クラスタリングの連結方法と実践上の注意点

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

R による教師なし学習

SkillTag.level.intermediateSkillTag.label

4.8+

無料でコースを始める

k-means 法はクラスタリングの代表的な手法の一つです。このアルゴリズムの仕組みを理解し、R で k-means クラスタリングを実装し、結果を可視化して解釈する方法を学びます。さらに、事前にクラスタ数がわからない場合の決め方も学びます。この章の最後には、楽しい「実世界」のデータセットに k-means クラスタリングを適用します。

Exercise 1: コースへようこそ！Exercise 2: クラスタリングの問題を見極める Exercise 3: k-means クラスタリング入門 Exercise 4: k-means クラスタリング Exercise 5: kmeans() の結果 Exercise 6: kmeans() の結果を可視化して解釈する Exercise 7: k-means の仕組みと実践上のポイント Exercise 8: ランダム性を持つアルゴリズムの扱い方 Exercise 9: クラスタ数の選択 Exercise 10: Pokemon データ入門 Exercise 11: 実践編：実データを扱う Exercise 12: k-means クラスタリングの復習

階層的クラスタリングは、もう一つの代表的なクラスタリング手法です。この章では、その仕組みと使い方、そして k-means クラスタリングとの違いについて学びます。

Exercise 1: 階層的クラスタリングの基礎 Exercise 2: 結果を見る階層的クラスタリング Exercise 3: クラスタ数の選択 Exercise 4: 樹形図を解釈する Exercise 5: ツリーを切り分ける Exercise 6: クラスタリングの連結方法と実践上の注意点

現在の演習

Exercise 7: 連結方法 Exercise 8: 連結法（linkage）の比較 Exercise 9: 実践編:スケーリング Exercise 10: kmeans() と hclust() の比較 Exercise 11: 階層的クラスタリングの復習

主成分分析（PCA）は、次元削減の代表的な手法です。PCA が実際に何を行っているのかを理解し、バイプロットとスクリープロットを使って結果を可視化します。また、PCA を実行する前にデータを中心化・スケーリングするといった実践的な課題にも取り組みます。

Exercise 1: PCA入門 Exercise 2: prcomp() を使った PCA Exercise 3: PCA の結果 Exercise 4: PCA のその他の結果 Exercise 5: PCAの結果を可視化して解釈する Exercise 6: バイプロットの解釈（1）Exercise 7: バイプロットを解釈する（2）Exercise 8: 説明される分散 Exercise 9: 分散説明率を可視化する Exercise 10: PCA の実践的な注意点 Exercise 11: 実践上の問題：スケーリング Exercise 12: PCAのその他の活用方法とまとめ

この章では、これまでの3つの章で学んだ教師なし学習の手法を使って、一連の分析の流れを最初から最後まで学びます。乳房腫瘤の細胞核の測定データを使い、PCA をクラスタリングの前処理として組み合わせる方法を学び、理解をさらに深めます。

Exercise 1: ケーススタディの紹介 Exercise 2: データの準備 Exercise 3: データの探索的分析 Exercise 4: PCA を実行する Exercise 5: PCA の結果を解釈する Exercise 6: 分散説明率 Exercise 7: PCA の復習と次のステップ Exercise 8: PCA の結果を伝える Exercise 9: ケースデータの階層的クラスタリング Exercise 10: 階層的クラスタリングの結果 Exercise 11: クラスタ数の選択 Exercise 12: k-means クラスタリングと結果の比較 Exercise 13: PCAの結果に基づくクラスタリング Exercise 14: まとめと振り返り