Regroupement k-means et comparaison des résultats

Vous le savez maintenant, il existe deux grands types de regroupement : hiérarchique et k-means.

Dans cet exercice, vous allez créer un modèle de regroupement k-means sur les données du cancer du sein du Wisconsin et comparer les résultats aux diagnostics réels ainsi qu'aux résultats de votre modèle de regroupement hiérarchique. Prenez le temps d'examiner la performance de chaque modèle pour séparer les deux diagnostics et de voir comment les modèles se comparent entre eux.

Cette activité fait partie du cours

Apprentissage non supervisé en R

Voir le cours

Instructions de l’exercice

wisc.data, diagnosis et wisc.hclust.clusters sont toujours disponibles.

Créez un modèle k-means sur wisc.data et affectez le résultat à wisc.km. Assurez-vous de créer 2 grappes, ce qui correspond au nombre réel de diagnostics. N'oubliez pas aussi de normaliser les données et de répéter l'algorithme 20 fois pour obtenir un modèle performant.
Utilisez la fonction table() pour comparer l'appartenance aux grappes du modèle k-means aux diagnostics réels contenus dans le vecteur diagnosis. Quelle est la capacité de k-means à séparer les deux diagnostics ?
Utilisez la fonction table() pour comparer l'appartenance aux grappes du modèle k-means à celle du modèle de regroupement hiérarchique. Rappelez-vous que l'appartenance aux grappes du modèle hiérarchique se trouve dans wisc.hclust.clusters.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering

Modifier et exécuter le code