K-means: Elbow-Analyse

In den vorherigen Übungen hast du das Dendrogramm genutzt, um ein Clustering mit 3 Gruppen vorzuschlagen. In dieser Übung verwendest du das K-means-Elbow-Diagramm, um die „beste" Anzahl an Clustern zu bestimmen.

Diese Übung ist Teil des Kurses

<Kurs>Clusteranalyse in R</Kurs>

Kurs ansehen

Übungsanweisungen

Nutze map_dbl(), um kmeans() auf den oes-Daten für k-Werte von 1 bis 10 auszuführen, und extrahiere aus jedem Modell den Wert der total within-cluster sum of squares: model$tot.withinss. Speichere den resultierenden Vektor als tot_withinss.
Erstelle einen neuen Data Frame elbow_df, der die k-Werte und den Vektor der total within-cluster sum of squares enthält.
Verwende die Werte in elbow_df, um ein Liniendiagramm zu erstellen, das den Zusammenhang zwischen k und der total within-cluster sum of squares zeigt.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Use map_dbl to run many models with varying value of k (centers)
tot_withinss <- map_dbl(1:10,  function(k){
  model <- kmeans(x = ___, centers = ___)
  model$tot.withinss
})

# Generate a data frame containing both k and tot_withinss
elbow_df <- data.frame(
  k = ___,
  tot_withinss = ___
)

# Plot the elbow plot
ggplot(elbow_df, aes(x = ___, y = ___)) +
  geom_line() +
  scale_x_continuous(breaks = 1:10)

Code bearbeiten und ausführen