Przegląd klastrowania hierarchicznego

Uczenie nienadzorowane w R

Hank Roark

Senior Data Scientist at Boeing

Przegląd klastrowania hierarchicznego

# Fitting various hierarchical clustering models
hclust.complete <- hclust(d, method = "complete")
hclust.average <- hclust(d, method = "average")
hclust.single <- hclust(d, method = "single")

Metody łączenia: complete i average

dendrogram – metody łączenia complete i average

Klastrowanie hierarchiczne

Iteracja

iteracja w celu uzyskania większej liczby klastrów

Dendrogram

5 klastrów i ukończony dendrogram

Różnice między k-means a klastrowaniem hierarchicznym

k-means a dendrogram

Kwestie praktyczne

# Scale the data
pokemon.scaled <- scale(pokemon)

# Create hierarchical and k-means clustering models
hclust.pokemon <- hclust(dist(pokemon.scaled), method = "complete")
km.pokemon <- kmeans(pokemon.scaled, centers = 3,
                     nstart = 20, iter.max = 50)

# Compare results of the models
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

Czas na ćwiczenia!

Uczenie nienadzorowane w R