Przejdź do głównej treści

Strona główna R

Kurs

Analiza skupień w R

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 11.2024

Zdobądź intuicję, jak działają klastrowanie hierarchiczne i k-means, i naucz się stosować je do wyciągania wniosków z danych.

Zacznij kurs za darmo

RMachine Learning

4 godz.

16 filmów

52 Ćwiczenia

3,800 XP

44,071

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Dowiedz się, jak przeprowadzać analizę skupień

Analiza skupień to potężny zestaw narzędzi w warsztacie data science. Służy do znajdowania grup obserwacji (klastrów), które mają podobne cechy. Te podobieństwa mogą wspierać wszelkiego rodzaju decyzje biznesowe; na przykład w marketingu wykorzystuje się je do identyfikowania odrębnych grup klientów, do których można dopasować reklamy.

Poznaj techniki klasteryzacji hierarchicznej i K-means

W tym kursie poznasz dwie powszechnie stosowane metody klasteryzacji — klasteryzację hierarchiczną i klasteryzację k-średnich. Nie tylko nauczysz się, jak korzystać z tych metod, ale także zbudujesz solidną intuicję, jak działają i jak interpretować ich wyniki. Rozwiniesz tę intuicję, analizując trzy różne zbiory danych: pozycje piłkarzy, dane o wydatkach klientów hurtowych oraz longitudinalne dane o wynagrodzeniach zawodowych.

Doskonal swoje umiejętności dzięki praktycznemu studium przypadku

Ukończysz kurs, wykorzystując nowe umiejętności w studium przypadku opartym na średnich wynagrodzeniach i tym, jak zmieniały się one z biegiem czasu. To połączy techniki klasteryzacji hierarchicznej, takie jak drzewa zawodów, przygotowanie do eksploracji i tworzenie wykresów klastrów zawodowych, z technikami k-means, w tym analizą łokcia i średnią szerokością sylwetki.

Kursy DataCamp składają się z połączenia filmów, artykułów i ćwiczeń praktycznych, dzięki czemu masz okazję sprawdzić i utrwalić nowo zdobyte umiejętności, abyś czuł(a) się pewnie, stosując je poza środowiskiem kursowym.

Wymagania wstępne

1

Calculating Distance Between Observations

Cluster analysis seeks to find groups of observations that are similar to one another, but the identified groups are different from each other. This similarity/difference is captured by the metric called distance. In this chapter, you will learn how to calculate the distance between observations for both continuous and categorical features. You will also develop an intuition for how the scales of your features can affect distance.

What is cluster analysis?

When to cluster?

Distance between two observations

Calculate & plot the distance between two players

Using the dist() function

Who are the closest players?

The importance of scale

Effects of scale

When to scale data?

Measuring distance for categorical data

Calculating distance between categorical variables

The closest observation to a pair

Zacznij rozdział

2

Hierarchical Clustering

This chapter will help you answer the last question from chapter 1—how do you find groups of similar observations (clusters) in your data using the distances that you have calculated? You will learn about the fundamental principles of hierarchical clustering - the linkage criteria and the dendrogram plot - and how both are used to build clusters. You will also explore data from a wholesale distributor in order to perform market segmentation of clients using their spending habits.

Comparing more than two observations

Calculating linkage

Revisited: The closest observation to a pair

Capturing K clusters

Assign cluster membership

Exploring the clusters

Validating the clusters

Visualizing the dendrogram

Comparing average, single & complete linkage

Height of the tree

Cutting the tree

Clusters based on height

Exploring the branches cut from the tree

What do we know about our clusters?

Making sense of the clusters

Segment wholesale customers

Explore wholesale customer clusters

Interpreting the wholesale customer clusters

Zacznij rozdział

3

K-means Clustering

In this chapter, you will build an understanding of the principles behind the k-means algorithm, learn how to select the right k when it isn't previously known, and revisit the wholesale data from a different perspective.

Introduction to K-means

K-means on a soccer field

K-means on a soccer field (part 2)

Evaluating different values of K by eye

Many K's many models

Elbow (Scree) plot

Interpreting the elbow plot

Silhouette analysis: observation level performance

Silhouette analysis

Making sense of the K-means clusters

Revisiting wholesale data: "Best" k

Revisiting wholesale data: Exploration

Zacznij rozdział

4

Case Study: National Occupational Mean Wage

In this chapter, you will apply the skills you have learned to explore how the average salary amongst professions have changed over time.

Occupational wage data

Initial exploration of the data

Hierarchical clustering: Occupation trees

Hierarchical clustering: Preparing for exploration

Hierarchical clustering: Plotting occupational clusters

Reviewing the HC results

K-means: Elbow analysis

K-means: Average Silhouette Widths

The "best" number of clusters

Review K-means results

Zacznij rozdział

Analiza skupień w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Analiza skupień w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.