Vše dohromady: dendrogram z textu

Je čas ukázat, co umíš, a sestavit svůj první textový dendrogram. Nezapomeň, že dendrogramy zjednodušují informace, aby ti pomohly pochopit data – podobně jako průměr ti o populaci něco řekne, ale ne vše. Oba přístupy mohou být zavádějící. V textu se často objevují nesmyslné shluky, ale občas narazíš i na skutečně hodnotné.

Specifičností objektů TDM a DTM je, že je musíš nejdřív převést na matice (pomocí as.matrix()), než je použiješ s funkcí dist().

U tweetů o chardonnay tě možná překvapilo, že se v word cloudu objevil Marvin Gaye, legenda soulové hudby. Podívejme se, jestli to samé zachytí i dendrogram.

Toto cvičení je součástí kurzu

Dolování textu metodou Bag-of-Words v R

Zobrazit kurz

Pokyny k cvičení

Vytvoř tweets_tdm2 tak, že na tweets_tdm aplikuješ funkci removeSparseTerms(). Použij sparse = 0.975.
Vytvoř tdm_m tak, že pomocí as.matrix() převedeš tweets_tdm2 do podoby matice.
Vytvoř tweets_dist obsahující vzdálenosti z tdm_m pomocí funkce dist().
Vytvoř objekt hierarchického shlukování nazvaný hc pomocí hclust() aplikovaného na tweets_dist.
Vykresli dendrogram pomocí plot() a hc.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create tweets_tdm2
___ <- ___(___, ___)

# Create tdm_m
___ <- ___(___)

# Create tweets_dist
___ <- ___(___)

# Create hc
___ <- ___(___)

# Plot the dendrogram
___(___)

Upravit a spustit kód