0
#> ERR659103 1 0 1 1 0 0
#> ERR659008 2 0 1 0 1 0
#> ERR659104 2 0 1 0 1 0
#> ERR659009 1 0 1 1 0 0
#> ERR659105 1 0 1 1 0 0
#> ERR659010 1 0 1 1 0 0
#> ERR659106 1 0 1 1 0 0
#> ERR659011 1 0 1 1 0 0
#> ERR659107 1 0 1 1 0 0
#> ERR659012 1 0 1 1 0 0
#> ERR659108 1 0 1 1 0 0
#> ERR659013 1 0 1 1 0 0
#> ERR659109 1 0 1 1 0 0
#> ERR659014 2 0 1 0 1 0
#> ERR659110 2 0 1 0 1 0
#> ERR659015 1 0 1 1 0 0
#> ERR659111 1 0 1 1 0 0
#> ERR659016 1 0 1 1 0 0
#> ERR659112 1 0 1 1 0 0
#> ERR659017 2 0 1 0 1 0
#> ERR659113 2 0 1 0 1 0
#> ERR659018 1 0 1 1 0 0
#> ERR659114 1 0 1 1 0 0
#> ERR659019 1 0 1 1 0 0
#> ERR659115 1 0 1 1 0 0
#> ERR659020 1 0 1 1 0 0
#> ERR659116 1 0 1 1 0 0
#> ERR659021 1 0 1 1 0 0
#> ERR659117 1 0 1 1 0 0
#> ERR659022 1 0 1 1 0 0
#> ERR659118 1 0 1 1 0 0
#> ERR659023 1 0 1 1 0 0
#> ERR659119 1 0 1 1 0 0
#> ERR659024 1 0 1 1 0 0
#> ERR659120 1 0 1 1 0 0
#> ERR659025 1 0 1 1 0 0
#> ERR659121 1 0 1 1 0 0
#> ERR659026 1 0 1 1 0 0
#> ERR659122 1 0 1 1 0 0
#> ERR659027 1 0 1 1 0 0
#> ERR659123 1 0 1 1 0 0
#> ERR659028 1 0 1 1 0 0
#> ERR659124 1 0 1 1 0 0
#> ERR659029 1 0 1 1 0 0
#> ERR659125 1 0 1 1 0 0
#> ERR659030 1 0 1 1 0 0
#> ERR659126 1 0 1 1 0 0
#> ERR659031 1 0 1 1 0 0
#> ERR659127 1 0 1 1 0 0
#> ERR659032 1 0 1 1 0 0
#> ERR659128 1 0 1 1 0 0
#> ERR659033 1 0 1 1 0 0
#> ERR659129 1 0 1 1 0 0
#> ERR659034 2 0 1 0 1 0
#> ERR659130 2 0 1 0 1 0
#> ERR659035 1 0 1 1 0 0
#> ERR659131 1 0 1 1 0 0
#> ERR659036 1 0 1 1 0 0
#> ERR659132 1 0 1 1 0 0
#> ERR659037 1 0 1 1 0 0
#> ERR659133 1 0 1 1 0 0
#> ERR659038 1 0 1 1 0 0
#> ERR659134 1 0 1 1 0 0
#> ERR659039 1 0 1 1 0 0
#> ERR659135 1 0 1 1 0 0
#> ERR659040 1 0 1 1 0 0
#> ERR659136 1 0 1 1 0 0
#> ERR659041 1 0 1 1 0 0
#> ERR659137 1 0 1 1 0 0
#> ERR659042 1 0 1 1 0 0
#> ERR659138 1 0 1 1 0 0
#> ERR659043 1 0 1 1 0 0
#> ERR659139 1 0 1 1 0 0
#> ERR659044 2 0 1 0 1 0
#> ERR659140 2 0 1 0 1 0
#> ERR659045 1 0 1 1 0 0
#> ERR659141 1 0 1 1 0 0
#> ERR659046 1 0 1 1 0 0
#> ERR659142 1 0 1 1 0 0
#> ERR659047 1 0 1 1 0 0
#> ERR659143 1 0 1 1 0 0
#> ERR659048 1 0 1 1 0 0
#> ERR659144 1 0 1 1 0 0
#> ERR659049 1 0 1 1 0 0
#> ERR659145 1 0 1 1 0 0
#> ERR659050 1 0 1 1 0 0
#> ERR659146 1 0 1 1 0 0
#> ERR659051 1 0 1 1 0 0
#> ERR659147 1 0 1 1 0 0
#> ERR659052 1 0 1 1 0 0
#> ERR659148 1 0 1 1 0 0
#> ERR659053 1 0 1 1 0 0
#> ERR659149 1 0 1 1 0 0
#> ERR659054 2 0 1 0 1 0
#> ERR659150 2 0 1 0 1 0
#> ERR659055 1 0 1 1 0 0
#> ERR659151 1 0 1 1 0 0
#> ERR659056 1 0 1 1 0 0
#> ERR659152 1 0 1 1 0 0
#> ERR659057 1 0 1 1 0 0
#> ERR659153 1 0 1 1 0 0
#> ERR659058 1 0 1 1 0 0
#> ERR659154 1 0 1 1 0 0
#> ERR659059 1 0 1 1 0 0
#> ERR659155 1 0 1 1 0 0
#> ERR659060 1 0 1 1 0 0
#> ERR659156 1 0 1 1 0 0
#> ERR659061 1 0 1 1 0 0
#> ERR659157 1 0 1 1 0 0
#> ERR659062 1 0 1 1 0 0
#> ERR659158 1 0 1 1 0 0
#> ERR659063 1 0 1 1 0 0
#> ERR659159 1 0 1 1 0 0
#> ERR659064 1 0 1 1 0 0
#> ERR659160 1 0 1 1 0 0
#> ERR659065 2 0 1 0 1 0
#> ERR659161 2 0 1 0 1 0
#> ERR659066 1 0 1 1 0 0
#> ERR659162 1 0 1 1 0 0
#> ERR659067 1 0 1 1 0 0
#> ERR659163 1 0 1 1 0 0
#> ERR659068 2 0 1 0 1 0
#> ERR659164 2 0 1 0 1 0
#> ERR659069 1 0 1 1 0 0
#> ERR659165 1 0 1 1 0 0
#> ERR659070 1 0 1 1 0 0
#> ERR659166 1 0 1 1 0 0
#> ERR659071 1 0 1 1 0 0
#> ERR659167 1 0 1 1 0 0
#> ERR659072 1 0 1 1 0 0
#> ERR659168 1 0 1 1 0 0
#> ERR659073 1 0 1 1 0 0
#> ERR659169 1 0 1 1 0 0
#> ERR659074 2 0 1 0 1 0
#> ERR659170 2 0 1 0 1 0
#> ERR659075 3 0 1 0 0 1
#> ERR659171 3 0 1 0 0 1
#> ERR659076 2 0 1 0 1 0
#> ERR659172 2 0 1 0 1 0
#> ERR659077 1 0 1 1 0 0
#> ERR659173 1 0 1 1 0 0
#> ERR659078 1 0 1 1 0 0
#> ERR659174 1 0 1 1 0 0
#> ERR659079 1 0 1 1 0 0
#> ERR659175 1 0 1 1 0 0
#> ERR659080 1 0 1 1 0 0
#> ERR659176 1 0 1 1 0 0
#> ERR659081 1 0 1 1 0 0
#> ERR659177 1 0 1 1 0 0
#> ERR659082 1 0 1 1 0 0
#> ERR659178 1 0 1 1 0 0
#> ERR659083 2 0 1 0 1 0
#> ERR659179 2 0 1 0 1 0
#> ERR659084 2 0 1 0 1 0
#> ERR659180 2 0 1 0 1 0
#> ERR659085 1 0 1 1 0 0
#> ERR659181 1 0 1 1 0 0
#> ERR659086 1 0 1 1 0 0
#> ERR659182 1 0 1 1 0 0
#> ERR659087 1 0 1 1 0 0
#> ERR659183 1 0 1 1 0 0
#> ERR659088 1 0 1 1 0 0
#> ERR659184 1 0 1 1 0 0
#> ERR659089 1 0 1 1 0 0
#> ERR659185 1 0 1 1 0 0
#> ERR659090 1 0 1 1 0 0
#> ERR659186 1 0 1 1 0 0
#> ERR659091 1 0 1 1 0 0
#> ERR659187 1 0 1 1 0 0
#> ERR659092 1 0 1 1 0 0
#> ERR659188 1 0 1 1 0 0
#> ERR659093 1 0 1 1 0 0
#> ERR659189 1 0 1 1 0 0
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 4 0 1 0 0 0 1
#> ERR467498 4 0 1 0 0 0 1
#> ERR658998 1 0 1 1 0 0 0
#> ERR659094 1 0 1 1 0 0 0
#> ERR658999 1 0 1 1 0 0 0
#> ERR659095 1 0 1 1 0 0 0
#> ERR659000 1 0 1 1 0 0 0
#> ERR659096 1 0 1 1 0 0 0
#> ERR659001 1 0 1 1 0 0 0
#> ERR659097 1 0 1 1 0 0 0
#> ERR659002 1 0 1 1 0 0 0
#> ERR659098 1 0 1 1 0 0 0
#> ERR659003 1 0 1 1 0 0 0
#> ERR659099 1 0 1 1 0 0 0
#> ERR659004 1 0 1 1 0 0 0
#> ERR659100 1 0 1 1 0 0 0
#> ERR659005 1 0 1 1 0 0 0
#> ERR659101 1 0 1 1 0 0 0
#> ERR659006 1 0 1 1 0 0 0
#> ERR659102 1 0 1 1 0 0 0
#> ERR659007 1 0 1 1 0 0 0
#> ERR659103 1 0 1 1 0 0 0
#> ERR659008 2 0 1 0 1 0 0
#> ERR659104 2 0 1 0 1 0 0
#> ERR659009 1 0 1 1 0 0 0
#> ERR659105 1 0 1 1 0 0 0
#> ERR659010 1 0 1 1 0 0 0
#> ERR659106 1 0 1 1 0 0 0
#> ERR659011 1 0 1 1 0 0 0
#> ERR659107 1 0 1 1 0 0 0
#> ERR659012 1 0 1 1 0 0 0
#> ERR659108 1 0 1 1 0 0 0
#> ERR659013 1 0 1 1 0 0 0
#> ERR659109 1 0 1 1 0 0 0
#> ERR659014 2 0 1 0 1 0 0
#> ERR659110 2 0 1 0 1 0 0
#> ERR659015 1 0 1 1 0 0 0
#> ERR659111 1 0 1 1 0 0 0
#> ERR659016 1 0 1 1 0 0 0
#> ERR659112 1 0 1 1 0 0 0
#> ERR659017 2 0 1 0 1 0 0
#> ERR659113 2 0 1 0 1 0 0
#> ERR659018 1 0 1 1 0 0 0
#> ERR659114 1 0 1 1 0 0 0
#> ERR659019 1 0 1 1 0 0 0
#> ERR659115 1 0 1 1 0 0 0
#> ERR659020 1 0 1 1 0 0 0
#> ERR659116 1 0 1 1 0 0 0
#> ERR659021 1 0 1 1 0 0 0
#> ERR659117 1 0 1 1 0 0 0
#> ERR659022 1 0 1 1 0 0 0
#> ERR659118 1 0 1 1 0 0 0
#> ERR659023 1 0 1 1 0 0 0
#> ERR659119 1 0 1 1 0 0 0
#> ERR659024 1 0 1 1 0 0 0
#> ERR659120 1 0 1 1 0 0 0
#> ERR659025 1 0 1 1 0 0 0
#> ERR659121 1 0 1 1 0 0 0
#> ERR659026 1 0 1 1 0 0 0
#> ERR659122 1 0 1 1 0 0 0
#> ERR659027 1 0 1 1 0 0 0
#> ERR659123 1 0 1 1 0 0 0
#> ERR659028 1 0 1 1 0 0 0
#> ERR659124 1 0 1 1 0 0 0
#> ERR659029 1 0 1 1 0 0 0
#> ERR659125 1 0 1 1 0 0 0
#> ERR659030 1 0 1 1 0 0 0
#> ERR659126 1 0 1 1 0 0 0
#> ERR659031 1 0 1 1 0 0 0
#> ERR659127 1 0 1 1 0 0 0
#> ERR659032 1 0 1 1 0 0 0
#> ERR659128 1 0 1 1 0 0 0
#> ERR659033 1 0 1 1 0 0 0
#> ERR659129 1 0 1 1 0 0 0
#> ERR659034 2 0 1 0 1 0 0
#> ERR659130 2 0 1 0 1 0 0
#> ERR659035 1 0 1 1 0 0 0
#> ERR659131 1 0 1 1 0 0 0
#> ERR659036 1 0 1 1 0 0 0
#> ERR659132 1 0 1 1 0 0 0
#> ERR659037 1 0 1 1 0 0 0
#> ERR659133 1 0 1 1 0 0 0
#> ERR659038 1 0 1 1 0 0 0
#> ERR659134 1 0 1 1 0 0 0
#> ERR659039 1 0 1 1 0 0 0
#> ERR659135 1 0 1 1 0 0 0
#> ERR659040 1 0 1 1 0 0 0
#> ERR659136 1 0 1 1 0 0 0
#> ERR659041 1 0 1 1 0 0 0
#> ERR659137 1 0 1 1 0 0 0
#> ERR659042 1 0 1 1 0 0 0
#> ERR659138 1 0 1 1 0 0 0
#> ERR659043 1 0 1 1 0 0 0
#> ERR659139 1 0 1 1 0 0 0
#> ERR659044 2 0 1 0 1 0 0
#> ERR659140 2 0 1 0 1 0 0
#> ERR659045 1 0 1 1 0 0 0
#> ERR659141 1 0 1 1 0 0 0
#> ERR659046 1 0 1 1 0 0 0
#> ERR659142 1 0 1 1 0 0 0
#> ERR659047 1 0 1 1 0 0 0
#> ERR659143 1 0 1 1 0 0 0
#> ERR659048 1 0 1 1 0 0 0
#> ERR659144 1 0 1 1 0 0 0
#> ERR659049 1 0 1 1 0 0 0
#> ERR659145 1 0 1 1 0 0 0
#> ERR659050 1 0 1 1 0 0 0
#> ERR659146 1 0 1 1 0 0 0
#> ERR659051 1 0 1 1 0 0 0
#> ERR659147 1 0 1 1 0 0 0
#> ERR659052 1 0 1 1 0 0 0
#> ERR659148 1 0 1 1 0 0 0
#> ERR659053 1 0 1 1 0 0 0
#> ERR659149 1 0 1 1 0 0 0
#> ERR659054 2 0 1 0 1 0 0
#> ERR659150 2 0 1 0 1 0 0
#> ERR659055 1 0 1 1 0 0 0
#> ERR659151 1 0 1 1 0 0 0
#> ERR659056 1 0 1 1 0 0 0
#> ERR659152 1 0 1 1 0 0 0
#> ERR659057 1 0 1 1 0 0 0
#> ERR659153 1 0 1 1 0 0 0
#> ERR659058 1 0 1 1 0 0 0
#> ERR659154 1 0 1 1 0 0 0
#> ERR659059 1 0 1 1 0 0 0
#> ERR659155 1 0 1 1 0 0 0
#> ERR659060 1 0 1 1 0 0 0
#> ERR659156 1 0 1 1 0 0 0
#> ERR659061 1 0 1 1 0 0 0
#> ERR659157 1 0 1 1 0 0 0
#> ERR659062 1 0 1 1 0 0 0
#> ERR659158 1 0 1 1 0 0 0
#> ERR659063 1 0 1 1 0 0 0
#> ERR659159 1 0 1 1 0 0 0
#> ERR659064 1 0 1 1 0 0 0
#> ERR659160 1 0 1 1 0 0 0
#> ERR659065 2 0 1 0 1 0 0
#> ERR659161 2 0 1 0 1 0 0
#> ERR659066 1 0 1 1 0 0 0
#> ERR659162 1 0 1 1 0 0 0
#> ERR659067 1 0 1 1 0 0 0
#> ERR659163 1 0 1 1 0 0 0
#> ERR659068 2 0 1 0 1 0 0
#> ERR659164 2 0 1 0 1 0 0
#> ERR659069 1 0 1 1 0 0 0
#> ERR659165 1 0 1 1 0 0 0
#> ERR659070 1 0 1 1 0 0 0
#> ERR659166 1 0 1 1 0 0 0
#> ERR659071 1 0 1 1 0 0 0
#> ERR659167 1 0 1 1 0 0 0
#> ERR659072 1 0 1 1 0 0 0
#> ERR659168 1 0 1 1 0 0 0
#> ERR659073 1 0 1 1 0 0 0
#> ERR659169 1 0 1 1 0 0 0
#> ERR659074 2 0 1 0 1 0 0
#> ERR659170 2 0 1 0 1 0 0
#> ERR659075 3 0 1 0 0 1 0
#> ERR659171 3 0 1 0 0 1 0
#> ERR659076 2 0 1 0 1 0 0
#> ERR659172 2 0 1 0 1 0 0
#> ERR659077 1 0 1 1 0 0 0
#> ERR659173 1 0 1 1 0 0 0
#> ERR659078 1 0 1 1 0 0 0
#> ERR659174 1 0 1 1 0 0 0
#> ERR659079 1 0 1 1 0 0 0
#> ERR659175 1 0 1 1 0 0 0
#> ERR659080 1 0 1 1 0 0 0
#> ERR659176 1 0 1 1 0 0 0
#> ERR659081 1 0 1 1 0 0 0
#> ERR659177 1 0 1 1 0 0 0
#> ERR659082 1 0 1 1 0 0 0
#> ERR659178 1 0 1 1 0 0 0
#> ERR659083 2 0 1 0 1 0 0
#> ERR659179 2 0 1 0 1 0 0
#> ERR659084 2 0 1 0 1 0 0
#> ERR659180 2 0 1 0 1 0 0
#> ERR659085 1 0 1 1 0 0 0
#> ERR659181 1 0 1 1 0 0 0
#> ERR659086 1 0 1 1 0 0 0
#> ERR659182 1 0 1 1 0 0 0
#> ERR659087 1 0 1 1 0 0 0
#> ERR659183 1 0 1 1 0 0 0
#> ERR659088 1 0 1 1 0 0 0
#> ERR659184 1 0 1 1 0 0 0
#> ERR659089 1 0 1 1 0 0 0
#> ERR659185 1 0 1 1 0 0 0
#> ERR659090 1 0 1 1 0 0 0
#> ERR659186 1 0 1 1 0 0 0
#> ERR659091 1 0 1 1 0 0 0
#> ERR659187 1 0 1 1 0 0 0
#> ERR659092 1 0 1 1 0 0 0
#> ERR659188 1 0 1 1 0 0 0
#> ERR659093 1 0 1 1 0 0 0
#> ERR659189 1 0 1 1 0 0 0
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 3 0.000 1.000 0.000 0 1 0.000 0
#> ERR467498 3 0.000 1.000 0.000 0 1 0.000 0
#> ERR658998 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659094 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR658999 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659095 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659000 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659096 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659001 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659097 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659002 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659098 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659003 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659099 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659004 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659100 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659005 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659101 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659006 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659102 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659007 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659103 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659008 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659104 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659009 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659105 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659010 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659106 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659011 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659107 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659012 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659108 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659013 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659109 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659014 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659110 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659015 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659111 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659016 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659112 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659017 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659113 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659018 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659114 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659019 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659115 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659020 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659116 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659021 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659117 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659022 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659118 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659023 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659119 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659024 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659120 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659025 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659121 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659026 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659122 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659027 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659123 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659028 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659124 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659029 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659125 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659030 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659126 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659031 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659127 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659032 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659128 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659033 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659129 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659034 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659130 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659035 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659131 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659036 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659132 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659037 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659133 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659038 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659134 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659039 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659135 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659040 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659136 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659041 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659137 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659042 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659138 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659043 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659139 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659044 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659140 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659045 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659141 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659046 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659142 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659047 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659143 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659048 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659144 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659049 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659145 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659050 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659146 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659051 4 0.247 1.000 0.136 0 0 0.864 0
#> ERR659147 4 0.247 1.000 0.136 0 0 0.864 0
