More Related Content
More from anonymousouj (6)
T08
- 23. 距離の再計算
① 最短距離法 : ⼀一番短い距離を利⽤用する。
② 最⻑⾧長距離法 : ⼀一番⻑⾧長い距離を利⽤用する。
③ 群平均法 : 距離の平均を求める。
④ 重⼼心法 : 重⼼心との距離を計算する。
⑤ ウォード法 : クラスターが巨⼤大にならないように
グループの中の距離がどれだけ
増えるかを計算する。
それが⼀一番最⼩小となる点を選ぶ。
݂֜
݂֜
݂ૠ֜
݂ૠ֜
- 24. 距離の再計算
① 最短距離法 : ⼀一番短い距離を利⽤用する。
② 最⻑⾧長距離法 : ⼀一番⻑⾧長い距離を利⽤用する。
③ 群平均法 : 距離の平均を求める。
④ 重⼼心法 : 重⼼心との距離を計算する。
⑤ ウォード法 : クラスターが巨⼤大にならないように
グループの中の距離がどれだけ
増えるかを計算する。
それが⼀一番最⼩小となる点を選ぶ。
ؓചה
ؓചה
- 25. 距離の再計算
① 最短距離法 : ⼀一番短い距離を利⽤用する。
② 最⻑⾧長距離法 : ⼀一番⻑⾧長い距離を利⽤用する。
③ 群平均法 : 距離の平均を求める。
④ 重⼼心法 : 重⼼心との距離を計算する。
⑤ ウォード法 : クラスターが巨⼤大にならないように
グループの中の距離がどれだけ
増えるかを計算する。
それが⼀一番最⼩小となる点を選ぶ。
࡚अ൚
࡚अ൚
- 26. 距離の再計算
① 最短距離法 : ⼀一番短い距離を利⽤用する。
② 最⻑⾧長距離法 : ⼀一番⻑⾧長い距離を利⽤用する。
③ 群平均法 : 距離の平均を求める。
④ 重⼼心法 : 重⼼心との距離を計算する。
⑤ ウォード法 : クラスターが巨⼤大にならないように
グループの中の距離がどれだけ
増えるかを計算する。
それが⼀一番最⼩小となる点を選ぶ。
ʭʰƟː൚
ʭʰƟː൚
- 28. 階層的クラスター分析の計算 (hclust)
所要時間データ × Ø Ù Ĩ Ĩ Ĩ ×Ø ×Ù ×Ú
×Ôೇঝ Ö Ý ×Ø Ĩ Ĩ Ĩ ×Ú ×Ö Ý
ØÔෳܒ Ý Ö Û Ĩ Ĩ Ĩ Ø× ×Ý ×Ú
ÙÔࡗੴ ×Ø Û Ö Ĩ Ĩ Ĩ ØÜ ØØ ×ß
ÚÔ࡞ٵ ×Ú Ý Ø Ĩ Ĩ Ĩ ØÞ ØÚ Ø×
Ĩ Ĩ Ĩ Ĩ Ĩ Ĩ
×ØÔ࠾๊ٵ ×Ú Ø× ØÜ Ĩ Ĩ Ĩ Ö Ú Ý
×ÙÔୱ֣ ×Ö ×Ý ØØ Ĩ Ĩ Ĩ Ú Ö Ù
×ÚÔईֹ Ý ×Ú ×ß Ĩ Ĩ Ĩ Ý Ù Ö
- 30. 階層的クラスター分析の計算 (hclust)
plot( yamatewa )
yamate0 - read.csv( yamate.csv , header=T, row.names=1)
yamate1 - as.dist( yamate0 )
yamatewa - hclust ( yamate1,method= ward )
yamatewa
R
- 31. 多次元尺度法の計算 ( cmdscale )
所要時間データ × Ø Ù Ĩ Ĩ Ĩ ×Ø ×Ù ×Ú
×Ôೇঝ Ö Ý ×Ø Ĩ Ĩ Ĩ ×Ú ×Ö Ý
