先ほど作成した階層的クラスタリングモデルを使って、特定の数のクラスタが存在する高さ（またはクラスタ間の距離）を調べましょう。以前に作成した変数 wisc.data、diagnosis、wisc.pr、pve、wisc.hclust は、すべてワークスペースに保存されています。
wisc.data
diagnosis
wisc.pr
pve
wisc.hclust
plot() 関数を使うと、クラスタリングモデルが4つのクラスタになる高さはいくつですか。
plot()
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
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。
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。
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。
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。
現在の演習