#> ERR659052 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659148 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659053 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659149 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659054 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659150 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659055 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659151 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659056 1 0.247 0.816 0.864 0 0 0.136 0
#> ERR659152 1 0.247 0.816 0.864 0 0 0.136 0
#> ERR659057 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659153 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659058 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659154 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659059 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659155 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659060 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659156 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659061 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659157 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659062 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659158 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659063 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659159 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659064 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659160 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659065 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659161 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659066 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659162 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659067 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659163 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659068 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659164 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659069 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659165 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659070 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659166 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659071 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659167 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659072 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659168 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659073 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659169 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659074 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659170 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659075 5 0.000 1.000 0.000 0 0 0.000 1
#> ERR659171 5 0.000 1.000 0.000 0 0 0.000 1
#> ERR659076 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659172 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659077 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659173 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659078 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659174 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659079 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659175 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659080 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659176 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659081 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659177 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659082 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659178 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659083 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659179 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659084 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659180 2 0.000 1.000 0.000 1 0 0.000 0
#> ERR659085 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659181 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659086 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659182 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659087 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659183 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659088 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659184 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659089 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659185 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659090 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659186 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659091 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659187 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659092 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659188 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659093 1 0.000 0.998 1.000 0 0 0.000 0
#> ERR659189 1 0.000 0.998 1.000 0 0 0.000 0
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 4 0 1 0 0 0 1 0 0
#> ERR467498 4 0 1 0 0 0 1 0 0
#> ERR658998 1 0 1 1 0 0 0 0 0
#> ERR659094 1 0 1 1 0 0 0 0 0
#> ERR658999 1 0 1 1 0 0 0 0 0
#> ERR659095 1 0 1 1 0 0 0 0 0
#> ERR659000 1 0 1 1 0 0 0 0 0
#> ERR659096 1 0 1 1 0 0 0 0 0
#> ERR659001 1 0 1 1 0 0 0 0 0
#> ERR659097 1 0 1 1 0 0 0 0 0
#> ERR659002 1 0 1 1 0 0 0 0 0
#> ERR659098 1 0 1 1 0 0 0 0 0
#> ERR659003 1 0 1 1 0 0 0 0 0
#> ERR659099 1 0 1 1 0 0 0 0 0
#> ERR659004 1 0 1 1 0 0 0 0 0
#> ERR659100 1 0 1 1 0 0 0 0 0
#> ERR659005 1 0 1 1 0 0 0 0 0
#> ERR659101 1 0 1 1 0 0 0 0 0
#> ERR659006 1 0 1 1 0 0 0 0 0
#> ERR659102 1 0 1 1 0 0 0 0 0
#> ERR659007 1 0 1 1 0 0 0 0 0
#> ERR659103 1 0 1 1 0 0 0 0 0
#> ERR659008 2 0 1 0 1 0 0 0 0
#> ERR659104 2 0 1 0 1 0 0 0 0
#> ERR659009 1 0 1 1 0 0 0 0 0
#> ERR659105 1 0 1 1 0 0 0 0 0
#> ERR659010 1 0 1 1 0 0 0 0 0
#> ERR659106 1 0 1 1 0 0 0 0 0
#> ERR659011 1 0 1 1 0 0 0 0 0
#> ERR659107 1 0 1 1 0 0 0 0 0
#> ERR659012 1 0 1 1 0 0 0 0 0
#> ERR659108 1 0 1 1 0 0 0 0 0
#> ERR659013 1 0 1 1 0 0 0 0 0
#> ERR659109 1 0 1 1 0 0 0 0 0
#> ERR659014 2 0 1 0 1 0 0 0 0
#> ERR659110 2 0 1 0 1 0 0 0 0
#> ERR659015 1 0 1 1 0 0 0 0 0
#> ERR659111 1 0 1 1 0 0 0 0 0
#> ERR659016 1 0 1 1 0 0 0 0 0
#> ERR659112 1 0 1 1 0 0 0 0 0
#> ERR659017 2 0 1 0 1 0 0 0 0
#> ERR659113 2 0 1 0 1 0 0 0 0
#> ERR659018 1 0 1 1 0 0 0 0 0
#> ERR659114 1 0 1 1 0 0 0 0 0
#> ERR659019 1 0 1 1 0 0 0 0 0
#> ERR659115 1 0 1 1 0 0 0 0 0
#> ERR659020 1 0 1 1 0 0 0 0 0
#> ERR659116 1 0 1 1 0 0 0 0 0
#> ERR659021 1 0 1 1 0 0 0 0 0
#> ERR659117 1 0 1 1 0 0 0 0 0
#> ERR659022 1 0 1 1 0 0 0 0 0
#> ERR659118 1 0 1 1 0 0 0 0 0
#> ERR659023 1 0 1 1 0 0 0 0 0
#> ERR659119 1 0 1 1 0 0 0 0 0
#> ERR659024 1 0 1 1 0 0 0 0 0
#> ERR659120 1 0 1 1 0 0 0 0 0
#> ERR659025 1 0 1 1 0 0 0 0 0
#> ERR659121 1 0 1 1 0 0 0 0 0
#> ERR659026 1 0 1 1 0 0 0 0 0
#> ERR659122 1 0 1 1 0 0 0 0 0
#> ERR659027 1 0 1 1 0 0 0 0 0
#> ERR659123 1 0 1 1 0 0 0 0 0
#> ERR659028 1 0 1 1 0 0 0 0 0
#> ERR659124 1 0 1 1 0 0 0 0 0
#> ERR659029 1 0 1 1 0 0 0 0 0
#> ERR659125 1 0 1 1 0 0 0 0 0
#> ERR659030 1 0 1 1 0 0 0 0 0
#> ERR659126 1 0 1 1 0 0 0 0 0
#> ERR659031 1 0 1 1 0 0 0 0 0
#> ERR659127 1 0 1 1 0 0 0 0 0
#> ERR659032 1 0 1 1 0 0 0 0 0
#> ERR659128 1 0 1 1 0 0 0 0 0
#> ERR659033 1 0 1 1 0 0 0 0 0
#> ERR659129 1 0 1 1 0 0 0 0 0
#> ERR659034 2 0 1 0 1 0 0 0 0
#> ERR659130 2 0 1 0 1 0 0 0 0
#> ERR659035 1 0 1 1 0 0 0 0 0
#> ERR659131 1 0 1 1 0 0 0 0 0
#> ERR659036 1 0 1 1 0 0 0 0 0
#> ERR659132 1 0 1 1 0 0 0 0 0
#> ERR659037 1 0 1 1 0 0 0 0 0
#> ERR659133 1 0 1 1 0 0 0 0 0
#> ERR659038 1 0 1 1 0 0 0 0 0
#> ERR659134 1 0 1 1 0 0 0 0 0
#> ERR659039 1 0 1 1 0 0 0 0 0
#> ERR659135 1 0 1 1 0 0 0 0 0
#> ERR659040 1 0 1 1 0 0 0 0 0
#> ERR659136 1 0 1 1 0 0 0 0 0
#> ERR659041 1 0 1 1 0 0 0 0 0
#> ERR659137 1 0 1 1 0 0 0 0 0
#> ERR659042 1 0 1 1 0 0 0 0 0
#> ERR659138 1 0 1 1 0 0 0 0 0
#> ERR659043 1 0 1 1 0 0 0 0 0
#> ERR659139 1 0 1 1 0 0 0 0 0
#> ERR659044 2 0 1 0 1 0 0 0 0
#> ERR659140 2 0 1 0 1 0 0 0 0
#> ERR659045 1 0 1 1 0 0 0 0 0
#> ERR659141 1 0 1 1 0 0 0 0 0
#> ERR659046 1 0 1 1 0 0 0 0 0
#> ERR659142 1 0 1 1 0 0 0 0 0
#> ERR659047 1 0 1 1 0 0 0 0 0
#> ERR659143 1 0 1 1 0 0 0 0 0
#> ERR659048 1 0 1 1 0 0 0 0 0
#> ERR659144 1 0 1 1 0 0 0 0 0
#> ERR659049 1 0 1 1 0 0 0 0 0
#> ERR659145 1 0 1 1 0 0 0 0 0
#> ERR659050 1 0 1 1 0 0 0 0 0
#> ERR659146 1 0 1 1 0 0 0 0 0
#> ERR659051 6 0 1 0 0 0 0 0 1
#> ERR659147 6 0 1 0 0 0 0 0 1
#> ERR659052 1 0 1 1 0 0 0 0 0
#> ERR659148 1 0 1 1 0 0 0 0 0
#> ERR659053 1 0 1 1 0 0 0 0 0
#> ERR659149 1 0 1 1 0 0 0 0 0
#> ERR659054 2 0 1 0 1 0 0 0 0
#> ERR659150 2 0 1 0 1 0 0 0 0
#> ERR659055 1 0 1 1 0 0 0 0 0
#> ERR659151 1 0 1 1 0 0 0 0 0
#> ERR659056 3 0 1 0 0 1 0 0 0
#> ERR659152 3 0 1 0 0 1 0 0 0
#> ERR659057 1 0 1 1 0 0 0 0 0
#> ERR659153 1 0 1 1 0 0 0 0 0
#> ERR659058 1 0 1 1 0 0 0 0 0
#> ERR659154 1 0 1 1 0 0 0 0 0
#> ERR659059 1 0 1 1 0 0 0 0 0
#> ERR659155 1 0 1 1 0 0 0 0 0
#> ERR659060 1 0 1 1 0 0 0 0 0
#> ERR659156 1 0 1 1 0 0 0 0 0
#> ERR659061 1 0 1 1 0 0 0 0 0
#> ERR659157 1 0 1 1 0 0 0 0 0
#> ERR659062 1 0 1 1 0 0 0 0 0
#> ERR659158 1 0 1 1 0 0 0 0 0
#> ERR659063 1 0 1 1 0 0 0 0 0
#> ERR659159 1 0 1 1 0 0 0 0 0
#> ERR659064 1 0 1 1 0 0 0 0 0
#> ERR659160 1 0 1 1 0 0 0 0 0
#> ERR659065 2 0 1 0 1 0 0 0 0
#> ERR659161 2 0 1 0 1 0 0 0 0
#> ERR659066 1 0 1 1 0 0 0 0 0
#> ERR659162 1 0 1 1 0 0 0 0 0
#> ERR659067 1 0 1 1 0 0 0 0 0
#> ERR659163 1 0 1 1 0 0 0 0 0
#> ERR659068 2 0 1 0 1 0 0 0 0
#> ERR659164 2 0 1 0 1 0 0 0 0
#> ERR659069 1 0 1 1 0 0 0 0 0
#> ERR659165 1 0 1 1 0 0 0 0 0
#> ERR659070 1 0 1 1 0 0 0 0 0
#> ERR659166 1 0 1 1 0 0 0 0 0
#> ERR659071 1 0 1 1 0 0 0 0 0
#> ERR659167 1 0 1 1 0 0 0 0 0
#> ERR659072 1 0 1 1 0 0 0 0 0
#> ERR659168 1 0 1 1 0 0 0 0 0
#> ERR659073 1 0 1 1 0 0 0 0 0
#> ERR659169 1 0 1 1 0 0 0 0 0
#> ERR659074 2 0 1 0 1 0 0 0 0
#> ERR659170 2 0 1 0 1 0 0 0 0
#> ERR659075 5 0 1 0 0 0 0 1 0
#> ERR659171 5 0 1 0 0 0 0 1 0
#> ERR659076 2 0 1 0 1 0 0 0 0
#> ERR659172 2 0 1 0 1 0 0 0 0
#> ERR659077 1 0 1 1 0 0 0 0 0
#> ERR659173 1 0 1 1 0 0 0 0 0
#> ERR659078 1 0 1 1 0 0 0 0 0
#> ERR659174 1 0 1 1 0 0 0 0 0
#> ERR659079 1 0 1 1 0 0 0 0 0
#> ERR659175 1 0 1 1 0 0 0 0 0
#> ERR659080 1 0 1 1 0 0 0 0 0
#> ERR659176 1 0 1 1 0 0 0 0 0
#> ERR659081 1 0 1 1 0 0 0 0 0
#> ERR659177 1 0 1 1 0 0 0 0 0
#> ERR659082 1 0 1 1 0 0 0 0 0
#> ERR659178 1 0 1 1 0 0 0 0 0
#> ERR659083 2 0 1 0 1 0 0 0 0
#> ERR659179 2 0 1 0 1 0 0 0 0
#> ERR659084 2 0 1 0 1 0 0 0 0
#> ERR659180 2 0 1 0 1 0 0 0 0
#> ERR659085 1 0 1 1 0 0 0 0 0
#> ERR659181 1 0 1 1 0 0 0 0 0
#> ERR659086 1 0 1 1 0 0 0 0 0
#> ERR659182 1 0 1 1 0 0 0 0 0
#> ERR659087 1 0 1 1 0 0 0 0 0
#> ERR659183 1 0 1 1 0 0 0 0 0
#> ERR659088 1 0 1 1 0 0 0 0 0
#> ERR659184 1 0 1 1 0 0 0 0 0
#> ERR659089 1 0 1 1 0 0 0 0 0
#> ERR659185 1 0 1 1 0 0 0 0 0
#> ERR659090 1 0 1 1 0 0 0 0 0
#> ERR659186 1 0 1 1 0 0 0 0 0
#> ERR659091 1 0 1 1 0 0 0 0 0
#> ERR659187 1 0 1 1 0 0 0 0 0
#> ERR659092 1 0 1 1 0 0 0 0 0
#> ERR659188 1 0 1 1 0 0 0 0 0
#> ERR659093 1 0 1 1 0 0 0 0 0
#> ERR659189 1 0 1 1 0 0 0 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["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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 0.990 0.995 0.310 0.696 0.696
#> 3 3 1.000 0.935 0.972 0.150 0.967 0.952
#> 4 4 0.669 0.865 0.925 0.180 0.980 0.970
#> 5 5 0.531 0.759 0.858 0.263 0.902 0.849
#> 6 6 0.436 0.604 0.799 0.144 0.916 0.848
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
#> ERR467487 2 0.0000 1.000 0.000 1.000
#> ERR467498 2 0.0000 1.000 0.000 1.000
#> ERR658998 1 0.0000 0.994 1.000 0.000
#> ERR659094 1 0.0000 0.994 1.000 0.000
#> ERR658999 1 0.0000 0.994 1.000 0.000
#> ERR659095 1 0.0000 0.994 1.000 0.000
#> ERR659000 1 0.3114 0.940 0.944 0.056
#> ERR659096 1 0.2948 0.944 0.948 0.052
#> ERR659001 1 0.0000 0.994 1.000 0.000
#> ERR659097 1 0.0000 0.994 1.000 0.000
#> ERR659002 1 0.0000 0.994 1.000 0.000
#> ERR659098 1 0.0000 0.994 1.000 0.000
#> ERR659003 1 0.0000 0.994 1.000 0.000
#> ERR659099 1 0.0000 0.994 1.000 0.000
#> ERR659004 1 0.0000 0.994 1.000 0.000
#> ERR659100 1 0.0000 0.994 1.000 0.000
#> ERR659005 1 0.0000 0.994 1.000 0.000
#> ERR659101 1 0.0000 0.994 1.000 0.000
#> ERR659006 1 0.0000 0.994 1.000 0.000
#> ERR659102 1 0.0000 0.994 1.000 0.000
#> ERR659007 1 0.0000 0.994 1.000 0.000
#> ERR659103 1 0.0000 0.994 1.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1.000
#> ERR659104 2 0.0000 1.000 0.000 1.000
#> ERR659009 1 0.0000 0.994 1.000 0.000
#> ERR659105 1 0.0000 0.994 1.000 0.000
#> ERR659010 1 0.0000 0.994 1.000 0.000
#> ERR659106 1 0.0000 0.994 1.000 0.000
#> ERR659011 1 0.0000 0.994 1.000 0.000
#> ERR659107 1 0.0000 0.994 1.000 0.000
#> ERR659012 1 0.0000 0.994 1.000 0.000
#> ERR659108 1 0.0000 0.994 1.000 0.000
#> ERR659013 1 0.0376 0.991 0.996 0.004
#> ERR659109 1 0.0376 0.991 0.996 0.004
#> ERR659014 2 0.0000 1.000 0.000 1.000
#> ERR659110 2 0.0000 1.000 0.000 1.000
#> ERR659015 1 0.0000 0.994 1.000 0.000
#> ERR659111 1 0.0000 0.994 1.000 0.000
#> ERR659016 1 0.3274 0.936 0.940 0.060
#> ERR659112 1 0.2778 0.949 0.952 0.048
#> ERR659017 2 0.0000 1.000 0.000 1.000
#> ERR659113 2 0.0000 1.000 0.000 1.000
#> ERR659018 1 0.0000 0.994 1.000 0.000
#> ERR659114 1 0.0000 0.994 1.000 0.000
#> ERR659019 1 0.0000 0.994 1.000 0.000
#> ERR659115 1 0.0000 0.994 1.000 0.000
#> ERR659020 1 0.0000 0.994 1.000 0.000
#> ERR659116 1 0.0000 0.994 1.000 0.000
#> ERR659021 1 0.0000 0.994 1.000 0.000
#> ERR659117 1 0.0000 0.994 1.000 0.000
#> ERR659022 1 0.0000 0.994 1.000 0.000
#> ERR659118 1 0.0000 0.994 1.000 0.000
#> ERR659023 1 0.0000 0.994 1.000 0.000
#> ERR659119 1 0.0000 0.994 1.000 0.000
#> ERR659024 1 0.0000 0.994 1.000 0.000
#> ERR659120 1 0.0000 0.994 1.000 0.000
#> ERR659025 1 0.0000 0.994 1.000 0.000
#> ERR659121 1 0.0000 0.994 1.000 0.000
#> ERR659026 1 0.0000 0.994 1.000 0.000
#> ERR659122 1 0.0000 0.994 1.000 0.000
#> ERR659027 1 0.7056 0.771 0.808 0.192
#> ERR659123 1 0.7056 0.771 0.808 0.192
#> ERR659028 1 0.0000 0.994 1.000 0.000
#> ERR659124 1 0.0000 0.994 1.000 0.000
#> ERR659029 1 0.0000 0.994 1.000 0.000
#> ERR659125 1 0.0000 0.994 1.000 0.000
#> ERR659030 1 0.0000 0.994 1.000 0.000
#> ERR659126 1 0.0000 0.994 1.000 0.000
#> ERR659031 1 0.0000 0.994 1.000 0.000
#> ERR659127 1 0.0000 0.994 1.000 0.000
#> ERR659032 1 0.0000 0.994 1.000 0.000
#> ERR659128 1 0.0000 0.994 1.000 0.000
#> ERR659033 1 0.0000 0.994 1.000 0.000
#> ERR659129 1 0.0000 0.994 1.000 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.000
#> ERR659130 2 0.0000 1.000 0.000 1.000
#> ERR659035 1 0.0000 0.994 1.000 0.000
#> ERR659131 1 0.0000 0.994 1.000 0.000
#> ERR659036 1 0.0000 0.994 1.000 0.000
#> ERR659132 1 0.0000 0.994 1.000 0.000
#> ERR659037 1 0.0000 0.994 1.000 0.000
#> ERR659133 1 0.0000 0.994 1.000 0.000
#> ERR659038 1 0.0000 0.994 1.000 0.000
#> ERR659134 1 0.0000 0.994 1.000 0.000
#> ERR659039 1 0.0000 0.994 1.000 0.000
#> ERR659135 1 0.0000 0.994 1.000 0.000
#> ERR659040 1 0.0000 0.994 1.000 0.000
#> ERR659136 1 0.0000 0.994 1.000 0.000
#> ERR659041 1 0.5737 0.848 0.864 0.136
#> ERR659137 1 0.5842 0.842 0.860 0.140
#> ERR659042 1 0.0000 0.994 1.000 0.000
#> ERR659138 1 0.0000 0.994 1.000 0.000
#> ERR659043 1 0.0000 0.994 1.000 0.000
#> ERR659139 1 0.0000 0.994 1.000 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.000
#> ERR659140 2 0.0000 1.000 0.000 1.000
#> ERR659045 1 0.0000 0.994 1.000 0.000
#> ERR659141 1 0.0000 0.994 1.000 0.000
#> ERR659046 1 0.0000 0.994 1.000 0.000
#> ERR659142 1 0.0000 0.994 1.000 0.000
#> ERR659047 1 0.0000 0.994 1.000 0.000
#> ERR659143 1 0.0000 0.994 1.000 0.000
#> ERR659048 1 0.0000 0.994 1.000 0.000
#> ERR659144 1 0.0000 0.994 1.000 0.000
#> ERR659049 1 0.0000 0.994 1.000 0.000
#> ERR659145 1 0.0000 0.994 1.000 0.000
#> ERR659050 1 0.0000 0.994 1.000 0.000
#> ERR659146 1 0.0000 0.994 1.000 0.000
#> ERR659051 2 0.0000 1.000 0.000 1.000
#> ERR659147 2 0.0000 1.000 0.000 1.000
#> ERR659052 1 0.0000 0.994 1.000 0.000
#> ERR659148 1 0.0000 0.994 1.000 0.000
#> ERR659053 1 0.0000 0.994 1.000 0.000
#> ERR659149 1 0.0000 0.994 1.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000
#> ERR659150 2 0.0000 1.000 0.000 1.000
#> ERR659055 1 0.0000 0.994 1.000 0.000
#> ERR659151 1 0.0000 0.994 1.000 0.000
#> ERR659056 2 0.0000 1.000 0.000 1.000
#> ERR659152 2 0.0000 1.000 0.000 1.000
#> ERR659057 1 0.0000 0.994 1.000 0.000
#> ERR659153 1 0.0000 0.994 1.000 0.000
#> ERR659058 1 0.0000 0.994 1.000 0.000
