Podsumowanie PCA i kolejne kroki

Uczenie nienadzorowane w R

Hank Roark

Senior Data Scientist at Boeing

Dotychczasowe podsumowanie

  • Pobrano dane i przygotowano je do modelowania
  • Eksploracyjna analiza danych
  • Wykonano analizę głównych składowych
Uczenie nienadzorowane w R

Kolejne kroki

  • Klasteryzacja hierarchiczna
  • Klasteryzacja k-średnich
  • Połączenie PCA i klasteryzacji
  • Porównanie wyników klasteryzacji hierarchicznej z diagnozą
  • Porównanie wyników klasteryzacji hierarchicznej i k-średnich
  • PCA jako krok wstępnego przetwarzania dla klasteryzacji
Uczenie nienadzorowane w R

Przypomnienie: klasteryzacja hierarchiczna w R

# Calculates similarity as Euclidean distance between observations
s <- dist(x)

# Returns hierarchical clustering model
hclust(s)

Call:
hclust(d = s)

Cluster method   : complete 
Distance         : euclidean 
Number of objects: 50
Uczenie nienadzorowane w R

Przypomnienie: k-średnich w R

$$

# k-means algorithm with 5 centers, run 20 times
kmeans(x, centers = 5, nstart = 20)

$$

  • Jedna obserwacja w wierszu, jedna cecha w kolumnie
  • k-średnich ma losowy komponent
  • Wielokrotne uruchamianie algorytmu zwiększa szansę na najlepszy model
Uczenie nienadzorowane w R

Czas na ćwiczenia!

Uczenie nienadzorowane w R

Preparing Video For Download...