Regroupement k-means et comparaison des résultats

Vous savez désormais qu’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 sur le 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.

Cet exercice fait partie du cours

Apprentissage non supervisé en R

Afficher le cours

Instructions

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

Créez un modèle k-means sur wisc.data et stockez le résultat dans wisc.km. Veillez à créer 2 clusters, correspondant au nombre réel de diagnostics. N’oubliez pas également de mettre les données à l’échelle et de répéter l’algorithme 20 fois pour trouver un modèle performant.
Utilisez la fonction table() pour comparer l’appartenance aux clusters du modèle k-means aux diagnostics réels contenus dans le vecteur diagnosis. Dans quelle mesure k-means parvient-il à séparer les deux diagnostics ?
Utilisez la fonction table() pour comparer l’appartenance aux clusters du modèle k-means à celle du modèle hiérarchique. Rappelez-vous que l’appartenance aux clusters du modèle hiérarchique est stockée dans wisc.hclust.clusters.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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