Recommandé
Contenu connexe
Tendances
Tendances (20)
Plus de osamu morimoto
コサインクラスタリング
- 3. 同じような購買傾向の消費者を グループ化したい ケース１ ビール ワイン 日本酒 焼酎 ウイス キー Aさん 1 1 Bさん 1 ケース２ ビール ワイン 日本酒 焼酎 ウイス キー Cさん 1 1 1 Dさん 1 1 1 1 この二人は別々のグループにしたい この二人は同じグループにしたい
- 4. K-means法で使用される ユークリッド距離だと ケース１ ビール ワイン 日本酒 焼酎 ウイス キー Aさん 1 1 Bさん 1 ケース１ ビール ワイン 日本酒 焼酎 ウイス キー Aさん 1 1 1 Bさん 1 1 1 1 ユークリッド距離：1.732 ユークリッド距離：1.732
- 5. 1-コサイン類似度だと ケース１ ビール ワイン 日本酒 焼酎 ウイス キー Aさん 1 1 Bさん 1 ケース１ ビール ワイン 日本酒 焼酎 ウイス キー Aさん 1 1 1 Bさん 1 1 1 1 １−コサイン類似度：1.000 １−コサイン類似度：0.423
- 6. skmeansパッケージを使ってみる # 関連規則のパッケージに入っているサンプルデータを使う library(arules) # transactions形式のサンプルデータ data(Groceries) #スパースなデータを扱いやすくするパッケージ。圧倒的に処理が早い。 library(slam) #transactions形式からmatrix形式に Groceries.mat <- as(Groceries,"matrix") #真偽値を0/1に変換 Groceries.mat <- ifelse(Groceries.mat==TRUE,1,0) #matrix形式からstm形式へ Groceries.stm <- as.simple_triplet_matrix(Groceries.mat)
- 7. skmeansパッケージを使ってみる library(skmeans) #コサイン距離を使ったkmeans set.seed(1234) #再現性のための乱数種設定 res <- skmeans(Groceries.stm, k=05) table(res$cluster) #各クラスタのサイズ aggregate(Groceries.mat, by=list(res$cluster), mean)
- 8. Enjoy!