Лекция 3. Кластерный анализ
ฝัง
- เผยแพร่เมื่อ 5 ต.ค. 2024
- Иерархический кластерный анализ. Кластер, расстояния между объектами, расстояния между кластерами. Алгоритм построения дендрограммы. Каменистая осыпь/локоть. Стандартизация данных. Типичные ошибки при подготовке данных. Интрепретация результатов.
Лекция №3 в курсе "Анализ данных на R в примерах и задачах" (весна 2016).
Преподаватель курса: Вадим Леонардович Аббакумов
Страница лекции на сайте CS центра: goo.gl/zPVzhF
Ссылка на все лекции курса: goo.gl/1VmEdf
Самое лучшее объяснение. СПАСИБО ОГРОМНОЕ.
Отличная лекция, спасибо!!!
Прекрасная лекция!
Большое спасибо!!!
Спасибо, профессионально
Спасибо
К последней задаче (3ей) не показано, что на проектор транслируется.
а откуда брать данные из лекции (скрипты)
😅"Ну коллеги, понятно!" (с)
Спасибо огромное и низкий поклон! Понятно и мне как новичку.
Вопрос:
Слишком много переменных - не гуд, это понятно.
Но как знать какие переменные важны, только экспертная оценка?
А если по каждой характеристике (переменной) сделать сделать кластерный анализ.
И потом объединить в сегменты клиентов у которых на 70%, например, совпадет попадание в кластеры по всем переменным?
Пример. Сегментация потенциальных клиентов туристического агентства.
Есть результаты опроса, определяющего психотип (модно сейчас).
Есть хорошая кластеризация клиентов по психотипу.
Аналитику она не нужна, ему полезнее плохая кластеризация по уровню дохода, региону проживания, составу семьи.
Я к чему: математика не должна победить здравый смысл.
В вашей модели хорошая кластеризация по ненужным переменным приведет к бесполезному решению.
Для этого нужна экспертная оценка.
Еще раз. Цель аналитика не хорошая кластеризация, а полезная кластеризация.
Даже больше. Для решения разных задач один и тот же набор данных может породить разные кластеризации. Как повезет, конечно. Скудный набор данных может не привести ни к одной.
По процедуре.
Я бы развернул Вашу идею немного.
Если есть устраивающая нас кластеризация, но мы хотим отбросить неинформативные переменные, можно сравнить значения переменной в разных кластерах. Если различие статистически не значимо, переменная неинформативна.
@@Vadim_Abbakumov Неинформативные переменные уберем последующей регрессией...
А где можно скачать эти наборы данных?
Смотри в описании к лекции - Страница лекции на сайте CS центра. Там есть все данные.
а трехмерную визуализацию в R можно сделать?
Можно. Ищем в гугле по запросу "3d visualization in r", нашлось 95 800 000 страниц.
немного меньше - 39 200 000 результатов ))) спс!
"нашлось 95 800 000 страниц." А у меня 149 млн результатов. Но это ложь: поисковики никогда не знают сколько действительно есть релевантных страниц. Они выдают топ, а общая циферка просто результат апроксимации.
@@Vadim_Abbakumov главная проблема R - слишком дохрена всего в cran, замучаешься искать
@@ilyin_sergey Если это главная проблема, то проблем нет