Clustering con k-means y comparación de resultados

Como ya sabes, hay dos tipos principales de clustering: jerárquico y k-means.

En este ejercicio, crearás un modelo de clustering k-means con los datos de cáncer de mama de Wisconsin y compararás los resultados con los diagnósticos reales y con los de tu modelo de clustering jerárquico. Dedica un momento a ver cómo rinde cada modelo a la hora de separar los dos diagnósticos y cómo se comparan entre sí ambos enfoques de clustering.

Este ejercicio forma parte del curso

Unsupervised Learning in R

Ver curso

Instrucciones del ejercicio

wisc.data, diagnosis y wisc.hclust.clusters siguen disponibles.

Crea un modelo k-means sobre wisc.data, guardando el resultado en wisc.km. Asegúrate de crear 2 clústeres, correspondientes al número real de diagnósticos. Además, recuerda escalar los datos y repetir el algoritmo 20 veces para encontrar un modelo con buen rendimiento.
Usa la función table() para comparar la pertenencia a clúster del modelo k-means con los diagnósticos reales contenidos en el vector diagnosis. ¿Qué tal separa k-means los dos diagnósticos?
Usa la función table() para comparar la pertenencia a clúster del modelo k-means con la del modelo de clustering jerárquico. Recuerda que la pertenencia a clúster del modelo jerárquico está en wisc.hclust.clusters.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

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


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering

Editar y ejecutar código