Einführung in die Fallstudie
Unüberwachtes Lernen in R
Hank Roark
Senior Data Scientist at Boeing
Ziele
- Vollständige Analyse mit unüberwachtem Lernen
- Festige, was du schon gelernt hast
- Füge bisher fehlende Schritte hinzu (z. B. Datenaufbereitung, gute Merkmale für überwachtes Lernen wählen)
- Betone Kreativität
Beispielanwendung
- Daten zu Brusttumoren beim Menschen:
- Zehn Merkmale, gemessen an jedem Zellkern
- Zusammenfassungen für jede Zellgruppe
- Enthält Diagnose: gutartig (nicht krebsartig) und bösartig (krebsartig)
1 Quelle: K. P. Bennett und O. L. Mangasarian: „Robust Linear Programming Discrimination of Two Linearly Inseparable Sets"
Analyse
- Daten herunterladen und für das Modellieren vorbereiten
- Explorative Datenanalyse (# Beobachtungen, # Merkmale etc.)
- PCA durchführen und Ergebnisse interpretieren
- Zwei Arten des Clusterings durchführen
- Die beiden Arten verstehen und vergleichen
- PCA und Clustering kombinieren
Rückblick: PCA in R
pr.iris <- prcomp(x = iris[-5],
scale = FALSE,
center = TRUE)
summary(pr.iris)
Importance of components:
PC1 PC2 PC3 PC4
Standard deviation 2.0563 0.49262 0.2797 0.15439
Proportion of Variance 0.9246 0.05307 0.0171 0.00521
Cumulative Proportion 0.9246 0.97769 0.9948 1.00000
Unüberwachtes Lernen ist offen
- Die Schritte hier sind nur ein Beispiel für mögliche Wege
- Es gibt weitere Ansätze zur Analyse dieses Datensatzes
Lass uns üben!
Unüberwachtes Lernen in R
