Choisir le nombre de grappes

Dans cet exercice, vous allez comparer les résultats de votre modèle de clustering hiérarchique aux diagnostics réels. En temps normal, lors d’un apprentissage non supervisé comme ici, on ne dispose pas d’une variable cible. Avec ce jeu de données, nous l’avons, ce qui permet d’évaluer les performances du modèle de clustering.

Dans un apprentissage supervisé — c’est-à-dire lorsque vous essayez de prédire une variable cible d’intérêt et que celle-ci est présente dans les données d’origine — utiliser le clustering pour créer de nouvelles variables peut améliorer ou non les performances du modèle final. Cet exercice vous aidera à déterminer si, dans ce cas, le clustering hiérarchique fournit une nouvelle variable prometteuse.