ØÔෳܒ Ý Ö Û Ĩ Ĩ Ĩ Ø× ×Ý ×Ú
ÙÔࡗੴ ×Ø Û Ö Ĩ Ĩ Ĩ ØÜ ØØ ×ß
ÚÔ࡞ٵ ×Ú Ý Ø Ĩ Ĩ Ĩ ØÞ ØÚ Ø×
Ĩ Ĩ Ĩ Ĩ Ĩ Ĩ
×ØÔ࠾๊ٵ ×Ú Ø× ØÜ Ĩ Ĩ Ĩ Ö Ú Ý
×ÙÔୱ֣ ×Ö ×Ý ØØ Ĩ Ĩ Ĩ Ú Ö Ù
×ÚÔईֹ Ý ×Ú ×ß Ĩ Ĩ Ĩ Ý Ù Ö
- 32. 階層的クラスター分析の計算 (hclust)
plot( yamatewa )
yamate0 - read.csv( yamate.csv , header=T, row.names=1)
yamate1 - as.dist( yamate0 )
yamatewa - hclust ( yamate1,method= ward )
yamatewa
R
- 33. 階層的クラスター分析の計算 (hclust)
plot( yamate3 )
yamate0 - read.csv( yamate.csv , header=T, row.names=1)
yamate1 - as.dist( yamate0 )
yamatewa -hclust ( yamate1,method= ward )
yamatewa
hclust(距離データ, method= 距離の方法)
最短距離法 single 、最長距離法 complete、群平均法 average
重心法 centroid、 ウォード法 ward
R
- 34. 階層的クラスター分析の計算 (hclust)
plot( yamatewa )
yamate0 - read.csv( yamate.csv , header=T, row.names=1)
yamate1 - as.dist( yamate0 )
yamatewa - hclust ( yamate1,method= ward )
yamatewa
R
- 36. ⾮非階層的クラスター分析
[
ন
ন
ܝ
ܝ
ࡢ
ࡢ
ࡩڀ
ࡩڀ
ओࡩ
ओࡩ
܊ఛ࣪
܊ఛ࣪
ધ
ધ
৻ӯ
৻ӯ ઐ
ઐ
௪ຂ
௪ຂ
ࣣฐ
ࣣฐ
ࡉ๕ڀ
ࡉ๕ڀ
֮
֮
ओׄ
ओׄ
- 40. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ƔɼʫɽʫʍʎƐׯɣൣʍਜ਼
ƔɼʫɽʫʍʎƐׯɣൣʍਜ਼
Əʍ˂˽ƪ˩ʊਦɸʪɲʇʊɸʪƑ
Əʍ˂˽ƪ˩ʊਦɸʪɲʇʊɸʪƑ
ᱮ
k-means法
- 41. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
Ɣɼʫɽʫʍ˂˽ƪ˩ʍࡥऐʱ
Ɣɼʫɽʫʍ˂˽ƪ˩ʍࡥऐʱ
Əओɾʉਜ਼ʍʇɸʪƑ
Əओɾʉਜ਼ʍʇɸʪƑ
ƏƏ
ƏƏ
ᱯ
k-means法
- 42. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
Ɣओɾʉਜ਼ʇƐɼʫɽʫʍ
Ɣओɾʉਜ਼ʇƐɼʫɽʫʍ
ƏƏƏƏƏƏƏƏ֧ʱޟكɸʪƑ
ƏƏƏƏƏƏƏƏ֧ʱޟكɸʪƑ
ᱰ
k-means法
- 43. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ƔঢʚʈʇடํʊƐׯɣൣʍਜ਼ʇ
