k-means 聚类与结果比较

正如您现在所知，聚类主要有两种类型：层次聚类和 k-means 聚类。

在本练习中，您将基于 Wisconsin 乳腺癌数据构建一个 k-means 聚类模型，并将其结果与真实诊断以及您之前的层次聚类模型进行比较。请花些时间观察：每个聚类模型在区分两种诊断方面的表现如何，以及两个聚类模型之间的对照情况。

本练习是课程的一部分

R 中的无监督学习

wisc.data、diagnosis 和 wisc.hclust.clusters 仍可用。

在 wisc.data 上创建一个 k-means 模型，将结果赋给 wisc.km。请确保将聚类数设为 2，以对应实际的诊断类别数量。此外，请记得对数据进行标准化，并将算法重复运行 20 次以找到表现较好的模型。
使用 table() 函数，将 k-means 模型的簇成员关系与 diagnosis 向量中的真实诊断进行比较。思考：k-means 在区分两种诊断方面表现如何？
使用 table() 函数，将 k-means 模型的簇成员关系与层次聚类模型进行比较。回忆一下，层次聚类模型的簇成员关系保存在 wisc.hclust.clusters 中。

通过完成这段示例代码来试试这个练习。

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


# Compare k-means to actual diagnoses


# Compare k-means to hierarchical clustering