Introduction à l'étude de cas
Apprentissage non supervisé en R
Hank Roark
Senior Data Scientist at Boeing
Objectifs
- Analyse complète avec apprentissage non supervisé
- Renforcer ce que vous avez déjà appris
- Ajouter des étapes non vues (p. ex., préparation des données, choix de bonnes caractéristiques pour l'apprentissage supervisé)
- Mettre l'accent sur la créativité
Exemple d'utilisation
- Données sur les masses mammaires humaines :
- Dix caractéristiques mesurées pour chaque noyau cellulaire
- Un résumé est fourni pour chaque groupe de cellules
- Inclut le diagnostic : bénin (non cancéreux) et malin (cancéreux)
1 Source : K. P. Bennett et O. L. Mangasarian : « Robust Linear Programming Discrimination of Two Linearly Inseparable Sets »
Analyse
- Télécharger et préparer les données pour la modélisation
- Analyse exploratoire (nb d'observations, nb de caractéristiques, etc.)
- Réaliser une ACP et interpréter les résultats
- Effectuer deux types de regroupement
- Comprendre et comparer ces deux types
- Combiner ACP et regroupement
Rappel : ACP dans 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
L'apprentissage non supervisé est ouvert
- Les étapes de cet exemple ne sont qu'une possibilité
- Il existe d'autres façons d'analyser cet ensemble de données
Passons à la pratique !
Apprentissage non supervisé en R
