Klasterisasi k-means dan membandingkan hasil

Seperti yang kini Anda ketahui, ada dua jenis utama klasterisasi: hierarkis dan k-means.

Dalam latihan ini, Anda akan membuat model klasterisasi k-means pada data kanker payudara Wisconsin dan membandingkan hasilnya dengan diagnosis aktual serta hasil model klasterisasi hierarkis Anda. Luangkan waktu untuk melihat bagaimana setiap model klasterisasi berkinerja dalam memisahkan dua diagnosis dan bagaimana kedua model tersebut saling membandingkan.

Latihan ini adalah bagian dari kursus

Unsupervised Learning di R

Lihat Kursus

Petunjuk latihan

wisc.data, diagnosis, dan wisc.hclust.clusters masih tersedia.

Buat model k-means pada wisc.data, simpan hasilnya ke wisc.km. Pastikan membuat 2 klaster, sesuai dengan jumlah diagnosis yang sebenarnya. Juga, ingat untuk men-skala data dan mengulang algoritme 20 kali untuk menemukan model yang berkinerja baik.
Gunakan fungsi table() untuk membandingkan keanggotaan klaster dari model k-means dengan diagnosis aktual yang terdapat dalam vektor diagnosis. Seberapa baik k-means memisahkan kedua diagnosis tersebut?
Gunakan fungsi table() untuk membandingkan keanggotaan klaster dari model k-means dengan model klasterisasi hierarkis. Ingat bahwa keanggotaan klaster dari model klasterisasi hierarkis terdapat dalam wisc.hclust.clusters.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

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


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering

Edit dan Jalankan Kode