- 20150827 [學習筆記] R與資料探勘 (4)
- 整理自 R軟體與資料探勘之開發與應用 -- 階層分群、k平均、模糊c平均
- [ GitHub ]
- （六）階層分群演算法(Hierarchical Clustering)
- [前置作業] 基本概念
- STAGE 1 : 輸入資料和運算階段
- STAGE 2 : 評估階段
- （七）k平均演算法(k-Means)
- [前置作業] 基本概念
- STAGE 1 : 輸入資料和運算階段
- STAGE 2 : 評估階段
- （八）模糊c平均演算法(Fuzzy c-Means)
- [前置作業] 基本概念
- STAGE 1 : 輸入資料和運算階段
- STAGE 2 : 評估階段
整理自 R軟體與資料探勘之開發與應用 -- 階層分群、k平均、模糊c平均
R 軟體安裝(略過)R Studio軟體安裝(略過)START : 訓練資料和測試資料(完成)（一）倒傳遞類神經網路(Back-Propagation Neural Network)(完成)（二）決策樹(Decision Tree)（三）支援向量機(Support Vector Machine)(完成)（四）貝式分類(Naïve Bayes)（五）k位最近鄰居法(k-Nearest Neighbor)（六）階層分群演算法(Hierarchical Clustering)
# input datainputdata <- read.csv(file.choose())# computationhc.model <- hclust(dist(inputdata), method="ave")print(hc.model)# evaluationplot(hc.model, hang = -1, labels=inputdata$Species)（七）k平均演算法(k-Means)
# input datainputdata <- read.csv(file.choose())# computationkm.model <- kmeans(inputdata, 3)print(km.model)# evaluationtable(inputdata$Species, km.model$cluster)plot(inputdata[c("Sepal.Length", "Sepal.Width")], col=km.model$cluster)points(km.model$centers[,c("Sepal.Length", "Sepal.Width")], col=1:3, pch=8, cex=2)（八）模糊c平均演算法(Fuzzy c-Means)
library(e1071)# input datainputfile <- read.csv(file.choose())inputdata <- subset(inputfile, select = -Species)# computationcm.model <- cmeans(inputdata, 3, 100, m=2,method="cmeans")print(cm.model)# evaluationtable(inputfile$Species, cm.model$cluster)plot(inputdata[,1], inputdata[,2], col=cm.model$cluster)