ƔঢʚʈʇடํʊƐׯɣൣʍਜ਼ʇ
Əடɷ˂˽ƪ˩ʇɶʅƐഒɸʪƑ
Əடɷ˂˽ƪ˩ʇɶʅƐഒɸʪƑ
ƏƏ
ƏƏ
ᱱ
k-means法
- 44. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
Ɣਜ਼ʇʉʪʱূʒ૰ɸƑ
Ɣਜ਼ʇʉʪʱূʒ૰ɸƑ
Ɣ֧ʱޟكɸʪƑ
Ɣ֧ʱޟكɸʪƑ
Ɣׯɣൣʍʍ˂˽ƪ˩ʇɸʪƑ
Ɣׯɣൣʍʍ˂˽ƪ˩ʇɸʪƑ
ʇɣɥזݴʱؗʩ഼ɸƑ
ʇɣɥזݴʱؗʩ഼ɸƑ
ƏƏ
ƏƏ
ᱲ
k-means法
- 45. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
Ɣਜ਼ʇʉʪʱূʒ૰ɸƑ
Ɣਜ਼ʇʉʪʱূʒ૰ɸƑ
Ɣ֧ʱޟكɸʪƑ
Ɣ֧ʱޟكɸʪƑ
Ɣׯɣൣʍʍ˂˽ƪ˩ʇɸʪƑ
Ɣׯɣൣʍʍ˂˽ƪ˩ʇɸʪƑ
ʇɣɥזݴʱؗʩ഼ɸƑ
ʇɣɥזݴʱؗʩ഼ɸƑ
ƏƏ
ƏƏ
ᱳ
k-means法
- 46. x
y ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
ڎʍʱȤʃʍ˂˽ƪ˩ʊഒɰʪƑ
Ɣਜ਼ʇʉʪʱূʒ૰ɸƑ
Ɣਜ਼ʇʉʪʱূʒ૰ɸƑ
Ɣ֧ʱޟكɸʪƑ
Ɣ֧ʱޟكɸʪƑ
Ɣׯɣൣʍʍ˂˽ƪ˩ʇɸʪƑ
Ɣׯɣൣʍʍ˂˽ƪ˩ʇɸʪƑ
ʇɣɥזݴʱؗʩ഼ɸƑ
ʇɣɥזݴʱؗʩ഼ɸƑ
˂˽ƪ˩ʊഷѓɫʉɰʫʏࡊນʇɸʪƑ
˂˽ƪ˩ʊഷѓɫʉɰʫʏࡊນʇɸʪƑ
ᱴ
k-means法
- 47. Rによる計算例
[
ন
ন
ܝ
ܝ
ࡢ
ࡢ
ࡩڀ
ࡩڀ
ओࡩ
ओࡩ
܊ఛ࣪
܊ఛ࣪
ધ
ધ
৻ӯ
৻ӯ ઐ
ઐ
௪ຂ
௪ຂ
ࣣฐ
ࣣฐ
ࡉ๕ڀ
ࡉ๕ڀ
֮
֮
ओׄ
ओׄ
- 49. Rによる計算 (kmeans)
km1 - read.table( kmeans.dat , header=T, row.names=1)
km1
km2 - kmeans ( km1, 2 )
km2
plot(km1, pch = km2$cluster)
points(km2$centers, pch = 8) R
- 50. Rによる計算 (kmeans)
km1 - read.table( kmeans.dat , header=T, row.names=1)
km1
km2 - kmeans ( km1, 2 )
km2
plot(km1, pch = km2$cluster)
points(km2$centers, pch = 8) R
- 51. Rによる計算 (kmeans)
km1 - read.table( kmeans.dat , header=T, row.names=1)
km1
km2 - kmeans ( km1, 2 )
km2
plot(km1, pch = km2$cluster)
points(km2$centers, pch = 8) R
- 52. まとめ
[
ন
ন
ܝ
ܝ
ࡢ
ࡢ
ࡩڀ
ࡩڀ
ओࡩ
ओࡩ
܊ఛ࣪
܊ఛ࣪
ધ
ધ
৻ӯ
৻ӯ ઐ
ઐ
௪ຂ
௪ຂ
ࣣฐ
ࣣฐ
ࡉ๕ڀ
ࡉ๕ڀ
֮
֮
ओׄ
ओׄ