Wprowadzenie do studium przypadku
Uczenie nienadzorowane w R
Hank Roark
Senior Data Scientist at Boeing
Cele
- Kompletna analiza z użyciem uczenia nienadzorowanego
- Utrwalenie dotychczas poznanego materiału
- Dodatkowe kroki (np. przygotowanie danych, wybór cech dla uczenia nadzorowanego)
- Nacisk na kreatywność
Przykładowy przypadek użycia
- Dane dotyczące ludzkiej tkanki piersi:
- Dziesięć cech mierzonych dla każdego jądra komórkowego
- Informacje podsumowujące dla każdej grupy komórek
- Zawiera diagnozę: łagodna (niezłośliwa) i złośliwa (nowotworowa)
1 Źródło: K. P. Bennett i O. L. Mangasarian: "Robust Linear Programming Discrimination of Two Linearly Inseparable Sets"
Analiza
- Pobranie i przygotowanie danych do modelowania
- Eksploracyjna analiza danych (liczba obserwacji, cech itp.)
- Wykonanie PCA i interpretacja wyników
- Dwa rodzaje klasteryzacji
- Porównanie obu metod
- Połączenie PCA i klasteryzacji
Przypomnienie: PCA w 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
Uczenie nienadzorowane jest otwarte
- Kroki w tym przypadku to tylko jeden z możliwych sposobów postępowania
- Istnieją inne podejścia do analizy tego zbioru danych
Czas na ćwiczenia!
Uczenie nienadzorowane w R
