Professor Fabrício J. Barth
O objetivo deste laboratório é exercitar os conceitos vistos em sala de aula sobre algoritmos de agrupamento hierárquicos utilizando a ferramenta R.
set.seed(1234)
x <- rnorm(10, mean = rep(1:3, each = 4), sd = 0.2)
y <- rnorm(10, mean = rep(c(1, 2, 1), each = 4), sd = 0.2)
plot(x, y, col = "blue", pch = 19, cex = 2)
text(x + 0.05, y + 0.05, labels = as.character(1:10))
dataFrame <- data.frame(x = x, y = y)
dist(dataFrame)
## 1 2 3 4 5 6 7 8 9
## 2 0.31467
## 3 0.46219 0.16741
## 4 0.25218 0.56605 0.70633
## 5 1.84900 1.73150 1.60308 1.95140
## 6 1.71895 1.57491 1.43741 1.84318 0.21451
## 7 1.50181 1.37573 1.24714 1.61768 0.35610 0.23054
## 8 1.45449 1.31633 1.18353 1.58016 0.42198 0.26455 0.08023
## 9 2.12974 1.83191 1.67027 2.36314 1.57792 1.38907 1.46248 1.40125
## 10 2.14299 1.89389 1.72741 2.33890 1.02188 0.87426 1.02459 0.98960 0.65385
dataFrame <- data.frame(x = x, y = y)
distxy <- dist(dataFrame)
hClustering <- hclust(distxy)
plot(hClustering)
Vamos utilizar um dataset sobre carros com medidas de velocidade e distância de parada. Este dataset foi gerado em 1920. As velocidades foram medidas em mph e a distância em ft
data(cars)
head(cars)
## speed dist
## 1 4 2
## 2 4 10
## 3 7 4
## 4 7 22
## 5 8 16
## 6 9 10
summary(cars$speed)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.0 12.0 15.0 15.4 19.0 25.0
summary(cars$dist)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2 26 36 43 56 120
cars$speed_scale <- scale(cars$speed)
cars$dist_scale <- scale(cars$dist)
m <- dist(cars[, 3:4])
Agrupamento hierárquico formado a partir de ligação completa.
plot(hclust(m, method = "complete"))
Agrupamento hierárquico formado a partir de ligação simples.
plot(hclust(m, method = "single"))
Agrupamento hierárquico formado a partir da média do grupo
plot(hclust(m, method = "average"))
Agrupamento plano com dois clusters
clusterModel <- kmeans(cars[, 3:4], centers = 2)
plot(cars[, 3], cars[, 4], col = clusterModel$cluster, pch = 19)