#> ERR659154 1 0.0000 0.994 1.000 0.000
#> ERR659059 1 0.0000 0.994 1.000 0.000
#> ERR659155 1 0.0000 0.994 1.000 0.000
#> ERR659060 1 0.0000 0.994 1.000 0.000
#> ERR659156 1 0.0000 0.994 1.000 0.000
#> ERR659061 1 0.0000 0.994 1.000 0.000
#> ERR659157 1 0.0000 0.994 1.000 0.000
#> ERR659062 1 0.0000 0.994 1.000 0.000
#> ERR659158 1 0.0000 0.994 1.000 0.000
#> ERR659063 1 0.0000 0.994 1.000 0.000
#> ERR659159 1 0.0000 0.994 1.000 0.000
#> ERR659064 1 0.0000 0.994 1.000 0.000
#> ERR659160 1 0.0000 0.994 1.000 0.000
#> ERR659065 2 0.0000 1.000 0.000 1.000
#> ERR659161 2 0.0000 1.000 0.000 1.000
#> ERR659066 1 0.0000 0.994 1.000 0.000
#> ERR659162 1 0.0000 0.994 1.000 0.000
#> ERR659067 1 0.0000 0.994 1.000 0.000
#> ERR659163 1 0.0000 0.994 1.000 0.000
#> ERR659068 2 0.0000 1.000 0.000 1.000
#> ERR659164 2 0.0000 1.000 0.000 1.000
#> ERR659069 1 0.0000 0.994 1.000 0.000
#> ERR659165 1 0.0000 0.994 1.000 0.000
#> ERR659070 1 0.0000 0.994 1.000 0.000
#> ERR659166 1 0.0000 0.994 1.000 0.000
#> ERR659071 1 0.0000 0.994 1.000 0.000
#> ERR659167 1 0.0000 0.994 1.000 0.000
#> ERR659072 1 0.0000 0.994 1.000 0.000
#> ERR659168 1 0.0000 0.994 1.000 0.000
#> ERR659073 1 0.0000 0.994 1.000 0.000
#> ERR659169 1 0.0000 0.994 1.000 0.000
#> ERR659074 2 0.0000 1.000 0.000 1.000
#> ERR659170 2 0.0000 1.000 0.000 1.000
#> ERR659075 2 0.0000 1.000 0.000 1.000
#> ERR659171 2 0.0000 1.000 0.000 1.000
#> ERR659076 2 0.0000 1.000 0.000 1.000
#> ERR659172 2 0.0000 1.000 0.000 1.000
#> ERR659077 1 0.0000 0.994 1.000 0.000
#> ERR659173 1 0.0000 0.994 1.000 0.000
#> ERR659078 1 0.0000 0.994 1.000 0.000
#> ERR659174 1 0.0000 0.994 1.000 0.000
#> ERR659079 1 0.0000 0.994 1.000 0.000
#> ERR659175 1 0.0000 0.994 1.000 0.000
#> ERR659080 2 0.0000 1.000 0.000 1.000
#> ERR659176 2 0.0000 1.000 0.000 1.000
#> ERR659081 1 0.0000 0.994 1.000 0.000
#> ERR659177 1 0.0000 0.994 1.000 0.000
#> ERR659082 1 0.0000 0.994 1.000 0.000
#> ERR659178 1 0.0000 0.994 1.000 0.000
#> ERR659083 2 0.0000 1.000 0.000 1.000
#> ERR659179 2 0.0000 1.000 0.000 1.000
#> ERR659084 2 0.0000 1.000 0.000 1.000
#> ERR659180 2 0.0000 1.000 0.000 1.000
#> ERR659085 1 0.0000 0.994 1.000 0.000
#> ERR659181 1 0.0000 0.994 1.000 0.000
#> ERR659086 1 0.0000 0.994 1.000 0.000
#> ERR659182 1 0.0000 0.994 1.000 0.000
#> ERR659087 1 0.0000 0.994 1.000 0.000
#> ERR659183 1 0.0000 0.994 1.000 0.000
#> ERR659088 2 0.0000 1.000 0.000 1.000
#> ERR659184 2 0.0000 1.000 0.000 1.000
#> ERR659089 1 0.0000 0.994 1.000 0.000
#> ERR659185 1 0.0000 0.994 1.000 0.000
#> ERR659090 1 0.0000 0.994 1.000 0.000
#> ERR659186 1 0.0000 0.994 1.000 0.000
#> ERR659091 1 0.0000 0.994 1.000 0.000
#> ERR659187 1 0.0000 0.994 1.000 0.000
#> ERR659092 1 0.0000 0.994 1.000 0.000
#> ERR659188 1 0.0000 0.994 1.000 0.000
#> ERR659093 1 0.0000 0.994 1.000 0.000
#> ERR659189 1 0.0000 0.994 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 3 0.1753 0.8532 0.000 0.048 0.952
#> ERR467498 3 0.1753 0.8532 0.000 0.048 0.952
#> ERR658998 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659094 1 0.0424 0.9710 0.992 0.000 0.008
#> ERR658999 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659095 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659000 1 0.6204 0.2597 0.576 0.000 0.424
#> ERR659096 1 0.6192 0.2720 0.580 0.000 0.420
#> ERR659001 1 0.0237 0.9721 0.996 0.000 0.004
#> ERR659097 1 0.0237 0.9721 0.996 0.000 0.004
#> ERR659002 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659098 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659003 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659099 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659004 1 0.0892 0.9662 0.980 0.000 0.020
#> ERR659100 1 0.0892 0.9662 0.980 0.000 0.020
#> ERR659005 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659101 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659006 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659102 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659007 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659103 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659008 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659104 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659009 1 0.1529 0.9544 0.960 0.000 0.040
#> ERR659105 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659010 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659106 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659011 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659107 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659012 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659108 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659013 1 0.2625 0.9123 0.916 0.000 0.084
#> ERR659109 1 0.2537 0.9167 0.920 0.000 0.080
#> ERR659014 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659110 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659015 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659111 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659016 1 0.6267 0.1685 0.548 0.000 0.452
#> ERR659112 1 0.6192 0.2734 0.580 0.000 0.420
#> ERR659017 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659113 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659018 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659114 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659019 1 0.0592 0.9701 0.988 0.000 0.012
#> ERR659115 1 0.0237 0.9722 0.996 0.000 0.004
#> ERR659020 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659116 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659021 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659117 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659022 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659118 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659023 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659119 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659024 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659120 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659025 1 0.0892 0.9673 0.980 0.000 0.020
#> ERR659121 1 0.1289 0.9606 0.968 0.000 0.032
#> ERR659026 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659122 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659027 3 0.5988 0.3863 0.368 0.000 0.632
#> ERR659123 3 0.6079 0.3478 0.388 0.000 0.612
#> ERR659028 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659124 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659029 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659125 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659030 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659126 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659031 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659127 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659032 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659128 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659033 1 0.0237 0.9721 0.996 0.000 0.004
#> ERR659129 1 0.0237 0.9721 0.996 0.000 0.004
#> ERR659034 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659130 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659035 1 0.1163 0.9632 0.972 0.000 0.028
#> ERR659131 1 0.1031 0.9654 0.976 0.000 0.024
#> ERR659036 1 0.1529 0.9544 0.960 0.000 0.040
#> ERR659132 1 0.1529 0.9544 0.960 0.000 0.040
#> ERR659037 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659133 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659038 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659134 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659039 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659135 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659040 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659136 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659041 1 0.6305 0.0223 0.516 0.000 0.484
#> ERR659137 1 0.6305 0.0223 0.516 0.000 0.484
#> ERR659042 1 0.0424 0.9714 0.992 0.000 0.008
#> ERR659138 1 0.0424 0.9714 0.992 0.000 0.008
#> ERR659043 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659139 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659044 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659140 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659045 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659141 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659046 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659142 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659047 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659143 1 0.0237 0.9722 0.996 0.000 0.004
#> ERR659048 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659144 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659049 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659145 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659050 1 0.0424 0.9712 0.992 0.000 0.008
#> ERR659146 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659051 3 0.1647 0.8604 0.004 0.036 0.960
#> ERR659147 3 0.1647 0.8604 0.004 0.036 0.960
#> ERR659052 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659148 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659053 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659149 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659054 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659150 2 0.0424 0.9918 0.000 0.992 0.008
#> ERR659055 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659151 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659056 3 0.1765 0.8596 0.004 0.040 0.956
#> ERR659152 3 0.1765 0.8596 0.004 0.040 0.956
#> ERR659057 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659153 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659058 1 0.0592 0.9700 0.988 0.000 0.012
#> ERR659154 1 0.0237 0.9722 0.996 0.000 0.004
#> ERR659059 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659155 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659060 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659156 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659061 1 0.0424 0.9712 0.992 0.000 0.008
#> ERR659157 1 0.0592 0.9699 0.988 0.000 0.012
#> ERR659062 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659158 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659063 1 0.0892 0.9666 0.980 0.000 0.020
#> ERR659159 1 0.0892 0.9666 0.980 0.000 0.020
#> ERR659064 1 0.1031 0.9644 0.976 0.000 0.024
#> ERR659160 1 0.1031 0.9644 0.976 0.000 0.024
#> ERR659065 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659161 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659066 1 0.1031 0.9644 0.976 0.000 0.024
#> ERR659162 1 0.1031 0.9644 0.976 0.000 0.024
#> ERR659067 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659163 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659068 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659164 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659069 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659165 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659070 1 0.1411 0.9578 0.964 0.000 0.036
#> ERR659166 1 0.1529 0.9550 0.960 0.000 0.040
#> ERR659071 1 0.0892 0.9666 0.980 0.000 0.020
#> ERR659167 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659072 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659168 1 0.0892 0.9666 0.980 0.000 0.020
#> ERR659073 1 0.0892 0.9666 0.980 0.000 0.020
#> ERR659169 1 0.0892 0.9666 0.980 0.000 0.020
#> ERR659074 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659170 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659075 3 0.1753 0.8532 0.000 0.048 0.952
#> ERR659171 3 0.1753 0.8532 0.000 0.048 0.952
#> ERR659076 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659172 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659077 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659173 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659078 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659174 1 0.1289 0.9604 0.968 0.000 0.032
#> ERR659079 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659175 1 0.1031 0.9648 0.976 0.000 0.024
#> ERR659080 3 0.1399 0.8574 0.004 0.028 0.968
#> ERR659176 3 0.1399 0.8574 0.004 0.028 0.968
#> ERR659081 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659177 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659082 1 0.1289 0.9589 0.968 0.000 0.032
#> ERR659178 1 0.1289 0.9589 0.968 0.000 0.032
#> ERR659083 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659179 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659084 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659180 2 0.0000 0.9996 0.000 1.000 0.000
#> ERR659085 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659181 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659086 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659182 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659087 1 0.0892 0.9669 0.980 0.000 0.020
#> ERR659183 1 0.0892 0.9669 0.980 0.000 0.020
#> ERR659088 3 0.1525 0.8598 0.004 0.032 0.964
#> ERR659184 3 0.1525 0.8598 0.004 0.032 0.964
#> ERR659089 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659185 1 0.0747 0.9683 0.984 0.000 0.016
#> ERR659090 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659186 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659091 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659187 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659092 1 0.0592 0.9700 0.988 0.000 0.012
#> ERR659188 1 0.0592 0.9700 0.988 0.000 0.012
#> ERR659093 1 0.0000 0.9731 1.000 0.000 0.000
#> ERR659189 1 0.0000 0.9731 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.5645 0.948 0.000 0.032 0.604 0.364
#> ERR467498 3 0.5645 0.948 0.000 0.032 0.604 0.364
#> ERR658998 1 0.1022 0.918 0.968 0.000 0.032 0.000
#> ERR659094 1 0.0469 0.923 0.988 0.000 0.012 0.000
#> ERR658999 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659095 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659000 1 0.6340 0.476 0.580 0.000 0.344 0.076
#> ERR659096 1 0.6340 0.476 0.580 0.000 0.344 0.076
#> ERR659001 1 0.0336 0.925 0.992 0.000 0.008 0.000
#> ERR659097 1 0.0336 0.925 0.992 0.000 0.008 0.000
#> ERR659002 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659098 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659003 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659099 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659004 1 0.5557 0.611 0.652 0.000 0.308 0.040
#> ERR659100 1 0.5344 0.636 0.668 0.000 0.300 0.032
#> ERR659005 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659101 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659006 1 0.1211 0.915 0.960 0.000 0.040 0.000
#> ERR659102 1 0.1557 0.909 0.944 0.000 0.056 0.000
#> ERR659007 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659103 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659008 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659104 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659009 1 0.6123 0.644 0.676 0.000 0.192 0.132
#> ERR659105 1 0.6086 0.649 0.680 0.000 0.188 0.132
#> ERR659010 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659106 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659011 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659107 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659012 1 0.1637 0.908 0.940 0.000 0.060 0.000
#> ERR659108 1 0.1637 0.908 0.940 0.000 0.060 0.000
#> ERR659013 1 0.5898 0.527 0.604 0.000 0.348 0.048
#> ERR659109 1 0.5898 0.527 0.604 0.000 0.348 0.048
#> ERR659014 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659110 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659015 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659111 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659016 1 0.6483 0.480 0.584 0.000 0.324 0.092
#> ERR659112 1 0.6483 0.480 0.584 0.000 0.324 0.092
#> ERR659017 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659113 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659018 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659114 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659019 1 0.2081 0.895 0.916 0.000 0.084 0.000
#> ERR659115 1 0.1474 0.910 0.948 0.000 0.052 0.000
