k-means-klustring och jämförelse av resultat

Som du nu vet finns det två huvudtyper av klustring: hierarkisk och k-means.

I den här övningen skapar du en k-means-klustringsmodell på Wisconsin-data över bröstcancer och jämför resultaten med de faktiska diagnoserna och din hierarkiska klustringsmodell. Ta dig tid att undersöka hur väl varje klustringsmodell separerar de två diagnoserna och hur modellerna förhåller sig till varandra.

Den här övningen är en del av kursen

Oövervakad inlärning i R

Visa kurs

Övningsinstruktioner

wisc.data, diagnosis och wisc.hclust.clusters är fortfarande tillgängliga.

Skapa en k-means-modell på wisc.data och tilldela resultatet till wisc.km. Se till att skapa 2 kluster, vilket motsvarar det faktiska antalet diagnoser. Kom också ihåg att skala data och upprepa algoritmen 20 gånger för att hitta en väl presterande modell.
Använd funktionen table() för att jämföra klustermedlemskapet i k-means-modellen med de faktiska diagnoserna i vektorn diagnosis. Hur väl separerar k-means de två diagnoserna?
Använd funktionen table() för att jämföra klustermedlemskapet i k-means-modellen med den hierarkiska klustringsmodellen. Klustermedlemskapet för den hierarkiska klustringsmodellen finns i wisc.hclust.clusters.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering

Redigera och kör kod