Porovnání kmeans() a hclust()

Při porovnání k-means a hierarchického clusteringu uvidíš, že oba přístupy přiřazují datové body do clusterů různě. Každý algoritmus totiž vychází z jiných předpokladů o tom, jak data vznikají. V pokročilejším kurzu bychom mohli vybírat model podle kvality těchto předpokladů – zatím nám stačí si všimnout, že výsledky se liší.

V tomto cvičení porovnáš výstupy obou modelů na datasetu pokemon a zjistíš, v čem se liší.

Toto cvičení je součástí kurzu

Unsupervised Learning in R

Zobrazit kurz

Pokyny k cvičení

Výsledky k-means clusteringu na datech pokemon (pro 3 clustery) jsou uloženy jako km.pokemon. Hierarchický clusteringový model z předchozího cvičení je stále dostupný jako hclust.pokemon.

Pomocí funkce cutree() aplikované na hclust.pokemon přiřaď každé pozorování do clusteru. Předpokládej tři clustery a výsledek ulož do vektoru s názvem cut.pokemon.
Pomocí funkce table() porovnej příslušnost ke clusterům z obou metod. Nezapomeň, že k různým komponentám objektu k-means modelu se dostaneš pomocí operátoru $.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Apply cutree() to hclust.pokemon: cut.pokemon


# Compare methods
table(___, ___)

Upravit a spustit kód