#> ERR659020 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659116 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659021 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659117 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659022 1 0.3123 0.849 0.844 0.000 0.156 0.000
#> ERR659118 1 0.3024 0.855 0.852 0.000 0.148 0.000
#> ERR659023 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659119 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659024 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659120 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659025 1 0.3710 0.817 0.804 0.000 0.192 0.004
#> ERR659121 1 0.4420 0.755 0.748 0.000 0.240 0.012
#> ERR659026 1 0.2593 0.891 0.904 0.000 0.080 0.016
#> ERR659122 1 0.2796 0.884 0.892 0.000 0.092 0.016
#> ERR659027 4 0.6620 0.486 0.104 0.000 0.320 0.576
#> ERR659123 4 0.6620 0.486 0.104 0.000 0.320 0.576
#> ERR659028 1 0.0336 0.923 0.992 0.000 0.008 0.000
#> ERR659124 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659029 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659125 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659030 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659126 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659031 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659127 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659032 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659128 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659033 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659129 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659034 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659130 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659035 1 0.3257 0.852 0.844 0.000 0.152 0.004
#> ERR659131 1 0.2944 0.869 0.868 0.000 0.128 0.004
#> ERR659036 1 0.7504 0.132 0.464 0.000 0.344 0.192
#> ERR659132 1 0.7478 0.147 0.468 0.000 0.344 0.188
#> ERR659037 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659133 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659038 1 0.0336 0.925 0.992 0.000 0.008 0.000
#> ERR659134 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659039 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659135 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659040 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659136 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659041 4 0.7113 0.453 0.152 0.000 0.316 0.532
#> ERR659137 4 0.7113 0.453 0.152 0.000 0.316 0.532
#> ERR659042 1 0.3806 0.813 0.824 0.000 0.156 0.020
#> ERR659138 1 0.3806 0.811 0.824 0.000 0.156 0.020
#> ERR659043 1 0.0469 0.924 0.988 0.000 0.012 0.000
#> ERR659139 1 0.0469 0.924 0.988 0.000 0.012 0.000
#> ERR659044 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659140 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659045 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659141 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659046 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659142 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659047 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659143 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659048 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659144 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659049 1 0.3494 0.836 0.824 0.000 0.172 0.004
#> ERR659145 1 0.3668 0.821 0.808 0.000 0.188 0.004
#> ERR659050 1 0.0469 0.923 0.988 0.000 0.012 0.000
#> ERR659146 1 0.0592 0.921 0.984 0.000 0.016 0.000
#> ERR659051 3 0.4730 0.962 0.000 0.000 0.636 0.364
#> ERR659147 3 0.4730 0.962 0.000 0.000 0.636 0.364
#> ERR659052 1 0.0336 0.925 0.992 0.000 0.008 0.000
#> ERR659148 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659053 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659149 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659054 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659150 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659055 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659151 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659056 4 0.0469 0.413 0.000 0.000 0.012 0.988
#> ERR659152 4 0.0469 0.413 0.000 0.000 0.012 0.988
#> ERR659057 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659153 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659058 1 0.0707 0.922 0.980 0.000 0.020 0.000
#> ERR659154 1 0.0592 0.923 0.984 0.000 0.016 0.000
#> ERR659059 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659155 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659060 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659156 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659061 1 0.1211 0.915 0.960 0.000 0.040 0.000
#> ERR659157 1 0.1302 0.914 0.956 0.000 0.044 0.000
#> ERR659062 1 0.3355 0.843 0.836 0.000 0.160 0.004
#> ERR659158 1 0.3355 0.843 0.836 0.000 0.160 0.004
#> ERR659063 1 0.2469 0.884 0.892 0.000 0.108 0.000
#> ERR659159 1 0.2216 0.893 0.908 0.000 0.092 0.000
#> ERR659064 1 0.3266 0.838 0.832 0.000 0.168 0.000
#> ERR659160 1 0.3266 0.838 0.832 0.000 0.168 0.000
#> ERR659065 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659161 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659066 1 0.3024 0.854 0.852 0.000 0.148 0.000
#> ERR659162 1 0.3024 0.854 0.852 0.000 0.148 0.000
#> ERR659067 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659163 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659068 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659164 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659069 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659165 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659070 1 0.3444 0.825 0.816 0.000 0.184 0.000
#> ERR659166 1 0.3444 0.825 0.816 0.000 0.184 0.000
#> ERR659071 1 0.0921 0.919 0.972 0.000 0.028 0.000
#> ERR659167 1 0.0469 0.924 0.988 0.000 0.012 0.000
#> ERR659072 1 0.1557 0.908 0.944 0.000 0.056 0.000
#> ERR659168 1 0.1637 0.907 0.940 0.000 0.060 0.000
#> ERR659073 1 0.2610 0.888 0.900 0.000 0.088 0.012
#> ERR659169 1 0.2610 0.888 0.900 0.000 0.088 0.012
#> ERR659074 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659170 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659075 3 0.4746 0.964 0.000 0.000 0.632 0.368
#> ERR659171 3 0.4746 0.964 0.000 0.000 0.632 0.368
#> ERR659076 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659172 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659077 1 0.3123 0.847 0.844 0.000 0.156 0.000
#> ERR659173 1 0.3074 0.850 0.848 0.000 0.152 0.000
#> ERR659078 1 0.3448 0.837 0.828 0.000 0.168 0.004
#> ERR659174 1 0.3448 0.837 0.828 0.000 0.168 0.004
#> ERR659079 1 0.3172 0.847 0.840 0.000 0.160 0.000
#> ERR659175 1 0.3219 0.844 0.836 0.000 0.164 0.000
#> ERR659080 4 0.0000 0.420 0.000 0.000 0.000 1.000
#> ERR659176 4 0.0000 0.420 0.000 0.000 0.000 1.000
#> ERR659081 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659177 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659082 1 0.6248 0.595 0.644 0.000 0.252 0.104
#> ERR659178 1 0.6139 0.616 0.656 0.000 0.244 0.100
#> ERR659083 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659179 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659084 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659180 2 0.0000 1.000 0.000 1.000 0.000 0.000
#> ERR659085 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659181 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659086 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659182 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659087 1 0.2271 0.897 0.916 0.000 0.076 0.008
#> ERR659183 1 0.2546 0.888 0.900 0.000 0.092 0.008
#> ERR659088 4 0.0921 0.385 0.000 0.000 0.028 0.972
#> ERR659184 4 0.0921 0.385 0.000 0.000 0.028 0.972
#> ERR659089 1 0.3172 0.847 0.840 0.000 0.160 0.000
#> ERR659185 1 0.3123 0.850 0.844 0.000 0.156 0.000
#> ERR659090 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659186 1 0.0188 0.925 0.996 0.000 0.004 0.000
#> ERR659091 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659187 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659092 1 0.1211 0.915 0.960 0.000 0.040 0.000
#> ERR659188 1 0.0469 0.924 0.988 0.000 0.012 0.000
#> ERR659093 1 0.0000 0.926 1.000 0.000 0.000 0.000
#> ERR659189 1 0.0000 0.926 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
#> ERR467487 4 0.2256 0.90687 0.000 0.016 0.032 0.920 0.032
#> ERR467498 4 0.2256 0.90687 0.000 0.016 0.032 0.920 0.032
#> ERR658998 1 0.2992 0.81652 0.868 0.000 0.068 0.000 0.064
#> ERR659094 1 0.2661 0.82750 0.888 0.000 0.056 0.000 0.056
#> ERR658999 1 0.2278 0.84375 0.908 0.000 0.060 0.000 0.032
#> ERR659095 1 0.2260 0.84093 0.908 0.000 0.064 0.000 0.028
#> ERR659000 3 0.4073 0.53816 0.104 0.000 0.800 0.004 0.092
#> ERR659096 3 0.4073 0.53816 0.104 0.000 0.800 0.004 0.092
#> ERR659001 1 0.2773 0.81651 0.868 0.000 0.112 0.000 0.020
#> ERR659097 1 0.2773 0.81651 0.868 0.000 0.112 0.000 0.020
#> ERR659002 1 0.1195 0.84947 0.960 0.000 0.012 0.000 0.028
#> ERR659098 1 0.1195 0.85044 0.960 0.000 0.012 0.000 0.028
#> ERR659003 1 0.0955 0.85256 0.968 0.000 0.028 0.000 0.004
#> ERR659099 1 0.0992 0.85334 0.968 0.000 0.024 0.000 0.008
#> ERR659004 3 0.5029 0.64165 0.292 0.000 0.648 0.000 0.060
#> ERR659100 3 0.5006 0.62836 0.328 0.000 0.624 0.000 0.048
#> ERR659005 1 0.1281 0.84728 0.956 0.000 0.032 0.000 0.012
#> ERR659101 1 0.1281 0.84772 0.956 0.000 0.032 0.000 0.012
#> ERR659006 1 0.3130 0.82437 0.856 0.000 0.096 0.000 0.048
#> ERR659102 1 0.3184 0.82120 0.852 0.000 0.100 0.000 0.048
#> ERR659007 1 0.1121 0.85273 0.956 0.000 0.044 0.000 0.000
#> ERR659103 1 0.1043 0.85295 0.960 0.000 0.040 0.000 0.000
#> ERR659008 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659009 1 0.5877 0.38886 0.596 0.000 0.244 0.000 0.160
#> ERR659105 1 0.5899 0.37739 0.592 0.000 0.248 0.000 0.160
#> ERR659010 1 0.1399 0.84969 0.952 0.000 0.020 0.000 0.028
#> ERR659106 1 0.1300 0.84835 0.956 0.000 0.016 0.000 0.028
#> ERR659011 1 0.1549 0.85113 0.944 0.000 0.016 0.000 0.040
#> ERR659107 1 0.1725 0.85065 0.936 0.000 0.020 0.000 0.044
#> ERR659012 1 0.4482 0.37538 0.636 0.000 0.348 0.000 0.016
#> ERR659108 1 0.4356 0.41016 0.648 0.000 0.340 0.000 0.012
#> ERR659013 3 0.4098 0.64081 0.156 0.000 0.780 0.000 0.064
#> ERR659109 3 0.4098 0.64081 0.156 0.000 0.780 0.000 0.064
#> ERR659014 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659015 1 0.0963 0.85374 0.964 0.000 0.036 0.000 0.000
#> ERR659111 1 0.0794 0.85314 0.972 0.000 0.028 0.000 0.000
#> ERR659016 3 0.4250 0.59620 0.128 0.000 0.784 0.004 0.084
#> ERR659112 3 0.4250 0.59620 0.128 0.000 0.784 0.004 0.084
#> ERR659017 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659018 1 0.1469 0.85400 0.948 0.000 0.036 0.000 0.016
#> ERR659114 1 0.1549 0.85352 0.944 0.000 0.040 0.000 0.016
#> ERR659019 1 0.2719 0.83736 0.884 0.000 0.068 0.000 0.048
#> ERR659115 1 0.2426 0.84590 0.900 0.000 0.064 0.000 0.036
#> ERR659020 1 0.2079 0.83978 0.916 0.000 0.064 0.000 0.020
#> ERR659116 1 0.2079 0.83978 0.916 0.000 0.064 0.000 0.020
#> ERR659021 1 0.1403 0.84937 0.952 0.000 0.024 0.000 0.024
#> ERR659117 1 0.1403 0.84937 0.952 0.000 0.024 0.000 0.024
#> ERR659022 1 0.3992 0.65336 0.720 0.000 0.268 0.000 0.012
#> ERR659118 1 0.4157 0.65144 0.716 0.000 0.264 0.000 0.020
#> ERR659023 1 0.0992 0.85291 0.968 0.000 0.024 0.000 0.008
#> ERR659119 1 0.0898 0.85240 0.972 0.000 0.020 0.000 0.008
#> ERR659024 1 0.1012 0.85325 0.968 0.000 0.020 0.000 0.012
#> ERR659120 1 0.1195 0.85264 0.960 0.000 0.028 0.000 0.012
#> ERR659025 3 0.4718 0.37290 0.444 0.000 0.540 0.000 0.016
#> ERR659121 3 0.4588 0.53775 0.380 0.000 0.604 0.000 0.016
#> ERR659026 1 0.3810 0.75557 0.792 0.000 0.168 0.000 0.040
#> ERR659122 1 0.3958 0.73371 0.776 0.000 0.184 0.000 0.040
#> ERR659027 5 0.5029 0.52078 0.024 0.000 0.444 0.004 0.528
#> ERR659123 5 0.5029 0.52078 0.024 0.000 0.444 0.004 0.528
#> ERR659028 1 0.2020 0.82532 0.900 0.000 0.100 0.000 0.000
#> ERR659124 1 0.1965 0.82837 0.904 0.000 0.096 0.000 0.000
#> ERR659029 1 0.1671 0.83888 0.924 0.000 0.076 0.000 0.000
#> ERR659125 1 0.1671 0.83888 0.924 0.000 0.076 0.000 0.000
#> ERR659030 1 0.1836 0.84897 0.932 0.000 0.032 0.000 0.036
#> ERR659126 1 0.1836 0.84967 0.932 0.000 0.036 0.000 0.032
#> ERR659031 1 0.1012 0.85154 0.968 0.000 0.020 0.000 0.012
#> ERR659127 1 0.0807 0.84994 0.976 0.000 0.012 0.000 0.012
#> ERR659032 1 0.2136 0.83148 0.904 0.000 0.088 0.000 0.008
#> ERR659128 1 0.2130 0.83522 0.908 0.000 0.080 0.000 0.012
#> ERR659033 1 0.2104 0.84187 0.916 0.000 0.060 0.000 0.024
#> ERR659129 1 0.2171 0.84115 0.912 0.000 0.064 0.000 0.024
#> ERR659034 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659035 1 0.4653 -0.09591 0.516 0.000 0.472 0.000 0.012
#> ERR659131 1 0.4565 0.22979 0.580 0.000 0.408 0.000 0.012
#> ERR659036 3 0.4766 0.51103 0.132 0.000 0.732 0.000 0.136
#> ERR659132 3 0.4723 0.50418 0.128 0.000 0.736 0.000 0.136
#> ERR659037 1 0.0798 0.85031 0.976 0.000 0.016 0.000 0.008
#> ERR659133 1 0.0807 0.85019 0.976 0.000 0.012 0.000 0.012
#> ERR659038 1 0.2813 0.83322 0.876 0.000 0.084 0.000 0.040
#> ERR659134 1 0.2813 0.83343 0.876 0.000 0.084 0.000 0.040
#> ERR659039 1 0.0693 0.85031 0.980 0.000 0.012 0.000 0.008
#> ERR659135 1 0.0566 0.84956 0.984 0.000 0.012 0.000 0.004
#> ERR659040 1 0.2890 0.76123 0.836 0.000 0.160 0.000 0.004
#> ERR659136 1 0.2763 0.77629 0.848 0.000 0.148 0.000 0.004
#> ERR659041 5 0.5420 0.50853 0.052 0.000 0.396 0.004 0.548
#> ERR659137 5 0.5428 0.50885 0.052 0.000 0.400 0.004 0.544
#> ERR659042 1 0.4830 -0.32905 0.492 0.000 0.488 0.000 0.020
#> ERR659138 3 0.4747 0.29918 0.484 0.000 0.500 0.000 0.016
#> ERR659043 1 0.2953 0.78546 0.844 0.000 0.144 0.000 0.012
#> ERR659139 1 0.2909 0.78916 0.848 0.000 0.140 0.000 0.012
#> ERR659044 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659045 1 0.1661 0.85110 0.940 0.000 0.024 0.000 0.036
#> ERR659141 1 0.1661 0.85110 0.940 0.000 0.024 0.000 0.036
#> ERR659046 1 0.1106 0.85123 0.964 0.000 0.024 0.000 0.012
#> ERR659142 1 0.1106 0.85123 0.964 0.000 0.024 0.000 0.012
#> ERR659047 1 0.1216 0.85053 0.960 0.000 0.020 0.000 0.020
#> ERR659143 1 0.1216 0.85087 0.960 0.000 0.020 0.000 0.020
#> ERR659048 1 0.0671 0.85177 0.980 0.000 0.016 0.000 0.004
#> ERR659144 1 0.0771 0.85231 0.976 0.000 0.020 0.000 0.004
#> ERR659049 1 0.5083 0.00608 0.532 0.000 0.432 0.000 0.036
#> ERR659145 1 0.5227 -0.09361 0.508 0.000 0.448 0.000 0.044
#> ERR659050 1 0.3551 0.66191 0.772 0.000 0.220 0.000 0.008
#> ERR659146 1 0.3728 0.61221 0.748 0.000 0.244 0.000 0.008
#> ERR659051 4 0.0865 0.92711 0.000 0.000 0.004 0.972 0.024
#> ERR659147 4 0.0865 0.92711 0.000 0.000 0.004 0.972 0.024
#> ERR659052 1 0.2707 0.80011 0.860 0.000 0.132 0.000 0.008
#> ERR659148 1 0.2583 0.80175 0.864 0.000 0.132 0.000 0.004
#> ERR659053 1 0.1282 0.85267 0.952 0.000 0.044 0.000 0.004
#> ERR659149 1 0.1282 0.85300 0.952 0.000 0.044 0.000 0.004
#> ERR659054 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659055 1 0.1485 0.85194 0.948 0.000 0.020 0.000 0.032
#> ERR659151 1 0.1836 0.85067 0.932 0.000 0.036 0.000 0.032
#> ERR659056 5 0.4920 0.53143 0.000 0.000 0.048 0.308 0.644
#> ERR659152 5 0.4920 0.53143 0.000 0.000 0.048 0.308 0.644
#> ERR659057 1 0.0693 0.85188 0.980 0.000 0.008 0.000 0.012
#> ERR659153 1 0.0693 0.85188 0.980 0.000 0.008 0.000 0.012
#> ERR659058 1 0.2519 0.84095 0.884 0.000 0.100 0.000 0.016
#> ERR659154 1 0.1892 0.85005 0.916 0.000 0.080 0.000 0.004
#> ERR659059 1 0.1106 0.85356 0.964 0.000 0.012 0.000 0.024
#> ERR659155 1 0.1195 0.85525 0.960 0.000 0.012 0.000 0.028
#> ERR659060 1 0.2012 0.84613 0.920 0.000 0.060 0.000 0.020
#> ERR659156 1 0.1845 0.84753 0.928 0.000 0.056 0.000 0.016
#> ERR659061 1 0.3116 0.81376 0.860 0.000 0.076 0.000 0.064
#> ERR659157 1 0.3051 0.81634 0.864 0.000 0.076 0.000 0.060
#> ERR659062 1 0.4386 0.71353 0.764 0.000 0.140 0.000 0.096
#> ERR659158 1 0.4428 0.71317 0.760 0.000 0.144 0.000 0.096
#> ERR659063 1 0.4509 0.70403 0.752 0.000 0.152 0.000 0.096
#> ERR659159 1 0.4255 0.72971 0.776 0.000 0.128 0.000 0.096
#> ERR659064 1 0.3821 0.75514 0.800 0.000 0.148 0.000 0.052
#> ERR659160 1 0.3804 0.73862 0.796 0.000 0.160 0.000 0.044
#> ERR659065 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659066 1 0.3975 0.75094 0.792 0.000 0.144 0.000 0.064
#> ERR659162 1 0.4017 0.74615 0.788 0.000 0.148 0.000 0.064
#> ERR659067 1 0.1195 0.85047 0.960 0.000 0.028 0.000 0.012
