K-means na boisku piłkarskim (część 2)
W poprzednim ćwiczeniu udało ci się użyć algorytmu k-means do podziału dwóch drużyn na podstawie danych z ramki danych lineup. Teraz sprawdź, co się stanie, gdy użyjesz k równego 3.
Zobaczyć, że algorytm nadal będzie działał – ale czy taki podział ma sens w tym kontekście…?
To ćwiczenie jest częścią kursu
Analiza skupień w R
Instrukcje do ćwiczenia
- Zbuduj model k-means o nazwie
model_km3na danychlineup, używając funkcjikmeans()z parametremcenters = 3. - Wyodrębnij wektor przypisań do klastrów z modelu
model_km3$clusteri zapisz go w zmiennejclust_km3. - Dołącz przypisania do klastrów jako kolumnę
clusterdo ramki danychlineupi zapisz wyniki w nowej ramce danych o nazwielineup_km3. - Za pomocą ggplot zwizualizuj pozycje każdego zawodnika na boisku, kolorując punkty według przynależności do klastra.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Build a kmeans model
model_km3 <- ___
# Extract the cluster assignment vector from the kmeans model
clust_km3 <- ___
# Create a new data frame appending the cluster assignment
lineup_km3 <- ___
# Plot the positions of the players and color them using their cluster
ggplot(___, aes(x = ___, y = ___, color = factor(___))) +
geom_point()