Analiza siluetei: performanță la nivel de observație

Analiza clusterelor în R

Dmitriy (Dima) Gorenshteyn

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Formație de fotbal cu K = 3

Analiza clusterelor în R

Lățimea siluetei

Distanța în cluster: C(i)

Distanța față de cel mai apropiat cluster: N(i)

Analiza clusterelor în R

Lățimea siluetei

Distanța în cluster: C(i)

Distanța față de cel mai apropiat cluster: N(i)

Analiza clusterelor în R

Lățimea siluetei

Distanța în cluster: C(i)

Distanța față de cel mai apropiat cluster: N(i)

Analiza clusterelor în R

Lățimea siluetei

Distanța în cluster: C(i)

Distanța față de cel mai apropiat cluster: N(i)

Analiza clusterelor în R

Lățimea siluetei

Distanța în cluster: C(i)

Distanța față de cel mai apropiat cluster: N(i)

Analiza clusterelor în R

Lățimea siluetei: S(i)

Analiza clusterelor în R

Lățimea siluetei: S(i)

 

  • 1: Bine încadrat în cluster
  • 0: La granița dintre două clustere
  • -1: Potrivit mai bine în clusterul vecin
Analiza clusterelor în R

Calcularea S(i)

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
...     ...      ...         ...
Analiza clusterelor în R

Graficul siluetei

sil_plot <- silhouette(pam_k3)
plot(sil_plot)

Analiza clusterelor în R

Graficul siluetei

sil_plot <- silhouette(pam_k3)
plot(sil_plot)

Analiza clusterelor în R

Lățimea medie a siluetei

pam_k3$silinfo$avg.width

[1] 0.353414
  • 1: Bine încadrat în fiecare cluster
  • 0: La granița dintre clustere
  • -1: Slab încadrat în fiecare cluster
Analiza clusterelor în R

Cea mai mare lățime medie a siluetei

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
...  ...        ...
Analiza clusterelor în R

Alegerea K pe baza lățimii medii a siluetei

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

Analiza clusterelor în R

Alegerea K pe baza lățimii medii a siluetei

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

Analiza clusterelor în R

Să exersăm!

Analiza clusterelor în R

Preparing Video For Download...