#> ERR659163 1 0.1195 0.85047 0.960 0.000 0.028 0.000 0.012
#> ERR659068 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659069 1 0.1557 0.85106 0.940 0.000 0.052 0.000 0.008
#> ERR659165 1 0.1557 0.85106 0.940 0.000 0.052 0.000 0.008
#> ERR659070 1 0.4436 0.32632 0.596 0.000 0.396 0.000 0.008
#> ERR659166 1 0.4383 0.23897 0.572 0.000 0.424 0.000 0.004
#> ERR659071 1 0.2054 0.84509 0.920 0.000 0.052 0.000 0.028
#> ERR659167 1 0.1549 0.85188 0.944 0.000 0.040 0.000 0.016
#> ERR659072 1 0.2719 0.82910 0.884 0.000 0.048 0.000 0.068
#> ERR659168 1 0.3102 0.80901 0.860 0.000 0.056 0.000 0.084
#> ERR659073 1 0.4376 0.71305 0.764 0.000 0.144 0.000 0.092
#> ERR659169 1 0.4334 0.71802 0.768 0.000 0.140 0.000 0.092
#> ERR659074 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659075 4 0.1638 0.90809 0.000 0.000 0.004 0.932 0.064
#> ERR659171 4 0.1638 0.90809 0.000 0.000 0.004 0.932 0.064
#> ERR659076 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659077 1 0.4333 0.71046 0.752 0.000 0.188 0.000 0.060
#> ERR659173 1 0.4367 0.70852 0.748 0.000 0.192 0.000 0.060
#> ERR659078 1 0.4058 0.73287 0.784 0.000 0.152 0.000 0.064
#> ERR659174 1 0.4058 0.73287 0.784 0.000 0.152 0.000 0.064
#> ERR659079 1 0.4844 0.65772 0.720 0.000 0.172 0.000 0.108
#> ERR659175 1 0.4844 0.65761 0.720 0.000 0.172 0.000 0.108
#> ERR659080 5 0.4498 0.55272 0.000 0.000 0.032 0.280 0.688
#> ERR659176 5 0.4498 0.55272 0.000 0.000 0.032 0.280 0.688
#> ERR659081 1 0.1668 0.85406 0.940 0.000 0.028 0.000 0.032
#> ERR659177 1 0.1485 0.85436 0.948 0.000 0.020 0.000 0.032
#> ERR659082 1 0.6232 0.15662 0.552 0.000 0.280 0.004 0.164
#> ERR659178 1 0.6049 0.19403 0.564 0.000 0.272 0.000 0.164
#> ERR659083 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 1.00000 0.000 1.000 0.000 0.000 0.000
#> ERR659085 1 0.1168 0.85153 0.960 0.000 0.008 0.000 0.032
#> ERR659181 1 0.1281 0.85206 0.956 0.000 0.012 0.000 0.032
#> ERR659086 1 0.1403 0.85165 0.952 0.000 0.024 0.000 0.024
#> ERR659182 1 0.1750 0.85045 0.936 0.000 0.036 0.000 0.028
#> ERR659087 1 0.3921 0.75156 0.784 0.000 0.172 0.000 0.044
#> ERR659183 1 0.3958 0.74670 0.780 0.000 0.176 0.000 0.044
#> ERR659088 5 0.4638 0.49766 0.000 0.000 0.028 0.324 0.648
#> ERR659184 5 0.4638 0.49766 0.000 0.000 0.028 0.324 0.648
#> ERR659089 1 0.5000 0.18145 0.576 0.000 0.388 0.000 0.036
#> ERR659185 1 0.4886 0.25761 0.596 0.000 0.372 0.000 0.032
#> ERR659090 1 0.1894 0.84990 0.920 0.000 0.072 0.000 0.008
#> ERR659186 1 0.1894 0.85360 0.920 0.000 0.072 0.000 0.008
#> ERR659091 1 0.0671 0.84917 0.980 0.000 0.016 0.000 0.004
#> ERR659187 1 0.0865 0.85138 0.972 0.000 0.024 0.000 0.004
#> ERR659092 1 0.2179 0.84356 0.896 0.000 0.100 0.000 0.004
#> ERR659188 1 0.1831 0.85319 0.920 0.000 0.076 0.000 0.004
#> ERR659093 1 0.1907 0.84643 0.928 0.000 0.044 0.000 0.028
#> ERR659189 1 0.1753 0.84959 0.936 0.000 0.032 0.000 0.032
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 5 0.2567 0.8219 0.000 0.004 0.036 0.036 0.896 0.028
#> ERR467498 5 0.2567 0.8219 0.000 0.004 0.036 0.036 0.896 0.028
#> ERR658998 1 0.3161 0.6232 0.776 0.000 0.000 0.008 0.000 0.216
#> ERR659094 1 0.2915 0.6636 0.808 0.000 0.000 0.008 0.000 0.184
#> ERR658999 1 0.2361 0.7503 0.896 0.000 0.032 0.008 0.000 0.064
#> ERR659095 1 0.2302 0.7502 0.900 0.000 0.032 0.008 0.000 0.060
#> ERR659000 3 0.2583 0.3827 0.008 0.000 0.884 0.056 0.000 0.052
#> ERR659096 3 0.2583 0.3827 0.008 0.000 0.884 0.056 0.000 0.052
#> ERR659001 1 0.2900 0.7301 0.860 0.000 0.044 0.008 0.000 0.088
#> ERR659097 1 0.2833 0.7323 0.864 0.000 0.040 0.008 0.000 0.088
#> ERR659002 1 0.1555 0.7403 0.932 0.000 0.004 0.004 0.000 0.060
#> ERR659098 1 0.1429 0.7433 0.940 0.000 0.004 0.004 0.000 0.052
#> ERR659003 1 0.1577 0.7496 0.940 0.000 0.016 0.008 0.000 0.036
#> ERR659099 1 0.1806 0.7497 0.928 0.000 0.020 0.008 0.000 0.044
#> ERR659004 3 0.5188 0.3387 0.224 0.000 0.664 0.052 0.000 0.060
#> ERR659100 3 0.5336 0.3148 0.240 0.000 0.644 0.056 0.000 0.060
#> ERR659005 1 0.1957 0.7412 0.912 0.000 0.008 0.008 0.000 0.072
#> ERR659101 1 0.1841 0.7437 0.920 0.000 0.008 0.008 0.000 0.064
#> ERR659006 1 0.4866 0.6227 0.716 0.000 0.148 0.036 0.000 0.100
#> ERR659102 1 0.4917 0.6219 0.712 0.000 0.144 0.036 0.000 0.108
#> ERR659007 1 0.1528 0.7502 0.944 0.000 0.016 0.012 0.000 0.028
#> ERR659103 1 0.1409 0.7502 0.948 0.000 0.012 0.008 0.000 0.032
#> ERR659008 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659104 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659009 6 0.5202 0.3942 0.176 0.000 0.132 0.024 0.000 0.668
#> ERR659105 6 0.5172 0.3911 0.172 0.000 0.132 0.024 0.000 0.672
#> ERR659010 1 0.1812 0.7357 0.912 0.000 0.000 0.008 0.000 0.080
#> ERR659106 1 0.1866 0.7351 0.908 0.000 0.000 0.008 0.000 0.084
#> ERR659011 1 0.1957 0.7411 0.912 0.000 0.008 0.008 0.000 0.072
#> ERR659107 1 0.1957 0.7397 0.912 0.000 0.008 0.008 0.000 0.072
#> ERR659012 1 0.5001 0.1948 0.548 0.000 0.396 0.024 0.000 0.032
#> ERR659108 1 0.4904 0.2499 0.568 0.000 0.380 0.024 0.000 0.028
#> ERR659013 3 0.3478 0.4535 0.060 0.000 0.836 0.040 0.000 0.064
#> ERR659109 3 0.3536 0.4571 0.064 0.000 0.832 0.040 0.000 0.064
#> ERR659014 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659110 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659015 1 0.1938 0.7472 0.920 0.000 0.052 0.008 0.000 0.020
#> ERR659111 1 0.1592 0.7501 0.940 0.000 0.032 0.008 0.000 0.020
#> ERR659016 3 0.3517 0.3651 0.020 0.000 0.832 0.084 0.004 0.060
#> ERR659112 3 0.3575 0.3646 0.020 0.000 0.828 0.084 0.004 0.064
#> ERR659017 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659113 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659018 1 0.2721 0.7339 0.868 0.000 0.040 0.004 0.000 0.088
#> ERR659114 1 0.2721 0.7339 0.868 0.000 0.040 0.004 0.000 0.088
#> ERR659019 1 0.4527 0.6289 0.748 0.000 0.096 0.032 0.000 0.124
#> ERR659115 1 0.4187 0.6625 0.776 0.000 0.084 0.028 0.000 0.112
#> ERR659020 1 0.2393 0.7280 0.884 0.000 0.020 0.004 0.000 0.092
#> ERR659116 1 0.2443 0.7251 0.880 0.000 0.020 0.004 0.000 0.096
#> ERR659021 1 0.1732 0.7339 0.920 0.000 0.004 0.004 0.000 0.072
#> ERR659117 1 0.1674 0.7355 0.924 0.000 0.004 0.004 0.000 0.068
#> ERR659022 1 0.4813 0.5071 0.672 0.000 0.228 0.008 0.000 0.092
#> ERR659118 1 0.4545 0.5656 0.704 0.000 0.208 0.008 0.000 0.080
#> ERR659023 1 0.1737 0.7457 0.932 0.000 0.020 0.008 0.000 0.040
#> ERR659119 1 0.1718 0.7460 0.932 0.000 0.016 0.008 0.000 0.044
#> ERR659024 1 0.1750 0.7510 0.932 0.000 0.016 0.012 0.000 0.040
#> ERR659120 1 0.2020 0.7524 0.920 0.000 0.020 0.020 0.000 0.040
#> ERR659025 3 0.5344 0.1019 0.384 0.000 0.532 0.020 0.000 0.064
#> ERR659121 3 0.5070 0.2286 0.300 0.000 0.620 0.024 0.000 0.056
#> ERR659026 1 0.5892 -0.4530 0.432 0.000 0.140 0.012 0.000 0.416
#> ERR659122 6 0.6029 0.4095 0.412 0.000 0.164 0.012 0.000 0.412
#> ERR659027 3 0.5455 -0.1509 0.000 0.000 0.532 0.356 0.008 0.104
#> ERR659123 3 0.5553 -0.1661 0.000 0.000 0.524 0.360 0.012 0.104
#> ERR659028 1 0.4030 0.6224 0.748 0.000 0.172 0.000 0.000 0.080
#> ERR659124 1 0.3700 0.6627 0.780 0.000 0.152 0.000 0.000 0.068
#> ERR659029 1 0.2308 0.7336 0.896 0.000 0.076 0.012 0.000 0.016
#> ERR659125 1 0.2308 0.7336 0.896 0.000 0.076 0.012 0.000 0.016
#> ERR659030 1 0.3817 0.6796 0.792 0.000 0.048 0.020 0.000 0.140
#> ERR659126 1 0.3930 0.6663 0.780 0.000 0.048 0.020 0.000 0.152
#> ERR659031 1 0.2474 0.7321 0.884 0.000 0.032 0.004 0.000 0.080
#> ERR659127 1 0.2373 0.7303 0.888 0.000 0.024 0.004 0.000 0.084
#> ERR659032 1 0.3384 0.7059 0.828 0.000 0.116 0.028 0.000 0.028
#> ERR659128 1 0.3202 0.7167 0.844 0.000 0.100 0.028 0.000 0.028
#> ERR659033 1 0.2794 0.6891 0.840 0.000 0.012 0.004 0.000 0.144
#> ERR659129 1 0.2872 0.6819 0.832 0.000 0.012 0.004 0.000 0.152
#> ERR659034 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659130 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659035 3 0.5029 -0.0222 0.448 0.000 0.492 0.008 0.000 0.052
#> ERR659131 3 0.5035 -0.0536 0.468 0.000 0.472 0.008 0.000 0.052
#> ERR659036 3 0.4411 0.4438 0.080 0.000 0.776 0.084 0.004 0.056
#> ERR659132 3 0.4479 0.4466 0.076 0.000 0.772 0.080 0.004 0.068
#> ERR659037 1 0.1232 0.7446 0.956 0.000 0.024 0.004 0.000 0.016
#> ERR659133 1 0.1148 0.7468 0.960 0.000 0.016 0.004 0.000 0.020
#> ERR659038 1 0.5420 0.4586 0.640 0.000 0.124 0.028 0.000 0.208
#> ERR659134 1 0.5452 0.4609 0.640 0.000 0.120 0.032 0.000 0.208
#> ERR659039 1 0.1149 0.7472 0.960 0.000 0.008 0.008 0.000 0.024
#> ERR659135 1 0.0976 0.7476 0.968 0.000 0.008 0.008 0.000 0.016
#> ERR659040 1 0.3280 0.6799 0.812 0.000 0.152 0.004 0.000 0.032
#> ERR659136 1 0.3166 0.6789 0.816 0.000 0.156 0.004 0.000 0.024
#> ERR659041 3 0.5965 -0.1510 0.004 0.000 0.448 0.352 0.000 0.196
#> ERR659137 3 0.6087 -0.1504 0.004 0.000 0.448 0.348 0.004 0.196
#> ERR659042 3 0.5120 -0.0069 0.460 0.000 0.476 0.012 0.000 0.052
#> ERR659138 3 0.5120 -0.0069 0.460 0.000 0.476 0.012 0.000 0.052
#> ERR659043 1 0.4051 0.6208 0.752 0.000 0.184 0.008 0.000 0.056
#> ERR659139 1 0.3835 0.6484 0.772 0.000 0.164 0.004 0.000 0.060
#> ERR659044 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659140 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659045 1 0.4206 0.6521 0.764 0.000 0.056 0.028 0.000 0.152
#> ERR659141 1 0.3973 0.6714 0.784 0.000 0.048 0.028 0.000 0.140
#> ERR659046 1 0.1692 0.7444 0.932 0.000 0.012 0.008 0.000 0.048
#> ERR659142 1 0.1624 0.7456 0.936 0.000 0.012 0.008 0.000 0.044
#> ERR659047 1 0.2237 0.7459 0.896 0.000 0.020 0.004 0.000 0.080
#> ERR659143 1 0.2237 0.7462 0.896 0.000 0.020 0.004 0.000 0.080
#> ERR659048 1 0.2258 0.7523 0.896 0.000 0.060 0.000 0.000 0.044
#> ERR659144 1 0.2263 0.7532 0.896 0.000 0.056 0.000 0.000 0.048
#> ERR659049 1 0.5829 -0.0760 0.460 0.000 0.396 0.012 0.000 0.132
#> ERR659145 1 0.5866 -0.1258 0.440 0.000 0.412 0.012 0.000 0.136
#> ERR659050 1 0.4289 0.5067 0.696 0.000 0.256 0.008 0.000 0.040
#> ERR659146 1 0.4489 0.4198 0.656 0.000 0.296 0.008 0.000 0.040
#> ERR659051 5 0.2170 0.8312 0.000 0.000 0.012 0.100 0.888 0.000
#> ERR659147 5 0.2170 0.8312 0.000 0.000 0.012 0.100 0.888 0.000
#> ERR659052 1 0.4166 0.5696 0.728 0.000 0.216 0.008 0.000 0.048
#> ERR659148 1 0.4020 0.5883 0.744 0.000 0.204 0.008 0.000 0.044
#> ERR659053 1 0.2317 0.7391 0.900 0.000 0.064 0.016 0.000 0.020
#> ERR659149 1 0.2317 0.7391 0.900 0.000 0.064 0.016 0.000 0.020
#> ERR659054 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659150 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659055 1 0.3527 0.6954 0.820 0.000 0.048 0.020 0.000 0.112
#> ERR659151 1 0.3325 0.7064 0.836 0.000 0.044 0.020 0.000 0.100
#> ERR659056 4 0.3343 0.9285 0.000 0.000 0.024 0.796 0.176 0.004
#> ERR659152 4 0.3343 0.9285 0.000 0.000 0.024 0.796 0.176 0.004
#> ERR659057 1 0.1226 0.7484 0.952 0.000 0.004 0.004 0.000 0.040
#> ERR659153 1 0.1080 0.7470 0.960 0.000 0.004 0.004 0.000 0.032
#> ERR659058 1 0.4647 0.5872 0.708 0.000 0.116 0.008 0.000 0.168
#> ERR659154 1 0.4508 0.5958 0.716 0.000 0.116 0.004 0.000 0.164
#> ERR659059 1 0.1900 0.7380 0.916 0.000 0.008 0.008 0.000 0.068
#> ERR659155 1 0.1841 0.7387 0.920 0.000 0.008 0.008 0.000 0.064
#> ERR659060 1 0.2915 0.7070 0.848 0.000 0.024 0.008 0.000 0.120
#> ERR659156 1 0.2915 0.7070 0.848 0.000 0.024 0.008 0.000 0.120
#> ERR659061 1 0.3011 0.6292 0.800 0.000 0.004 0.004 0.000 0.192
#> ERR659157 1 0.2979 0.6366 0.804 0.000 0.004 0.004 0.000 0.188
#> ERR659062 1 0.5243 -0.2590 0.512 0.000 0.084 0.004 0.000 0.400
#> ERR659158 1 0.5258 -0.1299 0.540 0.000 0.092 0.004 0.000 0.364
#> ERR659063 6 0.5142 0.5033 0.428 0.000 0.084 0.000 0.000 0.488
#> ERR659159 1 0.4856 -0.4548 0.476 0.000 0.056 0.000 0.000 0.468
#> ERR659064 1 0.4552 0.5943 0.740 0.000 0.160 0.052 0.000 0.048
#> ERR659160 1 0.4815 0.5742 0.720 0.000 0.164 0.052 0.000 0.064
#> ERR659065 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659161 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659066 1 0.5041 0.5564 0.700 0.000 0.172 0.056 0.000 0.072
#> ERR659162 1 0.5103 0.5419 0.692 0.000 0.180 0.056 0.000 0.072
#> ERR659067 1 0.1649 0.7476 0.936 0.000 0.016 0.008 0.000 0.040
#> ERR659163 1 0.1515 0.7470 0.944 0.000 0.020 0.008 0.000 0.028
#> ERR659068 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659164 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659069 1 0.2765 0.7340 0.876 0.000 0.064 0.016 0.000 0.044
#> ERR659165 1 0.2706 0.7352 0.880 0.000 0.060 0.016 0.000 0.044
#> ERR659070 1 0.5303 0.1198 0.532 0.000 0.388 0.020 0.000 0.060
#> ERR659166 1 0.5312 -0.0302 0.488 0.000 0.436 0.020 0.000 0.056
#> ERR659071 1 0.2039 0.7450 0.904 0.000 0.020 0.000 0.000 0.076
#> ERR659167 1 0.1686 0.7482 0.924 0.000 0.012 0.000 0.000 0.064
#> ERR659072 1 0.2810 0.6891 0.832 0.000 0.008 0.004 0.000 0.156
#> ERR659168 1 0.2920 0.6741 0.820 0.000 0.008 0.004 0.000 0.168
#> ERR659073 1 0.4335 -0.3430 0.508 0.000 0.020 0.000 0.000 0.472
#> ERR659169 1 0.4258 -0.3115 0.516 0.000 0.016 0.000 0.000 0.468
#> ERR659074 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659170 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659075 5 0.3054 0.7987 0.000 0.000 0.000 0.136 0.828 0.036
#> ERR659171 5 0.3054 0.7987 0.000 0.000 0.000 0.136 0.828 0.036
#> ERR659076 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659172 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659077 1 0.4655 0.4333 0.680 0.000 0.112 0.000 0.000 0.208
#> ERR659173 1 0.4668 0.4356 0.680 0.000 0.116 0.000 0.000 0.204
#> ERR659078 1 0.4203 0.5045 0.716 0.000 0.068 0.000 0.000 0.216
#> ERR659174 1 0.4176 0.5064 0.720 0.000 0.068 0.000 0.000 0.212
#> ERR659079 6 0.5153 0.4652 0.456 0.000 0.084 0.000 0.000 0.460
#> ERR659175 6 0.5153 0.4652 0.456 0.000 0.084 0.000 0.000 0.460
#> ERR659080 4 0.3054 0.9320 0.000 0.000 0.036 0.828 0.136 0.000
#> ERR659176 4 0.3054 0.9320 0.000 0.000 0.036 0.828 0.136 0.000
#> ERR659081 1 0.2858 0.7334 0.864 0.000 0.028 0.016 0.000 0.092
#> ERR659177 1 0.3091 0.7304 0.852 0.000 0.036 0.020 0.000 0.092
#> ERR659082 6 0.7252 0.2248 0.296 0.000 0.300 0.088 0.000 0.316
#> ERR659178 6 0.7252 0.2322 0.300 0.000 0.296 0.088 0.000 0.316
#> ERR659083 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659179 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659084 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659180 2 0.0000 1.0000 0.000 1.000 0.000 0.000 0.000 0.000
#> ERR659085 1 0.2213 0.7364 0.888 0.000 0.008 0.004 0.000 0.100
#> ERR659181 1 0.2101 0.7355 0.892 0.000 0.004 0.004 0.000 0.100
#> ERR659086 1 0.2051 0.7263 0.896 0.000 0.004 0.004 0.000 0.096
#> ERR659182 1 0.2001 0.7296 0.900 0.000 0.004 0.004 0.000 0.092
#> ERR659087 1 0.5502 -0.4581 0.480 0.000 0.112 0.004 0.000 0.404
#> ERR659183 1 0.5498 -0.4438 0.484 0.000 0.112 0.004 0.000 0.400
#> ERR659088 4 0.3600 0.9068 0.000 0.000 0.020 0.776 0.192 0.012
#> ERR659184 4 0.3600 0.9068 0.000 0.000 0.020 0.776 0.192 0.012
#> ERR659089 1 0.5876 0.0637 0.528 0.000 0.328 0.028 0.000 0.116
#> ERR659185 1 0.5865 0.0785 0.532 0.000 0.324 0.028 0.000 0.116
#> ERR659090 1 0.3317 0.7197 0.836 0.000 0.104 0.024 0.000 0.036
#> ERR659186 1 0.3339 0.7201 0.836 0.000 0.100 0.024 0.000 0.040
#> ERR659091 1 0.1555 0.7466 0.940 0.000 0.012 0.008 0.000 0.040
#> ERR659187 1 0.1555 0.7466 0.940 0.000 0.012 0.008 0.000 0.040
#> ERR659092 1 0.2420 0.7483 0.892 0.000 0.068 0.008 0.000 0.032
#> ERR659188 1 0.2138 0.7539 0.908 0.000 0.052 0.004 0.000 0.036
#> ERR659093 1 0.2657 0.7381 0.880 0.000 0.024 0.020 0.000 0.076
#> ERR659189 1 0.2629 0.7363 0.880 0.000 0.020 0.020 0.000 0.080
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 8394 rows and 194 columns.
#> Top rows (839, 1678, 2518, 3358, 4197) 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 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 1.000 1.000 1.000 0.219 0.782 0.782
#> 3 3 0.966 0.948 0.977 0.254 0.947 0.933
#> 4 4 0.823 0.895 0.933 0.243 0.966 0.953
#> 5 5 0.582 0.860 0.892 0.150 0.982 0.975
#> 6 6 0.417 0.779 0.855 0.128 0.965 0.948
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
#> 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
#> ERR467487 1 0 1 1 0
#> ERR467498 1 0 1 1 0
#> ERR658998 1 0 1 1 0
#> ERR659094 1 0 1 1 0
#> ERR658999 1 0 1 1 0
#> ERR659095 1 0 1 1 0
#> ERR659000 1 0 1 1 0
#> ERR659096 1 0 1 1 0
#> ERR659001 1 0 1 1 0
#> ERR659097 1 0 1 1 0
#> ERR659002 1 0 1 1 0
#> ERR659098 1 0 1 1 0
#> ERR659003 1 0 1 1 0
#> ERR659099 1 0 1 1 0
#> ERR659004 1 0 1 1 0
