Rezumat și recapitulare

Învățare nesupervizată în R

Hank Roark

Senior Data Scientist at Boeing

Concluzia studiului de caz

Procesul complet de analiză a datelor cu învățare nesupervizată
Abordare creativă a modelării
Pregătit pentru probleme din lumea reală

Tipuri de clusterizare

k-means vs dendrogramă

Reducerea dimensionalității

proiecție PCA

Selecția modelului

# 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")

Interpretarea rezultatelor PCA

biplot și screeplot

Importanța scalării datelor

compararea importanței caracteristicilor scalate și nescalate

Recapitularea cursului

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

Dendrogramă

dendrogramă

Avantaje și dezavantaje ale fiecărui algoritm

rezultate diferite de clusterizare

Recapitularea cursului

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

componente principale

Exersați abilitățile!

Învățare nesupervizată în R