Länkning och praktiska aspekter vid klustring

Oövervakad inlärning i R

Hank Roark

Senior Data Scientist at Boeing

Länkning av kluster vid hierarkisk klustring

Hur bestäms avståndet mellan kluster?
Fyra metoder för att avgöra vilka kluster som ska länkas
- Complete: parvisa likheter mellan alla observationer i kluster 1 och kluster 2 – använder den största likheten
- Single: samma som ovan men använder den minsta likheten
- Average: samma som ovan men använder genomsnittet av likheterna
- Centroid: beräknar centroid för kluster 1 och kluster 2, och använder likheten mellan de två centroiderna

Länkningsmetoder: complete och average

dendogram för complete och average

Länkningsmetod: single

dendogram för single

Länkningsmetod: centroid

dendogram för centroid

Länkning i R

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

Praktiska aspekter

Data på olika skalor kan ge oönskade resultat vid klustring
Lösningen är att skala data så att alla särdrag får samma medelvärde och standardavvikelse
- Subtrahera medelvärdet för ett särdrag från alla observationer
- Dividera varje särdrag med dess standardavvikelse
- Normaliserade särdrag får medelvärdet noll och standardavvikelsen ett

Praktiska aspekter

# Check if scaling is necessary
colMeans(x)

-0.1337828  0.0594019

apply(x, 2, sd)

1.974376 2.112357

Praktiska aspekter

# Produce new matrix with columns of mean of 0 and sd of 1
scaled_x <- scale(x)
colMeans(scaled_x)

2.775558e-17 3.330669e-17

apply(scaled_x, 2, sd)

1 1

Nu kör vi en övning!

Oövervakad inlärning i R