#> ERR659100 1 0 1 1 0
#> ERR659005 1 0 1 1 0
#> ERR659101 1 0 1 1 0
#> ERR659006 1 0 1 1 0
#> ERR659102 1 0 1 1 0
#> ERR659007 1 0 1 1 0
#> ERR659103 1 0 1 1 0
#> ERR659008 2 0 1 0 1
#> ERR659104 2 0 1 0 1
#> ERR659009 1 0 1 1 0
#> ERR659105 1 0 1 1 0
#> ERR659010 1 0 1 1 0
#> ERR659106 1 0 1 1 0
#> ERR659011 1 0 1 1 0
#> ERR659107 1 0 1 1 0
#> ERR659012 1 0 1 1 0
#> ERR659108 1 0 1 1 0
#> ERR659013 1 0 1 1 0
#> ERR659109 1 0 1 1 0
#> ERR659014 2 0 1 0 1
#> ERR659110 2 0 1 0 1
#> ERR659015 1 0 1 1 0
#> ERR659111 1 0 1 1 0
#> ERR659016 1 0 1 1 0
#> ERR659112 1 0 1 1 0
#> ERR659017 2 0 1 0 1
#> ERR659113 2 0 1 0 1
#> ERR659018 1 0 1 1 0
#> ERR659114 1 0 1 1 0
#> ERR659019 1 0 1 1 0
#> ERR659115 1 0 1 1 0
#> ERR659020 1 0 1 1 0
#> ERR659116 1 0 1 1 0
#> ERR659021 1 0 1 1 0
#> ERR659117 1 0 1 1 0
#> ERR659022 1 0 1 1 0
#> ERR659118 1 0 1 1 0
#> ERR659023 1 0 1 1 0
#> ERR659119 1 0 1 1 0
#> ERR659024 1 0 1 1 0
#> ERR659120 1 0 1 1 0
#> ERR659025 1 0 1 1 0
#> ERR659121 1 0 1 1 0
#> ERR659026 1 0 1 1 0
#> ERR659122 1 0 1 1 0
#> ERR659027 1 0 1 1 0
#> ERR659123 1 0 1 1 0
#> ERR659028 1 0 1 1 0
#> ERR659124 1 0 1 1 0
#> ERR659029 1 0 1 1 0
#> ERR659125 1 0 1 1 0
#> ERR659030 1 0 1 1 0
#> ERR659126 1 0 1 1 0
#> ERR659031 1 0 1 1 0
#> ERR659127 1 0 1 1 0
#> ERR659032 1 0 1 1 0
#> ERR659128 1 0 1 1 0
#> ERR659033 1 0 1 1 0
#> ERR659129 1 0 1 1 0
#> ERR659034 2 0 1 0 1
#> ERR659130 2 0 1 0 1
#> ERR659035 1 0 1 1 0
#> ERR659131 1 0 1 1 0
#> ERR659036 1 0 1 1 0
#> ERR659132 1 0 1 1 0
#> ERR659037 1 0 1 1 0
#> ERR659133 1 0 1 1 0
#> ERR659038 1 0 1 1 0
#> ERR659134 1 0 1 1 0
#> ERR659039 1 0 1 1 0
#> ERR659135 1 0 1 1 0
#> ERR659040 1 0 1 1 0
#> ERR659136 1 0 1 1 0
#> ERR659041 1 0 1 1 0
#> ERR659137 1 0 1 1 0
#> ERR659042 1 0 1 1 0
#> ERR659138 1 0 1 1 0
#> ERR659043 1 0 1 1 0
#> ERR659139 1 0 1 1 0
#> ERR659044 2 0 1 0 1
#> ERR659140 2 0 1 0 1
#> ERR659045 1 0 1 1 0
#> ERR659141 1 0 1 1 0
#> ERR659046 1 0 1 1 0
#> ERR659142 1 0 1 1 0
#> ERR659047 1 0 1 1 0
#> ERR659143 1 0 1 1 0
#> ERR659048 1 0 1 1 0
#> ERR659144 1 0 1 1 0
#> ERR659049 1 0 1 1 0
#> ERR659145 1 0 1 1 0
#> ERR659050 1 0 1 1 0
#> ERR659146 1 0 1 1 0
#> ERR659051 1 0 1 1 0
#> ERR659147 1 0 1 1 0
#> ERR659052 1 0 1 1 0
#> ERR659148 1 0 1 1 0
#> ERR659053 1 0 1 1 0
#> ERR659149 1 0 1 1 0
#> ERR659054 2 0 1 0 1
#> ERR659150 2 0 1 0 1
#> ERR659055 1 0 1 1 0
#> ERR659151 1 0 1 1 0
#> ERR659056 1 0 1 1 0
#> ERR659152 1 0 1 1 0
#> ERR659057 1 0 1 1 0
#> ERR659153 1 0 1 1 0
#> ERR659058 1 0 1 1 0
#> ERR659154 1 0 1 1 0
#> ERR659059 1 0 1 1 0
#> ERR659155 1 0 1 1 0
#> ERR659060 1 0 1 1 0
#> ERR659156 1 0 1 1 0
#> ERR659061 1 0 1 1 0
#> ERR659157 1 0 1 1 0
#> ERR659062 1 0 1 1 0
#> ERR659158 1 0 1 1 0
#> ERR659063 1 0 1 1 0
#> ERR659159 1 0 1 1 0
#> ERR659064 1 0 1 1 0
#> ERR659160 1 0 1 1 0
#> ERR659065 2 0 1 0 1
#> ERR659161 2 0 1 0 1
#> ERR659066 1 0 1 1 0
#> ERR659162 1 0 1 1 0
#> ERR659067 1 0 1 1 0
#> ERR659163 1 0 1 1 0
#> ERR659068 2 0 1 0 1
#> ERR659164 2 0 1 0 1
#> ERR659069 1 0 1 1 0
#> ERR659165 1 0 1 1 0
#> ERR659070 1 0 1 1 0
#> ERR659166 1 0 1 1 0
#> ERR659071 1 0 1 1 0
#> ERR659167 1 0 1 1 0
#> ERR659072 1 0 1 1 0
#> ERR659168 1 0 1 1 0
#> ERR659073 1 0 1 1 0
#> ERR659169 1 0 1 1 0
#> ERR659074 2 0 1 0 1
#> ERR659170 2 0 1 0 1
#> ERR659075 1 0 1 1 0
#> ERR659171 1 0 1 1 0
#> ERR659076 2 0 1 0 1
#> ERR659172 2 0 1 0 1
#> ERR659077 1 0 1 1 0
#> ERR659173 1 0 1 1 0
#> ERR659078 1 0 1 1 0
#> ERR659174 1 0 1 1 0
#> ERR659079 1 0 1 1 0
#> ERR659175 1 0 1 1 0
#> ERR659080 1 0 1 1 0
#> ERR659176 1 0 1 1 0
#> ERR659081 1 0 1 1 0
#> ERR659177 1 0 1 1 0
#> ERR659082 1 0 1 1 0
#> ERR659178 1 0 1 1 0
#> ERR659083 2 0 1 0 1
#> ERR659179 2 0 1 0 1
#> ERR659084 2 0 1 0 1
#> ERR659180 2 0 1 0 1
#> ERR659085 1 0 1 1 0
#> ERR659181 1 0 1 1 0
#> ERR659086 1 0 1 1 0
#> ERR659182 1 0 1 1 0
#> ERR659087 1 0 1 1 0
#> ERR659183 1 0 1 1 0
#> ERR659088 1 0 1 1 0
#> ERR659184 1 0 1 1 0
#> ERR659089 1 0 1 1 0
#> ERR659185 1 0 1 1 0
#> ERR659090 1 0 1 1 0
#> ERR659186 1 0 1 1 0
#> ERR659091 1 0 1 1 0
#> ERR659187 1 0 1 1 0
#> ERR659092 1 0 1 1 0
#> ERR659188 1 0 1 1 0
#> ERR659093 1 0 1 1 0
#> ERR659189 1 0 1 1 0
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> ERR467487 1 0.1964 0.921 0.944 0.000 0.056
#> ERR467498 1 0.1964 0.921 0.944 0.000 0.056
#> ERR658998 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659094 1 0.0000 0.980 1.000 0.000 0.000
#> ERR658999 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659095 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659000 1 0.1529 0.941 0.960 0.000 0.040
#> ERR659096 1 0.1643 0.936 0.956 0.000 0.044
#> ERR659001 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659097 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659002 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659098 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659003 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659099 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659004 1 0.0747 0.967 0.984 0.000 0.016
#> ERR659100 1 0.0592 0.971 0.988 0.000 0.012
#> ERR659005 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659101 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659006 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659102 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659007 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659103 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659008 2 0.0747 0.994 0.000 0.984 0.016
#> ERR659104 2 0.0237 0.993 0.000 0.996 0.004
#> ERR659009 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659105 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659010 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659106 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659011 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659107 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659012 1 0.1031 0.958 0.976 0.000 0.024
#> ERR659108 1 0.1163 0.953 0.972 0.000 0.028
#> ERR659013 1 0.2165 0.910 0.936 0.000 0.064
#> ERR659109 1 0.2165 0.910 0.936 0.000 0.064
#> ERR659014 2 0.0747 0.993 0.000 0.984 0.016
#> ERR659110 2 0.0592 0.993 0.000 0.988 0.012
#> ERR659015 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659111 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659016 1 0.3267 0.822 0.884 0.000 0.116
#> ERR659112 1 0.3267 0.822 0.884 0.000 0.116
#> ERR659017 2 0.1031 0.993 0.000 0.976 0.024
#> ERR659113 2 0.0892 0.993 0.000 0.980 0.020
#> ERR659018 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659114 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659019 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659115 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659020 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659116 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659021 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659117 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659022 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659118 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659023 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659119 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659024 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659120 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659025 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659121 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659026 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659122 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659027 1 0.3340 0.816 0.880 0.000 0.120
#> ERR659123 1 0.3340 0.819 0.880 0.000 0.120
#> ERR659028 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659124 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659029 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659125 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659030 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659126 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659031 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659127 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659032 1 0.0747 0.966 0.984 0.000 0.016
#> ERR659128 1 0.0592 0.970 0.988 0.000 0.012
#> ERR659033 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659129 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659034 2 0.0424 0.993 0.000 0.992 0.008
#> ERR659130 2 0.0747 0.993 0.000 0.984 0.016
#> ERR659035 1 0.0592 0.972 0.988 0.000 0.012
#> ERR659131 1 0.0424 0.975 0.992 0.000 0.008
#> ERR659036 1 0.0892 0.964 0.980 0.000 0.020
#> ERR659132 1 0.0592 0.972 0.988 0.000 0.012
#> ERR659037 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659133 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659038 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659134 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659039 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659135 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659040 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659136 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659041 1 0.2261 0.901 0.932 0.000 0.068
#> ERR659137 1 0.2356 0.895 0.928 0.000 0.072
#> ERR659042 1 0.1289 0.951 0.968 0.000 0.032
#> ERR659138 1 0.1411 0.946 0.964 0.000 0.036
#> ERR659043 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659139 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659044 2 0.0237 0.993 0.000 0.996 0.004
#> ERR659140 2 0.0592 0.993 0.000 0.988 0.012
#> ERR659045 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659141 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659046 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659142 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659047 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659143 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659048 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659144 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659049 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659145 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659050 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659146 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659051 1 0.4399 0.677 0.812 0.000 0.188
#> ERR659147 1 0.4399 0.677 0.812 0.000 0.188
#> ERR659052 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659148 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659053 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659149 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659054 2 0.0424 0.994 0.000 0.992 0.008
#> ERR659150 2 0.0747 0.993 0.000 0.984 0.016
#> ERR659055 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659151 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659056 3 0.5785 0.652 0.332 0.000 0.668
#> ERR659152 3 0.5733 0.649 0.324 0.000 0.676
#> ERR659057 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659153 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659058 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659154 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659059 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659155 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659060 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659156 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659061 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659157 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659062 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659158 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659063 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659159 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659064 1 0.0424 0.974 0.992 0.000 0.008
#> ERR659160 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659065 2 0.0592 0.993 0.000 0.988 0.012
#> ERR659161 2 0.0747 0.993 0.000 0.984 0.016
#> ERR659066 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659162 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659067 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659163 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659068 2 0.0424 0.993 0.000 0.992 0.008
#> ERR659164 2 0.0747 0.994 0.000 0.984 0.016
#> ERR659069 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659165 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659070 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659166 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659071 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659167 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659072 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659168 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659073 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659169 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659074 2 0.0747 0.993 0.000 0.984 0.016
#> ERR659170 2 0.1031 0.992 0.000 0.976 0.024
#> ERR659075 3 0.1643 0.271 0.044 0.000 0.956
#> ERR659171 3 0.1643 0.271 0.044 0.000 0.956
#> ERR659076 2 0.0892 0.991 0.000 0.980 0.020
#> ERR659172 2 0.0592 0.993 0.000 0.988 0.012
#> ERR659077 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659173 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659078 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659174 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659079 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659175 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659080 1 0.5560 0.322 0.700 0.000 0.300
#> ERR659176 1 0.5591 0.306 0.696 0.000 0.304
#> ERR659081 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659177 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659082 1 0.0747 0.967 0.984 0.000 0.016
#> ERR659178 1 0.0592 0.971 0.988 0.000 0.012
#> ERR659083 2 0.0747 0.992 0.000 0.984 0.016
#> ERR659179 2 0.0237 0.994 0.000 0.996 0.004
#> ERR659084 2 0.0747 0.993 0.000 0.984 0.016
#> ERR659180 2 0.0424 0.994 0.000 0.992 0.008
#> ERR659085 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659181 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659086 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659182 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659087 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659183 1 0.0237 0.978 0.996 0.000 0.004
#> ERR659088 3 0.6309 0.464 0.500 0.000 0.500
#> ERR659184 3 0.6309 0.475 0.496 0.000 0.504
#> ERR659089 1 0.1643 0.934 0.956 0.000 0.044
#> ERR659185 1 0.1289 0.948 0.968 0.000 0.032
#> ERR659090 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659186 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659091 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659187 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659092 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659188 1 0.0237 0.977 0.996 0.000 0.004
#> ERR659093 1 0.0000 0.980 1.000 0.000 0.000
#> ERR659189 1 0.0000 0.980 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> ERR467487 3 0.4857 0.836 0.324 0.000 0.668 0.008
#> ERR467498 3 0.4857 0.836 0.324 0.000 0.668 0.008
#> ERR658998 1 0.1302 0.935 0.956 0.000 0.044 0.000
#> ERR659094 1 0.1118 0.938 0.964 0.000 0.036 0.000
#> ERR658999 1 0.0921 0.945 0.972 0.000 0.028 0.000
#> ERR659095 1 0.1118 0.944 0.964 0.000 0.036 0.000
#> ERR659000 1 0.2859 0.859 0.880 0.000 0.112 0.008
#> ERR659096 1 0.2859 0.859 0.880 0.000 0.112 0.008
#> ERR659001 1 0.0707 0.940 0.980 0.000 0.020 0.000
#> ERR659097 1 0.0921 0.941 0.972 0.000 0.028 0.000
#> ERR659002 1 0.0707 0.941 0.980 0.000 0.020 0.000
#> ERR659098 1 0.0817 0.943 0.976 0.000 0.024 0.000
#> ERR659003 1 0.1211 0.945 0.960 0.000 0.040 0.000
#> ERR659099 1 0.1118 0.945 0.964 0.000 0.036 0.000
#> ERR659004 1 0.2480 0.898 0.904 0.000 0.088 0.008
#> ERR659100 1 0.1902 0.929 0.932 0.000 0.064 0.004
#> ERR659005 1 0.1557 0.938 0.944 0.000 0.056 0.000
#> ERR659101 1 0.1557 0.938 0.944 0.000 0.056 0.000
#> ERR659006 1 0.1389 0.936 0.952 0.000 0.048 0.000
#> ERR659102 1 0.1302 0.938 0.956 0.000 0.044 0.000
#> ERR659007 1 0.0921 0.942 0.972 0.000 0.028 0.000
#> ERR659103 1 0.1118 0.940 0.964 0.000 0.036 0.000
#> ERR659008 2 0.1743 0.976 0.000 0.940 0.056 0.004
#> ERR659104 2 0.1305 0.976 0.000 0.960 0.036 0.004
#> ERR659009 1 0.1940 0.907 0.924 0.000 0.076 0.000
#> ERR659105 1 0.1867 0.912 0.928 0.000 0.072 0.000
#> ERR659010 1 0.0592 0.944 0.984 0.000 0.016 0.000
