Révision du clustering hiérarchique

Apprentissage non supervisé en R

Hank Roark

Senior Data Scientist at Boeing

Rappel : clustering hiérarchique

# Fitting various hierarchical clustering models
hclust.complete <- hclust(d, method = "complete")
hclust.average <- hclust(d, method = "average")
hclust.single <- hclust(d, method = "single")

Méthodes de liaison : complete et average

dendrogrammes avec liaisons complete et average

Clustering hiérarchique

Itérations

itérations pour obtenir plus de clusters

Dendrogramme

5 clusters et dendrogramme final

Différences entre k-means et clustering hiérarchique

k-means vs dendrogramme

Aspects pratiques

# Scale the data
pokemon.scaled <- scale(pokemon)

# Create hierarchical and k-means clustering models
hclust.pokemon <- hclust(dist(pokemon.scaled), method = "complete")
km.pokemon <- kmeans(pokemon.scaled, centers = 3,
                     nstart = 20, iter.max = 50)

# Compare results of the models
cut.pokemon <- cutree(hclust.pokemon, k = 3)
table(km.pokemon$cluster, cut.pokemon)
cut.pokemon

    1   2   3
1 242   1   0
2 342   1   0
3 204   9   1

Passons à la pratique !

Apprentissage non supervisé en R