Grupowanie metodą k-means i porównanie wyników

Jak już wiesz, istnieją dwa główne typy grupowania: hierarchiczne i metodą k-means.

W tym ćwiczeniu zbudujesz model grupowania k-means na danych dotyczących raka piersi z Wisconsin i porównasz wyniki z rzeczywistymi diagnozami oraz z wynikami swojego modelu grupowania hierarchicznego. Przyjrzyj się uważnie, jak dobrze każdy model rozdziela dwie klasy diagnoz i jak oba modele wypadają w porównaniu ze sobą.

To ćwiczenie jest częścią kursu

Uczenie nienadzorowane w R

Zobacz kurs

Instrukcje do ćwiczenia

wisc.data, diagnosis i wisc.hclust.clusters są nadal dostępne.

Utwórz model k-means na danych wisc.data i przypisz wynik do wisc.km. Pamiętaj, aby ustawić 2 grupy odpowiadające rzeczywistej liczbie klas diagnozy. Przeskaluj dane i uruchom algorytm 20 razy, by znaleźć dobrze działający model.
Użyj funkcji table(), aby porównać przynależność do grup w modelu k-means z rzeczywistymi diagnozami zawartymi w wektorze diagnosis. Jak dobrze k-means rozdziela dwie klasy diagnoz?
Użyj funkcji table(), aby porównać przynależność do grup w modelu k-means z modelem grupowania hierarchicznego. Przynależność do grup w modelu hierarchicznym jest przechowywana w wisc.hclust.clusters.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering

Edytuj i uruchom kod