#> ERR659106 1 0.0921 0.944 0.972 0.000 0.028 0.000
#> ERR659011 1 0.0592 0.943 0.984 0.000 0.016 0.000
#> ERR659107 1 0.0592 0.943 0.984 0.000 0.016 0.000
#> ERR659012 1 0.1398 0.942 0.956 0.000 0.040 0.004
#> ERR659108 1 0.1398 0.942 0.956 0.000 0.040 0.004
#> ERR659013 1 0.3479 0.804 0.840 0.000 0.148 0.012
#> ERR659109 1 0.3597 0.794 0.836 0.000 0.148 0.016
#> ERR659014 2 0.2124 0.973 0.000 0.924 0.068 0.008
#> ERR659110 2 0.1489 0.976 0.000 0.952 0.044 0.004
#> ERR659015 1 0.1209 0.945 0.964 0.000 0.032 0.004
#> ERR659111 1 0.1209 0.944 0.964 0.000 0.032 0.004
#> ERR659016 1 0.3863 0.776 0.828 0.000 0.144 0.028
#> ERR659112 1 0.3962 0.764 0.820 0.000 0.152 0.028
#> ERR659017 2 0.1474 0.977 0.000 0.948 0.052 0.000
#> ERR659113 2 0.1890 0.974 0.000 0.936 0.056 0.008
#> ERR659018 1 0.1211 0.941 0.960 0.000 0.040 0.000
#> ERR659114 1 0.1209 0.943 0.964 0.000 0.032 0.004
#> ERR659019 1 0.1305 0.939 0.960 0.000 0.036 0.004
#> ERR659115 1 0.1305 0.939 0.960 0.000 0.036 0.004
#> ERR659020 1 0.1118 0.942 0.964 0.000 0.036 0.000
#> ERR659116 1 0.1022 0.941 0.968 0.000 0.032 0.000
#> ERR659021 1 0.0817 0.943 0.976 0.000 0.024 0.000
#> ERR659117 1 0.0921 0.942 0.972 0.000 0.028 0.000
#> ERR659022 1 0.1474 0.935 0.948 0.000 0.052 0.000
#> ERR659118 1 0.1302 0.939 0.956 0.000 0.044 0.000
#> ERR659023 1 0.0707 0.946 0.980 0.000 0.020 0.000
#> ERR659119 1 0.0707 0.945 0.980 0.000 0.020 0.000
#> ERR659024 1 0.1211 0.939 0.960 0.000 0.040 0.000
#> ERR659120 1 0.1211 0.940 0.960 0.000 0.040 0.000
#> ERR659025 1 0.1004 0.946 0.972 0.000 0.024 0.004
#> ERR659121 1 0.1109 0.946 0.968 0.000 0.028 0.004
#> ERR659026 1 0.1474 0.936 0.948 0.000 0.052 0.000
#> ERR659122 1 0.1557 0.935 0.944 0.000 0.056 0.000
#> ERR659027 1 0.3787 0.810 0.840 0.000 0.124 0.036
#> ERR659123 1 0.3674 0.815 0.848 0.000 0.116 0.036
#> ERR659028 1 0.0817 0.942 0.976 0.000 0.024 0.000
#> ERR659124 1 0.0817 0.942 0.976 0.000 0.024 0.000
#> ERR659029 1 0.1807 0.933 0.940 0.000 0.052 0.008
#> ERR659125 1 0.2101 0.924 0.928 0.000 0.060 0.012
#> ERR659030 1 0.1489 0.938 0.952 0.000 0.044 0.004
#> ERR659126 1 0.1489 0.938 0.952 0.000 0.044 0.004
#> ERR659031 1 0.0921 0.942 0.972 0.000 0.028 0.000
#> ERR659127 1 0.0707 0.942 0.980 0.000 0.020 0.000
#> ERR659032 1 0.1807 0.936 0.940 0.000 0.052 0.008
#> ERR659128 1 0.1722 0.937 0.944 0.000 0.048 0.008
#> ERR659033 1 0.1792 0.915 0.932 0.000 0.068 0.000
#> ERR659129 1 0.1867 0.912 0.928 0.000 0.072 0.000
#> ERR659034 2 0.1661 0.975 0.000 0.944 0.052 0.004
#> ERR659130 2 0.1474 0.976 0.000 0.948 0.052 0.000
#> ERR659035 1 0.1824 0.933 0.936 0.000 0.060 0.004
#> ERR659131 1 0.1637 0.936 0.940 0.000 0.060 0.000
#> ERR659036 1 0.1902 0.929 0.932 0.000 0.064 0.004
#> ERR659132 1 0.1716 0.931 0.936 0.000 0.064 0.000
#> ERR659037 1 0.0592 0.942 0.984 0.000 0.016 0.000
#> ERR659133 1 0.0707 0.943 0.980 0.000 0.020 0.000
#> ERR659038 1 0.0921 0.942 0.972 0.000 0.028 0.000
#> ERR659134 1 0.0817 0.943 0.976 0.000 0.024 0.000
#> ERR659039 1 0.0707 0.944 0.980 0.000 0.020 0.000
#> ERR659135 1 0.0592 0.944 0.984 0.000 0.016 0.000
#> ERR659040 1 0.0817 0.944 0.976 0.000 0.024 0.000
#> ERR659136 1 0.0592 0.944 0.984 0.000 0.016 0.000
#> ERR659041 1 0.3325 0.842 0.864 0.000 0.112 0.024
#> ERR659137 1 0.3325 0.841 0.864 0.000 0.112 0.024
#> ERR659042 1 0.2271 0.911 0.916 0.000 0.076 0.008
#> ERR659138 1 0.2480 0.904 0.904 0.000 0.088 0.008
#> ERR659043 1 0.0469 0.944 0.988 0.000 0.012 0.000
#> ERR659139 1 0.0592 0.943 0.984 0.000 0.016 0.000
#> ERR659044 2 0.1398 0.976 0.000 0.956 0.040 0.004
#> ERR659140 2 0.1661 0.976 0.000 0.944 0.052 0.004
#> ERR659045 1 0.0817 0.943 0.976 0.000 0.024 0.000
#> ERR659141 1 0.0921 0.942 0.972 0.000 0.028 0.000
#> ERR659046 1 0.1022 0.943 0.968 0.000 0.032 0.000
#> ERR659142 1 0.0921 0.944 0.972 0.000 0.028 0.000
#> ERR659047 1 0.1022 0.944 0.968 0.000 0.032 0.000
#> ERR659143 1 0.1022 0.944 0.968 0.000 0.032 0.000
#> ERR659048 1 0.0707 0.943 0.980 0.000 0.020 0.000
#> ERR659144 1 0.0707 0.943 0.980 0.000 0.020 0.000
#> ERR659049 1 0.1118 0.943 0.964 0.000 0.036 0.000
#> ERR659145 1 0.1118 0.943 0.964 0.000 0.036 0.000
#> ERR659050 1 0.1637 0.941 0.940 0.000 0.060 0.000
#> ERR659146 1 0.1474 0.942 0.948 0.000 0.052 0.000
#> ERR659051 3 0.5814 0.814 0.300 0.000 0.644 0.056
#> ERR659147 3 0.5769 0.808 0.292 0.000 0.652 0.056
#> ERR659052 1 0.0817 0.944 0.976 0.000 0.024 0.000
#> ERR659148 1 0.0817 0.944 0.976 0.000 0.024 0.000
#> ERR659053 1 0.1488 0.939 0.956 0.000 0.032 0.012
#> ERR659149 1 0.1677 0.937 0.948 0.000 0.040 0.012
#> ERR659054 2 0.1305 0.976 0.000 0.960 0.036 0.004
#> ERR659150 2 0.1716 0.974 0.000 0.936 0.064 0.000
#> ERR659055 1 0.1022 0.942 0.968 0.000 0.032 0.000
#> ERR659151 1 0.0817 0.942 0.976 0.000 0.024 0.000
#> ERR659056 4 0.6546 0.352 0.172 0.000 0.192 0.636
#> ERR659152 4 0.6617 0.342 0.176 0.000 0.196 0.628
#> ERR659057 1 0.0707 0.944 0.980 0.000 0.020 0.000
#> ERR659153 1 0.0707 0.944 0.980 0.000 0.020 0.000
#> ERR659058 1 0.0817 0.943 0.976 0.000 0.024 0.000
#> ERR659154 1 0.0817 0.944 0.976 0.000 0.024 0.000
#> ERR659059 1 0.0707 0.943 0.980 0.000 0.020 0.000
#> ERR659155 1 0.0592 0.942 0.984 0.000 0.016 0.000
#> ERR659060 1 0.1389 0.939 0.952 0.000 0.048 0.000
#> ERR659156 1 0.1211 0.941 0.960 0.000 0.040 0.000
#> ERR659061 1 0.1022 0.942 0.968 0.000 0.032 0.000
#> ERR659157 1 0.1302 0.939 0.956 0.000 0.044 0.000
#> ERR659062 1 0.1118 0.938 0.964 0.000 0.036 0.000
#> ERR659158 1 0.1118 0.938 0.964 0.000 0.036 0.000
#> ERR659063 1 0.1637 0.925 0.940 0.000 0.060 0.000
#> ERR659159 1 0.1716 0.920 0.936 0.000 0.064 0.000
#> ERR659064 1 0.1938 0.926 0.936 0.000 0.052 0.012
#> ERR659160 1 0.1938 0.926 0.936 0.000 0.052 0.012
#> ERR659065 2 0.2266 0.968 0.000 0.912 0.084 0.004
#> ERR659161 2 0.1398 0.977 0.000 0.956 0.040 0.004
#> ERR659066 1 0.1677 0.934 0.948 0.000 0.040 0.012
#> ERR659162 1 0.1488 0.937 0.956 0.000 0.032 0.012
#> ERR659067 1 0.0336 0.941 0.992 0.000 0.008 0.000
#> ERR659163 1 0.0592 0.942 0.984 0.000 0.016 0.000
#> ERR659068 2 0.1489 0.973 0.000 0.952 0.044 0.004
#> ERR659164 2 0.1807 0.975 0.000 0.940 0.052 0.008
#> ERR659069 1 0.1022 0.943 0.968 0.000 0.032 0.000
#> ERR659165 1 0.1118 0.942 0.964 0.000 0.036 0.000
#> ERR659070 1 0.1256 0.945 0.964 0.000 0.028 0.008
#> ERR659166 1 0.1635 0.941 0.948 0.000 0.044 0.008
#> ERR659071 1 0.0921 0.944 0.972 0.000 0.028 0.000
#> ERR659167 1 0.0817 0.944 0.976 0.000 0.024 0.000
#> ERR659072 1 0.0707 0.944 0.980 0.000 0.020 0.000
#> ERR659168 1 0.1118 0.940 0.964 0.000 0.036 0.000
#> ERR659073 1 0.2345 0.876 0.900 0.000 0.100 0.000
#> ERR659169 1 0.2345 0.876 0.900 0.000 0.100 0.000
#> ERR659074 2 0.1118 0.976 0.000 0.964 0.036 0.000
#> ERR659170 2 0.2300 0.973 0.000 0.920 0.064 0.016
#> ERR659075 4 0.0804 0.410 0.012 0.000 0.008 0.980
#> ERR659171 4 0.0804 0.410 0.012 0.000 0.008 0.980
#> ERR659076 2 0.2256 0.966 0.000 0.924 0.056 0.020
#> ERR659172 2 0.2101 0.972 0.000 0.928 0.060 0.012
#> ERR659077 1 0.1867 0.919 0.928 0.000 0.072 0.000
#> ERR659173 1 0.1716 0.926 0.936 0.000 0.064 0.000
#> ERR659078 1 0.0921 0.940 0.972 0.000 0.028 0.000
#> ERR659174 1 0.0921 0.940 0.972 0.000 0.028 0.000
#> ERR659079 1 0.1867 0.916 0.928 0.000 0.072 0.000
#> ERR659175 1 0.2011 0.909 0.920 0.000 0.080 0.000
#> ERR659080 1 0.7289 -0.338 0.532 0.000 0.200 0.268
#> ERR659176 1 0.7456 -0.468 0.492 0.000 0.200 0.308
#> ERR659081 1 0.1109 0.941 0.968 0.000 0.028 0.004
#> ERR659177 1 0.1004 0.942 0.972 0.000 0.024 0.004
#> ERR659082 1 0.2473 0.901 0.908 0.000 0.080 0.012
#> ERR659178 1 0.2329 0.910 0.916 0.000 0.072 0.012
#> ERR659083 2 0.0921 0.977 0.000 0.972 0.028 0.000
#> ERR659179 2 0.1302 0.976 0.000 0.956 0.044 0.000
#> ERR659084 2 0.1661 0.974 0.000 0.944 0.052 0.004
#> ERR659180 2 0.1661 0.975 0.000 0.944 0.052 0.004
#> ERR659085 1 0.0707 0.942 0.980 0.000 0.020 0.000
#> ERR659181 1 0.0817 0.941 0.976 0.000 0.024 0.000
#> ERR659086 1 0.0921 0.941 0.972 0.000 0.028 0.000
#> ERR659182 1 0.1118 0.940 0.964 0.000 0.036 0.000
#> ERR659087 1 0.2814 0.851 0.868 0.000 0.132 0.000
#> ERR659183 1 0.2814 0.851 0.868 0.000 0.132 0.000
#> ERR659088 4 0.6732 -0.154 0.336 0.000 0.108 0.556
#> ERR659184 4 0.6584 -0.139 0.336 0.000 0.096 0.568
#> ERR659089 1 0.2450 0.905 0.912 0.000 0.072 0.016
#> ERR659185 1 0.2450 0.904 0.912 0.000 0.072 0.016
#> ERR659090 1 0.1635 0.934 0.948 0.000 0.044 0.008
#> ERR659186 1 0.1452 0.937 0.956 0.000 0.036 0.008
#> ERR659091 1 0.0817 0.943 0.976 0.000 0.024 0.000
#> ERR659187 1 0.0707 0.944 0.980 0.000 0.020 0.000
#> ERR659092 1 0.1022 0.942 0.968 0.000 0.032 0.000
#> ERR659188 1 0.0921 0.942 0.972 0.000 0.028 0.000
#> ERR659093 1 0.0707 0.943 0.980 0.000 0.020 0.000
#> ERR659189 1 0.0817 0.943 0.976 0.000 0.024 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> ERR467487 4 0.4276 0.7007 0.164 0.000 NA 0.780 0.036
#> ERR467498 4 0.4276 0.7007 0.164 0.000 NA 0.780 0.036
#> ERR658998 1 0.1544 0.9138 0.932 0.000 NA 0.068 0.000
#> ERR659094 1 0.1544 0.9138 0.932 0.000 NA 0.068 0.000
#> ERR658999 1 0.1281 0.9241 0.956 0.000 NA 0.032 0.012
#> ERR659095 1 0.1082 0.9229 0.964 0.000 NA 0.028 0.008
#> ERR659000 1 0.4650 0.6707 0.724 0.000 NA 0.056 0.216
#> ERR659096 1 0.4305 0.7149 0.748 0.000 NA 0.052 0.200
#> ERR659001 1 0.1341 0.9172 0.944 0.000 NA 0.056 0.000
#> ERR659097 1 0.1502 0.9182 0.940 0.000 NA 0.056 0.004
#> ERR659002 1 0.1408 0.9239 0.948 0.000 NA 0.044 0.008
#> ERR659098 1 0.1205 0.9228 0.956 0.000 NA 0.040 0.004
#> ERR659003 1 0.1124 0.9199 0.960 0.000 NA 0.004 0.036
#> ERR659099 1 0.1364 0.9227 0.952 0.000 NA 0.012 0.036
#> ERR659004 1 0.3351 0.8369 0.828 0.000 NA 0.020 0.148
#> ERR659100 1 0.3061 0.8575 0.844 0.000 NA 0.020 0.136
#> ERR659005 1 0.1493 0.9226 0.948 0.000 NA 0.028 0.024
#> ERR659101 1 0.1493 0.9229 0.948 0.000 NA 0.024 0.028
#> ERR659006 1 0.1981 0.9137 0.920 0.000 NA 0.016 0.064
#> ERR659102 1 0.2012 0.9139 0.920 0.000 NA 0.020 0.060
#> ERR659007 1 0.1357 0.9175 0.948 0.000 NA 0.004 0.048
#> ERR659103 1 0.1430 0.9165 0.944 0.000 NA 0.004 0.052
#> ERR659008 2 0.2077 0.9402 0.000 0.908 NA 0.008 0.000
#> ERR659104 2 0.1608 0.9399 0.000 0.928 NA 0.000 0.000
#> ERR659009 1 0.2020 0.8918 0.900 0.000 NA 0.100 0.000
#> ERR659105 1 0.1965 0.8953 0.904 0.000 NA 0.096 0.000
#> ERR659010 1 0.0992 0.9241 0.968 0.000 NA 0.024 0.008
#> ERR659106 1 0.1106 0.9238 0.964 0.000 NA 0.024 0.012
#> ERR659011 1 0.1121 0.9214 0.956 0.000 NA 0.044 0.000
#> ERR659107 1 0.1197 0.9203 0.952 0.000 NA 0.048 0.000
#> ERR659012 1 0.1943 0.9203 0.924 0.000 NA 0.020 0.056
#> ERR659108 1 0.1872 0.9212 0.928 0.000 NA 0.020 0.052
#> ERR659013 1 0.3845 0.8146 0.812 0.000 NA 0.124 0.060
#> ERR659109 1 0.3814 0.8191 0.816 0.000 NA 0.116 0.064
#> ERR659014 2 0.2798 0.9271 0.000 0.852 NA 0.008 0.000
#> ERR659110 2 0.2753 0.9342 0.000 0.856 NA 0.008 0.000
#> ERR659015 1 0.1041 0.9236 0.964 0.000 NA 0.032 0.004
#> ERR659111 1 0.0880 0.9228 0.968 0.000 NA 0.032 0.000
#> ERR659016 1 0.5548 0.5144 0.652 0.000 NA 0.124 0.220
#> ERR659112 1 0.5517 0.5126 0.652 0.000 NA 0.116 0.228
#> ERR659017 2 0.2074 0.9392 0.000 0.896 NA 0.000 0.000
#> ERR659113 2 0.2612 0.9349 0.000 0.868 NA 0.008 0.000
#> ERR659018 1 0.1661 0.9212 0.940 0.000 NA 0.024 0.036
#> ERR659114 1 0.1668 0.9234 0.940 0.000 NA 0.028 0.032
#> ERR659019 1 0.2208 0.9045 0.908 0.000 NA 0.020 0.072
#> ERR659115 1 0.1981 0.9109 0.920 0.000 NA 0.016 0.064
#> ERR659020 1 0.1493 0.9217 0.948 0.000 NA 0.028 0.024
#> ERR659116 1 0.1579 0.9217 0.944 0.000 NA 0.032 0.024
#> ERR659021 1 0.0798 0.9239 0.976 0.000 NA 0.008 0.016
#> ERR659117 1 0.0771 0.9236 0.976 0.000 NA 0.004 0.020
#> ERR659022 1 0.1877 0.9131 0.924 0.000 NA 0.064 0.012
#> ERR659118 1 0.1522 0.9188 0.944 0.000 NA 0.044 0.012
#> ERR659023 1 0.1211 0.9255 0.960 0.000 NA 0.016 0.024
#> ERR659119 1 0.1281 0.9233 0.956 0.000 NA 0.012 0.032
#> ERR659024 1 0.1571 0.9151 0.936 0.000 NA 0.004 0.060
#> ERR659120 1 0.1956 0.9069 0.916 0.000 NA 0.008 0.076
#> ERR659025 1 0.2193 0.9004 0.900 0.000 NA 0.008 0.092
#> ERR659121 1 0.2136 0.9029 0.904 0.000 NA 0.008 0.088
#> ERR659026 1 0.1671 0.9123 0.924 0.000 NA 0.076 0.000
#> ERR659122 1 0.1892 0.9113 0.916 0.000 NA 0.080 0.004
#> ERR659027 1 0.4956 0.4893 0.644 0.000 NA 0.040 0.312
#> ERR659123 1 0.4678 0.5398 0.668 0.000 NA 0.028 0.300
#> ERR659028 1 0.0865 0.9226 0.972 0.000 NA 0.004 0.024
#> ERR659124 1 0.0955 0.9216 0.968 0.000 NA 0.004 0.028
#> ERR659029 1 0.2012 0.9166 0.920 0.000 NA 0.020 0.060
#> ERR659125 1 0.2079 0.9144 0.916 0.000 NA 0.020 0.064
#> ERR659030 1 0.2331 0.8995 0.900 0.000 NA 0.020 0.080
#> ERR659126 1 0.2331 0.8995 0.900 0.000 NA 0.020 0.080
#> ERR659031 1 0.1168 0.9244 0.960 0.000 NA 0.032 0.008
#> ERR659127 1 0.0992 0.9248 0.968 0.000 NA 0.024 0.008
#> ERR659032 1 0.2293 0.9004 0.900 0.000 NA 0.016 0.084
#> ERR659128 1 0.2331 0.9031 0.900 0.000 NA 0.020 0.080
#> ERR659033 1 0.1544 0.9124 0.932 0.000 NA 0.068 0.000
#> ERR659129 1 0.1544 0.9125 0.932 0.000 NA 0.068 0.000
#> ERR659034 2 0.2777 0.9349 0.000 0.864 NA 0.016 0.000
#> ERR659130 2 0.1981 0.9402 0.000 0.920 NA 0.016 0.000
#> ERR659035 1 0.2344 0.9101 0.904 0.000 NA 0.032 0.064
#> ERR659131 1 0.2054 0.9171 0.920 0.000 NA 0.028 0.052
#> ERR659036 1 0.2694 0.8974 0.884 0.000 NA 0.040 0.076
#> ERR659132 1 0.2616 0.9006 0.888 0.000 NA 0.036 0.076
#> ERR659037 1 0.1251 0.9223 0.956 0.000 NA 0.008 0.036
#> ERR659133 1 0.1168 0.9229 0.960 0.000 NA 0.008 0.032
#> ERR659038 1 0.1469 0.9228 0.948 0.000 NA 0.036 0.016
#> ERR659134 1 0.1386 0.9224 0.952 0.000 NA 0.032 0.016
#> ERR659039 1 0.1195 0.9253 0.960 0.000 NA 0.028 0.012
#> ERR659135 1 0.1195 0.9253 0.960 0.000 NA 0.028 0.012
#> ERR659040 1 0.1579 0.9255 0.944 0.000 NA 0.024 0.032
#> ERR659136 1 0.1668 0.9251 0.940 0.000 NA 0.028 0.032
#> ERR659041 1 0.4819 0.4188 0.620 0.000 NA 0.024 0.352
#> ERR659137 1 0.4735 0.4299 0.624 0.000 NA 0.020 0.352
#> ERR659042 1 0.3115 0.8778 0.852 0.000 NA 0.036 0.112
#> ERR659138 1 0.3134 0.8704 0.848 0.000 NA 0.032 0.120
#> ERR659043 1 0.1211 0.9233 0.960 0.000 NA 0.024 0.016
#> ERR659139 1 0.1117 0.9220 0.964 0.000 NA 0.020 0.016
#> ERR659044 2 0.1764 0.9413 0.000 0.928 NA 0.008 0.000
#> ERR659140 2 0.2172 0.9415 0.000 0.908 NA 0.016 0.000
#> ERR659045 1 0.1386 0.9213 0.952 0.000 NA 0.016 0.032
#> ERR659141 1 0.1579 0.9219 0.944 0.000 NA 0.024 0.032
#> ERR659046 1 0.0898 0.9229 0.972 0.000 NA 0.008 0.020
#> ERR659142 1 0.1012 0.9235 0.968 0.000 NA 0.012 0.020
#> ERR659047 1 0.1012 0.9240 0.968 0.000 NA 0.012 0.020
#> ERR659143 1 0.0898 0.9246 0.972 0.000 NA 0.008 0.020
#> ERR659048 1 0.0865 0.9237 0.972 0.000 NA 0.004 0.024
#> ERR659144 1 0.0807 0.9258 0.976 0.000 NA 0.012 0.012
#> ERR659049 1 0.1893 0.9208 0.928 0.000 NA 0.024 0.048
#> ERR659145 1 0.1992 0.9203 0.924 0.000 NA 0.032 0.044
#> ERR659050 1 0.2482 0.8992 0.892 0.000 NA 0.024 0.084
#> ERR659146 1 0.2740 0.8870 0.876 0.000 NA 0.028 0.096
#> ERR659051 4 0.6861 0.6756 0.112 0.000 NA 0.584 0.216
#> ERR659147 4 0.6819 0.6721 0.108 0.000 NA 0.588 0.216
#> ERR659052 1 0.1106 0.9260 0.964 0.000 NA 0.024 0.012
#> ERR659148 1 0.1117 0.9261 0.964 0.000 NA 0.020 0.016
#> ERR659053 1 0.2723 0.8725 0.864 0.000 NA 0.012 0.124
#> ERR659149 1 0.2825 0.8726 0.860 0.000 NA 0.016 0.124
#> ERR659054 2 0.2390 0.9400 0.000 0.896 NA 0.020 0.000
#> ERR659150 2 0.3495 0.9123 0.000 0.816 NA 0.032 0.000
#> ERR659055 1 0.1836 0.9188 0.932 0.000 NA 0.032 0.036
#> ERR659151 1 0.1753 0.9193 0.936 0.000 NA 0.032 0.032
#> ERR659056 5 0.5267 0.2418 0.120 0.000 NA 0.112 0.732
#> ERR659152 5 0.5295 0.2342 0.116 0.000 NA 0.112 0.732
#> ERR659057 1 0.1124 0.9235 0.960 0.000 NA 0.036 0.004
#> ERR659153 1 0.1282 0.9229 0.952 0.000 NA 0.044 0.004
#> ERR659058 1 0.0963 0.9224 0.964 0.000 NA 0.036 0.000
#> ERR659154 1 0.0880 0.9221 0.968 0.000 NA 0.032 0.000
#> ERR659059 1 0.1043 0.9204 0.960 0.000 NA 0.040 0.000
#> ERR659155 1 0.0963 0.9216 0.964 0.000 NA 0.036 0.000
#> ERR659060 1 0.1281 0.9220 0.956 0.000 NA 0.032 0.012
#> ERR659156 1 0.1364 0.9209 0.952 0.000 NA 0.036 0.012
#> ERR659061 1 0.1357 0.9169 0.948 0.000 NA 0.048 0.004
#> ERR659157 1 0.1502 0.9155 0.940 0.000 NA 0.056 0.004
#> ERR659062 1 0.1544 0.9146 0.932 0.000 NA 0.068 0.000
#> ERR659158 1 0.1410 0.9158 0.940 0.000 NA 0.060 0.000
#> ERR659063 1 0.1544 0.9128 0.932 0.000 NA 0.068 0.000
#> ERR659159 1 0.1478 0.9142 0.936 0.000 NA 0.064 0.000
#> ERR659064 1 0.2358 0.8883 0.888 0.000 NA 0.008 0.104
