Direkt zum Hauptbereich

#k-means #clustering



Hier kommt das versprochene Beispiel zu k-means Clustering. Angelehnt ist es an Ledolter, Johannes. 2013. Business analytics and data mining with R. Hoboken, NewJersey: Wiley.


df = read.csv("http://www.biz.uiowa.edu/faculty/jledolter/DataMining/protein.csv")
View(df)
#what is the right number of clusters?
#One idea is to look at the sum squared error (SSE) for 
#each possible number of clusters.
 
#Formula to calculate SSE:
wss <- (nrow(df)-1)*sum(apply(df[,-1],2,var))
 
for (i in 2:20) wss[i] <- sum(kmeans(df[,-1],centers=i)$withinss)
plot(1:20, wss, type="b", xlab="Number of Clusters",
     ylab="Within groups sum of squares") 
 #The "elbow" now indicates the optimal number of clusters. The
#idea is that at a certain point additional clusters do not 
#reduce the SSE much...
#In this case, we might decide to take 5 clusters.
 
#But there are many more and more sophisticated ways:
#The NbClust package provides 30 indices to determine the number 
#of clusters in a dataset.
 
#requires :: NbClust
library(NbClust)
set.seed(123)
nb <- NbClust(df[,-1], method = "kmeans")
#Warning messages show that Beale-Test failed. 
#Too few observations?
#NbClust suggests 2 (or 3) Clusters. We can plot the different
#results:
par(mfrow=c(1,1)) #NbClust had changed this parameter, so
#we set it back...
hist(nb$Best.nc[1,], breaks = max(na.omit(nb$Best.nc[1,])))
#Changing set.seed will lead to different resulsts! Still
#some randomness in the method.
 
#kmeans clustering set.seed(1234) clus = kmeans(df[,-1], 2) clus o=order(clus$cluster) data.frame(df$Country[o], clus$cluster[o])   #plotting the cluster plot(df$RedMeat, df$WhiteMeat, type="n", xlab="Red Meat", ylab="White Meat") text(x=df$RedMeat, y=df$White, labels=df$Country, col=clus$cluster+1) #The plot shows the only two variables, but all were used #for clustering! 
  
#same with 3 clusters:
clus = kmeans(df[,-1], 3)
plot(df$RedMeat, df$WhiteMeat, type="n", xlab="Red Meat", 
     ylab="White Meat")
text(x=df$RedMeat, y=df$White, labels=df$Country,
     col=clus$cluster+1)
 
#A nicer way to plot (requires::fpc)
rownames(df)=df$Country
library(fpc)
clusplot(df[,-1], clus$cluster, color=T, shade=F, 
         labels=2, lines=0, cex=.8, main="Protein Clusters") 
 
 #The plot takes the first two principle components as 
#dimensions. This is not the same as the variables!
#What are principle components and what can I do with them?
#Wait for next post!
Created by Pretty R at inside-R.org

Kommentare

Beliebte Posts aus diesem Blog

Deep-Dive Impfeffektivität: Eine kritische Datenanalyse der RKI-Berechnungen / Teil 1: Die Methode

Die Einschätzung, wie effektiv die COVID-Impfung ist, ist eine der politisch relevantesten Kennzahlen derzeit. Insbesondere für die Einschätzungen der Angemessenheit einr Impfpflicht ist diese Zahl extrem wichtig. In der Vergangenheit hat sich immer wieder gezeigt, dass die Berechnungen des RKI nicht in jeder Hinsicht eindeutig sind, sondern auf vielen Annahmen beruhen, die man auch kritisch hinterfragen kann und muss. Für die politische Datenwissenschaft ist es daher essenziell, diese Berechnungen nachvollziehbar zu machen. In diesem Beitrag wird das methodische Vorgehen des RKI zur Berechnung der Impfeffektivität analysiert. Die Informationen dazu entstammen den RKI-Wochenberichten .  In einem zweiten Teil habe ich die konkreten Berechnungen des RKI so weit wie möglich rekonstruiert und kann daher zeigen, wie stark die Ergebnisse schwanken, wenn Annahmen leicht verändert werden. Meine Erkenntnisse aus der folgenden Analyse: Das RKI verwendet zur Berechnung der Impfeffektivität di...

Der Nutzerismus: Eine Ideologie mit totalitärem Potential

Ich glaube, dass wir derzeit den Aufstieg einer Ideologie erleben, die ich Nutzerismus nennen möchte. Hannah Arendt hat darauf hingewiesen, dass jede Ideologie zu einem totalitaristischen Regime führen kann und es gibt ernste Anzeichen, dass dies auch für den Nutzerismus gilt.  Was ist der Nutzerismus? Wie bei jeder Ideologie ist der Kerngedanke sehr einfach: Im Prinzip gibt es für alle gesellschaftlichen Probleme eine technische Lösung. Leider wenden die Menschen die richtigen Technologien nicht an. Sie nehmen ihre Rolle als Nutzer nicht wahr. Es geht dem Nutzerismus also um das Zusammenspiel von Mensch und Technik, allerdings immer wieder aus der gleichen Perspektive. Die Technik kommt vor als potentielle Lösung eines gesellschaftlichen Problems. Eventuell fehlt die perfekte Lösung noch, aber das ist dann als Auftrag an die Wissenschaft und die Ingenieure zu verstehen. Dieser Technikglaube hat etwas sehr Naives. Er abstrahiert zum Beispiel von allen Interessen, für die Technolog...

#RTutorial: Using R to Harvest the Twitter STREAM API

Initializing the Twitter API In this tutorial, the so called STREAMING-API from Twitter is used. This API provides real-time access to Twitter, so the results are dependent from what is actually going on, right now. Before we start, we have to initialize the Twitter-API. To use the Twitter API, a consumer key and consumer secret is required. Therefore, you have to register as a developer who is creating a Twitter app. Create a Twitter account and then sign in at https://apps.twitter.com/. The account has to be verified with a phone number. This can be done on the Twitter webpage in the account settings. Fill in name, description and any valid URL with leading “http://”. It is important NOT to provide any call-back URL, because otherwise the registration from R will not function. After this, you can see a summary of your newly created app with a link to “manage keys and access tokens”. The consumer key and consumer secret that can be found there have to be copied into the following R-...