Silhouet-analyse: prestatie op observatieniveau

Clusteranalyse in R

Dmitriy (Dima) Gorenshteyn

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Voetbalopstelling met K = 3

Silhouetbreedte

Binnen-clusterafstand: C(i)

Dichtstbijzijnde buur-afstand: N(i)

Silhouetbreedte

Binnen-clusterafstand: C(i)

Dichtstbijzijnde buur-afstand: N(i)

Silhouetbreedte

Binnen-clusterafstand: C(i)

Dichtstbijzijnde buur-afstand: N(i)

Silhouetbreedte

Binnen-clusterafstand: C(i)

Dichtstbijzijnde buur-afstand: N(i)

Silhouetbreedte

Binnen-clusterafstand: C(i)

Dichtstbijzijnde buur-afstand: N(i)

Silhouetbreedte: S(i)

1: Past goed bij cluster
0: Op de grens tussen twee clusters
-1: Past beter in naburig cluster

S(i) berekenen

library(cluster)
pam_k3 <- pam(lineup, k = 3)

pam_k3$silinfo$widths

   cluster neighbor    sil_width
4        1        2  0.465320054
2        1        3  0.321729341
10       1        2  0.311385893
1        1        3  0.271890169
9        2        1  0.443606497
...     ...      ...         ...

Silhouetplot

sil_plot <- silhouette(pam_k3)
plot(sil_plot)

Silhouetplot

sil_plot <- silhouette(pam_k3)
plot(sil_plot)

Gemiddelde silhouetbreedte

pam_k3$silinfo$avg.width

[1] 0.353414

1: Past goed bij elk cluster
0: Op de grens tussen clusters
-1: Past slecht bij elk cluster

Hoogste gemiddelde silhouetbreedte

library(purrr)

sil_width <- map_dbl(2:10,  function(k){
  model <- pam(x = lineup, k = k)
  model$silinfo$avg.width
})
sil_df <- data.frame(
  k = 2:10,
  sil_width = sil_width
)
print(sil_df)

     k    sil_width
1    2    0.4164141
2    3    0.3534140
3    4    0.3535534
4    5    0.3724115
...  ...        ...

K kiezen via gemiddelde silhouetbreedte

ggplot(sil_df, aes(x = k, y = sil_width)) +
  geom_line() +
  scale_x_continuous(breaks = 2:10)

K kiezen via gemiddelde silhouetbreedte

ggplot(sil_df, aes(x = k, y = sil_width)) +
  geom_line() +
  scale_x_continuous(breaks = 2:10)

Laten we oefenen!

Clusteranalyse in R