#> ERR659160 1 0.2573 0.8847 0.880 0.000 NA 0.016 0.104
#> ERR659065 2 0.3409 0.9116 0.000 0.816 NA 0.024 0.000
#> ERR659161 2 0.2351 0.9367 0.000 0.896 NA 0.016 0.000
#> ERR659066 1 0.2616 0.8838 0.880 0.000 NA 0.020 0.100
#> ERR659162 1 0.2722 0.8777 0.872 0.000 NA 0.020 0.108
#> ERR659067 1 0.1430 0.9200 0.944 0.000 NA 0.052 0.004
#> ERR659163 1 0.1282 0.9206 0.952 0.000 NA 0.044 0.004
#> ERR659068 2 0.3531 0.9124 0.000 0.816 NA 0.036 0.000
#> ERR659164 2 0.2017 0.9406 0.000 0.912 NA 0.008 0.000
#> ERR659069 1 0.1568 0.9216 0.944 0.000 NA 0.020 0.036
#> ERR659165 1 0.1485 0.9223 0.948 0.000 NA 0.020 0.032
#> ERR659070 1 0.2110 0.9064 0.912 0.000 NA 0.016 0.072
#> ERR659166 1 0.2597 0.8887 0.884 0.000 NA 0.024 0.092
#> ERR659071 1 0.1168 0.9234 0.960 0.000 NA 0.032 0.008
#> ERR659167 1 0.1082 0.9238 0.964 0.000 NA 0.028 0.008
#> ERR659072 1 0.0963 0.9210 0.964 0.000 NA 0.036 0.000
#> ERR659168 1 0.1197 0.9205 0.952 0.000 NA 0.048 0.000
#> ERR659073 1 0.2280 0.8793 0.880 0.000 NA 0.120 0.000
#> ERR659169 1 0.2280 0.8793 0.880 0.000 NA 0.120 0.000
#> ERR659074 2 0.1830 0.9415 0.000 0.924 NA 0.008 0.000
#> ERR659170 2 0.1892 0.9413 0.000 0.916 NA 0.004 0.000
#> ERR659075 5 0.4559 -0.0588 0.000 0.000 NA 0.008 0.512
#> ERR659171 5 0.4559 -0.0588 0.000 0.000 NA 0.008 0.512
#> ERR659076 2 0.4165 0.8674 0.000 0.756 NA 0.032 0.004
#> ERR659172 2 0.2707 0.9313 0.000 0.860 NA 0.008 0.000
#> ERR659077 1 0.1704 0.9110 0.928 0.000 NA 0.068 0.004
#> ERR659173 1 0.1768 0.9129 0.924 0.000 NA 0.072 0.004
#> ERR659078 1 0.1282 0.9203 0.952 0.000 NA 0.044 0.004
#> ERR659174 1 0.1282 0.9203 0.952 0.000 NA 0.044 0.004
#> ERR659079 1 0.2280 0.8803 0.880 0.000 NA 0.120 0.000
#> ERR659175 1 0.2280 0.8811 0.880 0.000 NA 0.120 0.000
#> ERR659080 5 0.5157 0.2480 0.324 0.000 NA 0.036 0.628
#> ERR659176 5 0.5146 0.2750 0.300 0.000 NA 0.036 0.648
#> ERR659081 1 0.2450 0.9039 0.896 0.000 NA 0.028 0.076
#> ERR659177 1 0.2208 0.9064 0.908 0.000 NA 0.020 0.072
#> ERR659082 1 0.4080 0.6806 0.728 0.000 NA 0.020 0.252
#> ERR659178 1 0.3999 0.7025 0.740 0.000 NA 0.020 0.240
#> ERR659083 2 0.2104 0.9419 0.000 0.916 NA 0.024 0.000
#> ERR659179 2 0.1830 0.9410 0.000 0.924 NA 0.008 0.000
#> ERR659084 2 0.2929 0.9274 0.000 0.840 NA 0.008 0.000
#> ERR659180 2 0.2411 0.9397 0.000 0.884 NA 0.008 0.000
#> ERR659085 1 0.1168 0.9227 0.960 0.000 NA 0.032 0.008
#> ERR659181 1 0.1331 0.9223 0.952 0.000 NA 0.040 0.008
#> ERR659086 1 0.1197 0.9189 0.952 0.000 NA 0.048 0.000
#> ERR659182 1 0.1197 0.9189 0.952 0.000 NA 0.048 0.000
#> ERR659087 1 0.3085 0.8526 0.852 0.000 NA 0.116 0.032
#> ERR659183 1 0.3134 0.8482 0.848 0.000 NA 0.120 0.032
#> ERR659088 5 0.4446 0.3687 0.192 0.000 NA 0.008 0.752
#> ERR659184 5 0.4443 0.3697 0.200 0.000 NA 0.008 0.748
#> ERR659089 1 0.3659 0.7482 0.768 0.000 NA 0.012 0.220
#> ERR659185 1 0.3582 0.7412 0.768 0.000 NA 0.008 0.224
#> ERR659090 1 0.2624 0.8773 0.872 0.000 NA 0.012 0.116
#> ERR659186 1 0.2677 0.8814 0.872 0.000 NA 0.016 0.112
#> ERR659091 1 0.0807 0.9226 0.976 0.000 NA 0.012 0.012
#> ERR659187 1 0.1012 0.9227 0.968 0.000 NA 0.012 0.020
#> ERR659092 1 0.1626 0.9261 0.940 0.000 NA 0.044 0.016
#> ERR659188 1 0.1522 0.9252 0.944 0.000 NA 0.044 0.012
#> ERR659093 1 0.1893 0.9190 0.928 0.000 NA 0.048 0.024
#> ERR659189 1 0.1818 0.9201 0.932 0.000 NA 0.044 0.024
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> ERR467487 6 0.5494 1.00000 0.076 0.000 0.172 0.088 0.000 0.664
#> ERR467498 6 0.5494 1.00000 0.076 0.000 0.172 0.088 0.000 0.664
#> ERR658998 1 0.2255 0.84117 0.892 0.000 0.000 0.028 0.000 0.080
#> ERR659094 1 0.2331 0.83824 0.888 0.000 0.000 0.032 0.000 0.080
#> ERR658999 1 0.1480 0.86141 0.940 0.000 0.000 0.020 0.000 0.040
#> ERR659095 1 0.1492 0.86125 0.940 0.000 0.000 0.024 0.000 0.036
#> ERR659000 1 0.5312 -0.00988 0.552 0.000 0.032 0.368 0.000 0.048
#> ERR659096 1 0.5200 0.00368 0.556 0.000 0.028 0.372 0.000 0.044
#> ERR659001 1 0.1265 0.86035 0.948 0.000 0.000 0.008 0.000 0.044
#> ERR659097 1 0.1434 0.85975 0.940 0.000 0.000 0.012 0.000 0.048
#> ERR659002 1 0.1003 0.86385 0.964 0.000 0.000 0.016 0.000 0.020
#> ERR659098 1 0.1003 0.86385 0.964 0.000 0.000 0.016 0.000 0.020
#> ERR659003 1 0.1719 0.86601 0.924 0.000 0.000 0.060 0.000 0.016
#> ERR659099 1 0.1719 0.86601 0.924 0.000 0.000 0.060 0.000 0.016
#> ERR659004 1 0.4263 0.49457 0.684 0.000 0.008 0.276 0.000 0.032
#> ERR659100 1 0.4026 0.56655 0.712 0.000 0.004 0.252 0.000 0.032
#> ERR659005 1 0.2306 0.85613 0.888 0.000 0.016 0.092 0.000 0.004
#> ERR659101 1 0.2070 0.85776 0.896 0.000 0.012 0.092 0.000 0.000
#> ERR659006 1 0.2418 0.85432 0.884 0.000 0.016 0.092 0.000 0.008
#> ERR659102 1 0.2262 0.85792 0.896 0.000 0.016 0.080 0.000 0.008
#> ERR659007 1 0.1858 0.85581 0.904 0.000 0.004 0.092 0.000 0.000
#> ERR659103 1 0.1970 0.84747 0.900 0.000 0.008 0.092 0.000 0.000
#> ERR659008 2 0.3067 0.90531 0.000 0.872 0.040 0.024 0.016 0.048
#> ERR659104 2 0.2973 0.90562 0.000 0.872 0.048 0.012 0.012 0.056
#> ERR659009 1 0.3023 0.77428 0.828 0.000 0.000 0.032 0.000 0.140
#> ERR659105 1 0.3094 0.76876 0.824 0.000 0.000 0.036 0.000 0.140
#> ERR659010 1 0.1418 0.86522 0.944 0.000 0.000 0.024 0.000 0.032
#> ERR659106 1 0.1644 0.86844 0.932 0.000 0.000 0.040 0.000 0.028
#> ERR659011 1 0.1408 0.86173 0.944 0.000 0.000 0.020 0.000 0.036
#> ERR659107 1 0.1320 0.86154 0.948 0.000 0.000 0.016 0.000 0.036
#> ERR659012 1 0.2450 0.84079 0.868 0.000 0.000 0.116 0.000 0.016
#> ERR659108 1 0.2218 0.85210 0.884 0.000 0.000 0.104 0.000 0.012
#> ERR659013 1 0.4848 0.53885 0.700 0.000 0.072 0.196 0.000 0.032
#> ERR659109 1 0.4582 0.62132 0.732 0.000 0.068 0.168 0.000 0.032
#> ERR659014 2 0.3755 0.89522 0.000 0.820 0.068 0.012 0.016 0.084
#> ERR659110 2 0.3177 0.90310 0.000 0.856 0.040 0.024 0.004 0.076
#> ERR659015 1 0.1500 0.86875 0.936 0.000 0.000 0.052 0.000 0.012
#> ERR659111 1 0.1719 0.86867 0.932 0.000 0.004 0.032 0.000 0.032
#> ERR659016 1 0.5715 -0.36403 0.488 0.000 0.016 0.388 0.000 0.108
#> ERR659112 1 0.5566 -0.30100 0.508 0.000 0.016 0.384 0.000 0.092
#> ERR659017 2 0.3533 0.90174 0.000 0.840 0.040 0.024 0.016 0.080
#> ERR659113 2 0.3633 0.89756 0.004 0.828 0.056 0.012 0.008 0.092
#> ERR659018 1 0.1807 0.86632 0.920 0.000 0.000 0.060 0.000 0.020
#> ERR659114 1 0.1719 0.86636 0.924 0.000 0.000 0.060 0.000 0.016
#> ERR659019 1 0.2308 0.84065 0.880 0.000 0.004 0.108 0.000 0.008
#> ERR659115 1 0.2051 0.84781 0.896 0.000 0.004 0.096 0.000 0.004
#> ERR659020 1 0.0972 0.86649 0.964 0.000 0.000 0.028 0.000 0.008
#> ERR659116 1 0.1049 0.86691 0.960 0.000 0.000 0.032 0.000 0.008
#> ERR659021 1 0.0922 0.86514 0.968 0.000 0.004 0.024 0.000 0.004
#> ERR659117 1 0.1194 0.86534 0.956 0.000 0.004 0.032 0.000 0.008
#> ERR659022 1 0.2350 0.85367 0.888 0.000 0.000 0.076 0.000 0.036
#> ERR659118 1 0.2179 0.85948 0.900 0.000 0.000 0.064 0.000 0.036
#> ERR659023 1 0.1615 0.86080 0.928 0.000 0.004 0.064 0.000 0.004
#> ERR659119 1 0.1555 0.86264 0.932 0.000 0.004 0.060 0.000 0.004
#> ERR659024 1 0.2170 0.84749 0.888 0.000 0.012 0.100 0.000 0.000
#> ERR659120 1 0.2357 0.83862 0.872 0.000 0.012 0.116 0.000 0.000
#> ERR659025 1 0.2491 0.81107 0.836 0.000 0.000 0.164 0.000 0.000
#> ERR659121 1 0.2597 0.80048 0.824 0.000 0.000 0.176 0.000 0.000
#> ERR659026 1 0.1723 0.85753 0.928 0.000 0.000 0.036 0.000 0.036
#> ERR659122 1 0.2201 0.84789 0.900 0.000 0.000 0.052 0.000 0.048
#> ERR659027 4 0.4165 0.55956 0.420 0.000 0.004 0.568 0.000 0.008
#> ERR659123 4 0.4199 0.51429 0.444 0.000 0.004 0.544 0.000 0.008
#> ERR659028 1 0.1563 0.86892 0.932 0.000 0.000 0.056 0.000 0.012
#> ERR659124 1 0.1500 0.86825 0.936 0.000 0.000 0.052 0.000 0.012
#> ERR659029 1 0.2473 0.82090 0.856 0.000 0.008 0.136 0.000 0.000
#> ERR659125 1 0.2653 0.81056 0.844 0.000 0.012 0.144 0.000 0.000
#> ERR659030 1 0.2146 0.83855 0.880 0.000 0.000 0.116 0.000 0.004
#> ERR659126 1 0.2234 0.83388 0.872 0.000 0.000 0.124 0.000 0.004
#> ERR659031 1 0.1789 0.86794 0.924 0.000 0.000 0.044 0.000 0.032
#> ERR659127 1 0.1408 0.86993 0.944 0.000 0.000 0.036 0.000 0.020
#> ERR659032 1 0.2431 0.81972 0.860 0.000 0.008 0.132 0.000 0.000
#> ERR659128 1 0.2500 0.83505 0.868 0.000 0.012 0.116 0.000 0.004
#> ERR659033 1 0.2331 0.84014 0.888 0.000 0.000 0.032 0.000 0.080
#> ERR659129 1 0.2509 0.83380 0.876 0.000 0.000 0.036 0.000 0.088
#> ERR659034 2 0.3607 0.89588 0.000 0.828 0.076 0.016 0.008 0.072
#> ERR659130 2 0.2973 0.90493 0.000 0.868 0.040 0.012 0.008 0.072
#> ERR659035 1 0.2737 0.83180 0.868 0.000 0.012 0.096 0.000 0.024
#> ERR659131 1 0.2637 0.84417 0.876 0.000 0.012 0.088 0.000 0.024
#> ERR659036 1 0.3164 0.78888 0.824 0.000 0.032 0.140 0.000 0.004
#> ERR659132 1 0.3084 0.79838 0.832 0.000 0.032 0.132 0.000 0.004
#> ERR659037 1 0.1897 0.85742 0.908 0.000 0.004 0.084 0.000 0.004
#> ERR659133 1 0.1788 0.85933 0.916 0.000 0.004 0.076 0.000 0.004
#> ERR659038 1 0.1716 0.86351 0.932 0.000 0.004 0.036 0.000 0.028
#> ERR659134 1 0.1642 0.86184 0.936 0.000 0.004 0.028 0.000 0.032
#> ERR659039 1 0.0914 0.86323 0.968 0.000 0.000 0.016 0.000 0.016
#> ERR659135 1 0.0914 0.86323 0.968 0.000 0.000 0.016 0.000 0.016
#> ERR659040 1 0.1908 0.85347 0.900 0.000 0.000 0.096 0.000 0.004
#> ERR659136 1 0.1908 0.85307 0.900 0.000 0.000 0.096 0.000 0.004
#> ERR659041 4 0.4731 0.45050 0.472 0.000 0.020 0.492 0.000 0.016
#> ERR659137 4 0.4732 0.42262 0.480 0.000 0.020 0.484 0.000 0.016
#> ERR659042 1 0.2814 0.79335 0.820 0.000 0.008 0.172 0.000 0.000
#> ERR659138 1 0.3087 0.77941 0.808 0.000 0.012 0.176 0.000 0.004
#> ERR659043 1 0.1686 0.86877 0.924 0.000 0.000 0.064 0.000 0.012
#> ERR659139 1 0.1787 0.86701 0.920 0.000 0.004 0.068 0.000 0.008
#> ERR659044 2 0.3161 0.90468 0.000 0.864 0.036 0.016 0.020 0.064
#> ERR659140 2 0.3366 0.90179 0.000 0.848 0.072 0.024 0.008 0.048
#> ERR659045 1 0.0993 0.86497 0.964 0.000 0.000 0.024 0.000 0.012
#> ERR659141 1 0.0909 0.86322 0.968 0.000 0.000 0.020 0.000 0.012
#> ERR659046 1 0.0935 0.86594 0.964 0.000 0.000 0.032 0.000 0.004
#> ERR659142 1 0.1116 0.86531 0.960 0.000 0.008 0.028 0.000 0.004
#> ERR659047 1 0.1082 0.86551 0.956 0.000 0.000 0.040 0.000 0.004
#> ERR659143 1 0.1265 0.86676 0.948 0.000 0.000 0.044 0.000 0.008
#> ERR659048 1 0.0858 0.86421 0.968 0.000 0.000 0.028 0.000 0.004
#> ERR659144 1 0.0858 0.86421 0.968 0.000 0.000 0.028 0.000 0.004
#> ERR659049 1 0.2312 0.84863 0.876 0.000 0.012 0.112 0.000 0.000
#> ERR659145 1 0.2312 0.84951 0.876 0.000 0.012 0.112 0.000 0.000
#> ERR659050 1 0.2553 0.81690 0.848 0.000 0.000 0.144 0.000 0.008
#> ERR659146 1 0.2773 0.80645 0.836 0.000 0.004 0.152 0.000 0.008
#> ERR659051 3 0.4851 0.91720 0.100 0.000 0.672 0.220 0.000 0.008
#> ERR659147 3 0.4924 0.91599 0.088 0.000 0.672 0.224 0.000 0.016
#> ERR659052 1 0.1230 0.86938 0.956 0.000 0.008 0.028 0.000 0.008
#> ERR659148 1 0.1230 0.86938 0.956 0.000 0.008 0.028 0.000 0.008
#> ERR659053 1 0.2738 0.78184 0.820 0.000 0.000 0.176 0.000 0.004
#> ERR659149 1 0.2902 0.75388 0.800 0.000 0.000 0.196 0.000 0.004
#> ERR659054 2 0.3259 0.90345 0.000 0.848 0.052 0.016 0.004 0.080
#> ERR659150 2 0.4331 0.86892 0.000 0.776 0.120 0.032 0.008 0.064
#> ERR659055 1 0.1480 0.86653 0.940 0.000 0.000 0.040 0.000 0.020
#> ERR659151 1 0.1492 0.86664 0.940 0.000 0.000 0.036 0.000 0.024
#> ERR659056 4 0.4789 0.06037 0.112 0.000 0.012 0.748 0.088 0.040
#> ERR659152 4 0.4794 0.03988 0.108 0.000 0.012 0.748 0.092 0.040
#> ERR659057 1 0.1053 0.86597 0.964 0.000 0.004 0.012 0.000 0.020
#> ERR659153 1 0.1269 0.86790 0.956 0.000 0.012 0.012 0.000 0.020
#> ERR659058 1 0.1313 0.86337 0.952 0.000 0.004 0.016 0.000 0.028
#> ERR659154 1 0.1168 0.86231 0.956 0.000 0.000 0.016 0.000 0.028
#> ERR659059 1 0.1480 0.86297 0.940 0.000 0.000 0.020 0.000 0.040
#> ERR659155 1 0.1408 0.86352 0.944 0.000 0.000 0.020 0.000 0.036
#> ERR659060 1 0.1801 0.86888 0.924 0.000 0.004 0.056 0.000 0.016
#> ERR659156 1 0.1769 0.86803 0.924 0.000 0.004 0.060 0.000 0.012
#> ERR659061 1 0.1789 0.85731 0.924 0.000 0.000 0.032 0.000 0.044
#> ERR659157 1 0.1856 0.85602 0.920 0.000 0.000 0.032 0.000 0.048
#> ERR659062 1 0.2277 0.84022 0.892 0.000 0.000 0.032 0.000 0.076
#> ERR659158 1 0.2221 0.84343 0.896 0.000 0.000 0.032 0.000 0.072
#> ERR659063 1 0.2249 0.84150 0.900 0.000 0.004 0.032 0.000 0.064
#> ERR659159 1 0.2249 0.84150 0.900 0.000 0.004 0.032 0.000 0.064
#> ERR659064 1 0.3073 0.77373 0.816 0.000 0.016 0.164 0.000 0.004
#> ERR659160 1 0.2805 0.78357 0.828 0.000 0.012 0.160 0.000 0.000
#> ERR659065 2 0.4878 0.84373 0.000 0.740 0.096 0.032 0.016 0.116
#> ERR659161 2 0.3925 0.89763 0.000 0.800 0.084 0.008 0.012 0.096
#> ERR659066 1 0.2790 0.80517 0.840 0.000 0.000 0.140 0.000 0.020
#> ERR659162 1 0.2907 0.79416 0.828 0.000 0.000 0.152 0.000 0.020
#> ERR659067 1 0.1408 0.85854 0.944 0.000 0.000 0.020 0.000 0.036
#> ERR659163 1 0.1492 0.85832 0.940 0.000 0.000 0.024 0.000 0.036
#> ERR659068 2 0.4579 0.86459 0.000 0.764 0.108 0.028 0.016 0.084
#> ERR659164 2 0.3021 0.90384 0.000 0.860 0.072 0.004 0.008 0.056
#> ERR659069 1 0.1757 0.86086 0.916 0.000 0.000 0.076 0.000 0.008
#> ERR659165 1 0.1643 0.86384 0.924 0.000 0.000 0.068 0.000 0.008
#> ERR659070 1 0.2544 0.84285 0.864 0.000 0.004 0.120 0.000 0.012
#> ERR659166 1 0.2884 0.79501 0.824 0.000 0.004 0.164 0.000 0.008
#> ERR659071 1 0.0993 0.86597 0.964 0.000 0.000 0.024 0.000 0.012
#> ERR659167 1 0.1370 0.86786 0.948 0.000 0.004 0.036 0.000 0.012
#> ERR659072 1 0.1492 0.86386 0.940 0.000 0.000 0.024 0.000 0.036
#> ERR659168 1 0.1418 0.86313 0.944 0.000 0.000 0.024 0.000 0.032
#> ERR659073 1 0.2890 0.78536 0.844 0.000 0.004 0.024 0.000 0.128
#> ERR659169 1 0.2892 0.78267 0.840 0.000 0.004 0.020 0.000 0.136
#> ERR659074 2 0.2973 0.90405 0.000 0.868 0.040 0.012 0.008 0.072
#> ERR659170 2 0.3190 0.90051 0.000 0.860 0.052 0.016 0.012 0.060
#> ERR659075 5 0.1141 1.00000 0.000 0.000 0.000 0.052 0.948 0.000
#> ERR659171 5 0.1141 1.00000 0.000 0.000 0.000 0.052 0.948 0.000
#> ERR659076 2 0.4798 0.82662 0.000 0.728 0.144 0.016 0.012 0.100
#> ERR659172 2 0.4711 0.86426 0.000 0.756 0.064 0.020 0.036 0.124
#> ERR659077 1 0.3557 0.74178 0.800 0.000 0.004 0.056 0.000 0.140
#> ERR659173 1 0.3473 0.74772 0.804 0.000 0.004 0.048 0.000 0.144
#> ERR659078 1 0.2201 0.85656 0.896 0.000 0.000 0.028 0.000 0.076
#> ERR659174 1 0.2221 0.85782 0.896 0.000 0.000 0.032 0.000 0.072
#> ERR659079 1 0.2872 0.77989 0.836 0.000 0.000 0.024 0.000 0.140
#> ERR659175 1 0.2831 0.78612 0.840 0.000 0.000 0.024 0.000 0.136
#> ERR659080 4 0.4529 0.48521 0.240 0.000 0.016 0.704 0.016 0.024
#> ERR659176 4 0.4475 0.45175 0.220 0.000 0.012 0.720 0.024 0.024
#> ERR659081 1 0.2165 0.84931 0.884 0.000 0.000 0.108 0.000 0.008
#> ERR659177 1 0.2070 0.85190 0.892 0.000 0.000 0.100 0.000 0.008
#> ERR659082 1 0.4214 -0.25422 0.528 0.000 0.004 0.460 0.000 0.008
#> ERR659178 1 0.4542 -0.22345 0.532 0.000 0.008 0.440 0.000 0.020
#> ERR659083 2 0.2469 0.90482 0.000 0.904 0.028 0.012 0.020 0.036
#> ERR659179 2 0.2699 0.90454 0.000 0.888 0.036 0.016 0.008 0.052
#> ERR659084 2 0.4365 0.87505 0.000 0.772 0.108 0.024 0.008 0.088
#> ERR659180 2 0.3610 0.89855 0.000 0.828 0.072 0.024 0.004 0.072
#> ERR659085 1 0.1829 0.85973 0.920 0.000 0.000 0.024 0.000 0.056
#> ERR659181 1 0.1765 0.86032 0.924 0.000 0.000 0.024 0.000 0.052
#> ERR659086 1 0.2030 0.85443 0.908 0.000 0.000 0.028 0.000 0.064
#> ERR659182 1 0.2009 0.85327 0.908 0.000 0.000 0.024 0.000 0.068
#> ERR659087 1 0.3888 0.73584 0.792 0.000 0.016 0.076 0.000 0.116
#> ERR659183 1 0.3956 0.73461 0.792 0.000 0.024 0.072 0.000 0.112
#> ERR659088 4 0.4962 0.40555 0.192 0.000 0.000 0.676 0.120 0.012
#> ERR659184 4 0.4943 0.40291 0.192 0.000 0.000 0.672 0.128 0.008
#> ERR659089 1 0.4218 -0.14568 0.556 0.000 0.000 0.428 0.000 0.016
#> ERR659185 1 0.4224 -0.17389 0.552 0.000 0.000 0.432 0.000 0.016
#> ERR659090 1 0.3476 0.60411 0.732 0.000 0.004 0.260 0.000 0.004
#> ERR659186 1 0.3411 0.67014 0.756 0.000 0.008 0.232 0.000 0.004
#> ERR659091 1 0.1429 0.86850 0.940 0.000 0.004 0.052 0.000 0.004
#> ERR659187 1 0.1152 0.86731 0.952 0.000 0.000 0.044 0.000 0.004
#> ERR659092 1 0.2308 0.86124 0.892 0.000 0.000 0.068 0.000 0.040
#> ERR659188 1 0.2250 0.86192 0.896 0.000 0.000 0.064 0.000 0.040
#> ERR659093 1 0.1257 0.86564 0.952 0.000 0.000 0.028 0.000 0.020
#> ERR659189 1 0.1257 0.86564 0.952 0.000 0.000 0.028 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.
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