Vergleich von kmeans() und hclust()

Beim Vergleich von k-means und hierarchischem Clustering wirst du sehen, dass die beiden Methoden unterschiedliche Clusterzugehörigkeiten liefern. Das liegt daran, dass die beiden Algorithmen unterschiedliche Annahmen darüber treffen, wie die Daten entstanden sind. In einem fortgeschritteneren Kurs könnten wir je nach Qualität dieser Annahmen ein Modell dem anderen vorziehen, aber fürs Erste reicht es, festzuhalten, dass sie sich unterscheiden.

In dieser Übung vergleichst du die Ergebnisse der beiden Modelle auf dem pokemon-Datensatz, um zu sehen, worin sie sich unterscheiden.

Diese Übung ist Teil des Kurses

<Kurs>Unüberwachtes Lernen in R</Kurs>

Kurs ansehen

Übungsanweisungen

Die Ergebnisse des k-means-Clusterings auf den pokemon-Daten (für 3 Cluster) sind als km.pokemon gespeichert. Das hierarchische Clustering-Modell aus der vorherigen Übung ist weiterhin als hclust.pokemon verfügbar.

Weise mithilfe von cutree() auf hclust.pokemon jeder Beobachtung eine Clusterzugehörigkeit zu. Gehe von drei Clustern aus und speichere das Ergebnis in einem Vektor cut.pokemon.
Vergleiche mit table() die Clusterzugehörigkeit zwischen den beiden Clustering-Methoden. Denk daran, dass du die verschiedenen Komponenten von k-means-Modellobjekten mit dem $-Operator abrufen kannst.

Interaktive praktische Übung

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

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


# Compare methods
table(___, ___)

Code bearbeiten und ausführen