您在上一个练习中创建的模型——hclust.complete、hclust.average 和 hclust.single——已在您的工作区中可用。
hclust.complete
hclust.average
hclust.single
哪些链接方法能生成更为均衡的树？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
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！
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。
当前练习
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。
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。
