k-means-Clustering und Ergebnisse vergleichen

Wie du inzwischen weißt, gibt es zwei Hauptarten des Clusterings: hierarchisch und k-means.

In dieser Übung erstellst du ein k-means-Clustering-Modell für die Wisconsin-Brustkrebsdaten und vergleichst die Ergebnisse mit den tatsächlichen Diagnosen sowie mit den Resultaten deines hierarchischen Clustering-Modells. Nimm dir Zeit, um zu sehen, wie jedes Clustering-Modell die beiden Diagnosen trennt und wie die Modelle im Vergleich abschneiden.

Diese Übung ist Teil des Kurses

<Kurs>Unüberwachtes Lernen in R</Kurs>

Kurs ansehen

Übungsanweisungen

wisc.data, diagnosis und wisc.hclust.clusters sind weiterhin verfügbar.

Erstelle ein k-means-Modell auf wisc.data und weise das Ergebnis wisc.km zu. Erzeuge dabei 2 Cluster, entsprechend der tatsächlichen Anzahl an Diagnosen. Denk daran, die Daten zu skalieren und den Algorithmus 20-mal zu starten, um ein gut performendes Modell zu finden.
Verwende die Funktion table(), um die Clusterzugehörigkeit des k-means-Modells mit den tatsächlichen Diagnosen im Vektor diagnosis zu vergleichen. Wie gut trennt k-means die beiden Diagnosen?
Verwende die Funktion table(), um die Clusterzugehörigkeit des k-means-Modells mit dem hierarchischen Clustering-Modell zu vergleichen. Erinner dich: Die Clusterzugehörigkeit des hierarchischen Modells ist in wisc.hclust.clusters enthalten.

Interaktive praktische Übung

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

# Create a k-means model on wisc.data: wisc.km


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering

Code bearbeiten und ausführen