Praktisches: Skalierung

Erinnere dich aus dem Video: Beim Clustern realer Daten kann es nötig sein, die Merkmale zu skalieren, wenn sie unterschiedliche Verteilungen haben. Bisher in diesem Kapitel hast du mit synthetischen Daten gearbeitet, die keine Skalierung benötigten.

In dieser Übung arbeitest du wieder mit „echten“ Daten, dem im ersten Kapitel eingeführten pokemon-Datensatz. Du schaust dir die Verteilung (Mittelwert und Standardabweichung) der einzelnen Merkmale an, skalierst die Daten entsprechend und erstellst dann ein hierarchisches Clustering-Modell mit der Complete-Linkage-Methode.

Diese Übung ist Teil des Kurses

<Kurs>Unüberwachtes Lernen in R</Kurs>

Kurs ansehen

Übungsanweisungen

Die Daten befinden sich in deinem Workspace im Objekt pokemon.

Bestimme den Mittelwert jeder Variablen in pokemon mit der Funktion colMeans().
Bestimme die Standardabweichung jeder Variablen mit den Funktionen apply() und sd(). Da die Variablen die Spalten deiner Matrix sind, gib als MARGIN-Argument für apply() den Wert 2 an.
Skaliere die pokemon-Daten mit der Funktion scale() und speichere das Ergebnis in pokemon.scaled.
Erstelle ein hierarchisches Clustering-Modell der pokemon.scaled-Daten mit der Complete-Linkage-Methode. Gib das Argument method manuell an und speichere das Ergebnis in hclust.pokemon.

Interaktive praktische Übung

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

# View column means


# View column standard deviations


# Scale the data


# Create hierarchical clustering model: hclust.pokemon

Code bearbeiten und ausführen