Überblick: hierarchisches Clustering

Unüberwachtes Lernen in R

Hank Roark

Senior Data Scientist at Boeing

Rückblick: hierarchisches Clustering

# Verschiedene hierarchische Clustering-Modelle anpassen
hclust.complete <- hclust(d, method = "complete")
hclust.average <- hclust(d, method = "average")
hclust.single <- hclust(d, method = "single")

Linkage-Methoden: complete und average

Dendrogramm: complete- und average-Linkage

Hierarchisches Clustering

Iterationen

Iterationen für mehr Cluster

Dendrogramm

5 Cluster und fertiges Dendrogramm

Unterschiede zwischen k-means und hierarchischem Clustering

k-means vs. Dendrogramm

Praxisnahes

# Daten skalieren
pokemon.scaled <- scale(pokemon)

# Hierarchische und k-means-Modelle erstellen
hclust.pokemon <- hclust(dist(pokemon.scaled), method = "complete")
km.pokemon <- kmeans(pokemon.scaled, centers = 3,
                     nstart = 20, iter.max = 50)

# Ergebnisse der Modelle vergleichen
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

Lass uns üben!

Unüberwachtes Lernen in R