k-means 算法是常见的聚类方法之一。您将了解该算法的工作原理，在 R 中实现 k-means 聚类，可视化并解释结果，以及在事先未知时如何选择聚类数。到本章末尾，您会把 k-means 聚类应用到一个有趣的"真实世界"数据集上！

欢迎来到本课程！

识别聚类问题

k-means 聚类简介

k-means 聚类

kmeans() 的结果

可视化并解读 kmeans() 的结果

k-means 的工作机制与实务要点

处理含随机性的算法

选择簇的数量

Pokemon 数据简介

实践要点：处理真实数据

k-means 聚类回顾

R 中的无监督学习

层次聚类是另一种流行的聚类方法。本章将讲解其工作机制、使用方法，以及与 k-means 聚类的对比。

层次聚类入门

带结果的分层聚类

选择聚类数量

解读树状图

剪切聚类树

聚类的连接方式与实践要点

链接方法

比较链接方法

实践要点：缩放

比较 kmeans() 与 hclust()

层次聚类回顾

层次聚类

主成分分析（PCA）是常见的降维方法。您将准确理解 PCA 的作用，使用双标图和碎石图可视化 PCA 结果，并处理诸如在执行 PCA 前对数据进行中心化与标准化等实践问题。

PCA 入门

使用 prcomp() 的 PCA

PCA 的结果

PCA 的其他结果

可视化并解读 PCA 结果

解读双标图 (1)

解读双标图（2）

方差解释度

可视化方差解释度

PCA 的实务要点

实践问题：缩放

PCA 的更多用法与总结

PCA 降维

本章将引导您使用前三章介绍的无监督学习技术完成一次完整分析。您将把 PCA 作为聚类的预处理步骤，与包含人体乳腺肿块细胞核测量值的数据结合使用，进一步拓展所学内容。

案例研究简介

数据准备

探索性数据分析

执行 PCA

解读 PCA 结果

方差解释

PCA 回顾与下一步

解读并传达 PCA 结果

案例数据的层次聚类

分层聚类的结果

k-means 聚类与结果比较

基于 PCA 结果的聚类

总结与回顾

案例研究：综合运用

Wisconsin breast cancer data

Pokemon data

在许多机器学习任务中，目标是从数据中发现模式，而不是进行预测。这就是无监督学习。无监督学习的一个常见用例是根据人口统计特征和购买历史对消费者分组，以开展定向营销活动。另一个例子是希望描述那些最能影响各城市犯罪差异的未观测因素。本课程从机器学习视角，介绍在 R 中进行聚类与降维的基础方法，帮助您尽快从数据走向洞见。


Introduction to R

本课程从机器学习角度介绍R中的聚类和降维，帮助快速获取洞察。

聚类的连接方式与实践要点

Create Your Free Account