實務重點：標準化（scaling）

回顧影片內容，當各個特徵的分佈不同時，進行分群前可能需要先對特徵做「標準化（scaling）」。到目前為止，你在本章使用的都是不需要標準化的合成資料。

在這個練習中，你會回到「真實」資料，也就是第 1 章介紹過的 pokemon 資料集。你將觀察每個特徵的分佈（平均數與標準差），依此對資料進行標準化，接著使用 complete linkage 方法建立階層式分群模型。

本練習屬於課程

R 的無監督式學習

資料已存放在工作環境中的 pokemon 物件。

使用 colMeans() 函式觀察 pokemon 中每個變數的平均數。
使用 apply() 與 sd() 函式觀察每個變數的標準差。由於變數在矩陣的欄上，請將 apply() 的 MARGIN 參數設為 2。
使用 scale() 對 pokemon 資料進行標準化，並將結果儲存為 pokemon.scaled。
以 complete linkage 方法，對 pokemon.scaled 資料建立階層式分群模型。請手動指定 method 參數，並將結果儲存為 hclust.pokemon。

試著完成這個範例程式碼，體驗一下這個練習。

# View column means


# View column standard deviations


# Scale the data


# Create hierarchical clustering model: hclust.pokemon