Kapanış ve tekrar

R ile Denetimsiz Öğrenme

Hank Roark

Senior Data Scientist at Boeing

Vaka çalışması kapanışı

Denetimsiz öğrenme ile uçtan uca veri analizi süreci
Modellemede yaratıcı yaklaşım
Gerçek dünya sorunlarına hazır

Kümeleme türleri

k-means ve dendrogram

Boyut indirgeme

PCA projeksiyonu

Model seçimi

# Initialize total within sum of squares error: wss
wss <- 0

# Look over 1 to 15 possible clusters
for (i in 1:15) {
  # Fit the model: km.out
  km.out <- kmeans(pokemon, centers = i, nstart = 20, iter.max = 50)
  # Save the within cluster sum of squares
  wss[i] <- km.out$tot.withinss
}

# Produce a scree plot
plot(1:15, wss, type = "b", 
     xlab = "Number of Clusters", 
     ylab = "Within groups sum of squares")

PCA sonuçlarını yorumlama

biplot ve scree plot

Veriyi ölçeklendirmenin önemi

ölçeklenmiş ve ölçeklenmemiş özellik öneminin karşılaştırılması

Kurs özeti

pr.iris <- prcomp(x = iris[-5],
                  scale = FALSE,
                  center = TRUE)
summary(pr.iris)

Bileşenlerin önemi:
                          PC1     PC2    PC3     PC4
Standart sapma         2.0563 0.49262 0.2797 0.15439
Varyans Oranı          0.9246 0.05307 0.0171 0.00521
Kümülatif Oran         0.9246 0.97769 0.9948 1.00000

Dendrogram

dendrogram

Her algoritmanın güçlü ve zayıf yanları

farklı kümeleme sonuçları

Kurs özeti

# Repeat for components 1 and 3
plot(wisc.pr$x[, c(1, 3)], col = (diagnosis + 1), 
     xlab = "PC1", ylab = "PC3")

temel bileşenler

Becerilerinizi geliştirin!

R ile Denetimsiz Öğrenme