Anzahl der Cluster wählen

Unüberwachtes Lernen in R

Hank Roark

Senior Data Scientist at Boeing

Ergebnisse interpretieren

# Hierarchisches Clustermodell erstellen: hclust.out
hclust.out <- hclust(dist(x))

# Ergebnis prüfen
summary(hclust.out)

            Length Class  Mode     
merge       98     -none- numeric  
height      49     -none- numeric  
order       50     -none- numeric  
labels       0     -none- NULL     
method       1     -none- character
call         2     -none- call     
dist.method  1     -none- character

Dendrogramm

Baumstruktur zur Interpretation hierarchischer Clustermodelle

fünf Beobachtungen geplottet und ein Dendrogramm

Dendrogramm

Baumstruktur zur Interpretation hierarchischer Clustermodelle

zwei Clusterpunkte werden im Dendrogramm verbunden

Dendrogramm

Baumstruktur zur Interpretation hierarchischer Clustermodelle

zwei weitere Clusterpunkte werden im Dendrogramm verbunden

Dendrogramm

Baumstruktur zur Interpretation hierarchischer Clustermodelle

zwei Cluster und ein Punkt werden im Dendrogramm verbunden

Dendrogramm

Baumstruktur zur Interpretation hierarchischer Clustermodelle

alle Cluster und Punkte sind im Dendrogramm verbunden

Dendrogramm in R plotten

# Zeichnet ein Dendrogramm
plot(hclust.out)

abline(h = 6, col = "red")

horizontale Linie zeigt, wie viele Cluster wir im Dendrogramm wollen

Bäume in R „schneiden"

# Nach Höhe h schneiden
cutree(hclust.out, h = 6)

1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3
3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 2 4 2 4 4

# Nach Anzahl der Cluster k schneiden
cutree(hclust.out, k = 2)

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2
2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1

Lass uns üben!

Unüberwachtes Lernen in R